哮喘患者与健康个体的语音分析：利用机器学习模型对哮喘控制水平进行比较评估

《BMC Pulmonary Medicine》：Voice analysis in asthmatic and healthy individuals: comparative assessment of asthma control levels using machine learning models

　　

摘要

引言

机器学习（ML）在诊断和监测哮喘方面具有巨大潜力。先前的研究主要集中于喘息、咳嗽、呼吸音和语音特征，而特定口语词汇的潜力尚未得到充分探索。本研究旨在使用机器学习模型，通过记录的元音和特定词汇，区分哮喘患者与健康对照，并根据全球哮喘防治倡议（GINA）标准对哮喘控制情况进行分类。

方法

这项单中心、横断面研究包括 344 名参与者：284 名哮喘患者和 60 名健康志愿者。参与者被要求重复六个不同的土耳其语单词，每个单词 10 次，并持续发元音"a"10 秒。语音录音使用各种机器学习模型进行分析，包括集成方法、支持向量机（SVM）和多层感知器（MLP）。模型性能基于包括准确率、敏感度和 F1 分数在内的指标进行评估。

结果

在区分哮喘患者与健康个体时，表现最佳的模型（使用单词"gelecek"的投票集成）实现了 0.769 的 AUC、82.0% 的准确率和 93.3% 的敏感度。对于哮喘控制状态的分类，模型显示出有限的区分能力，最高 AUC 为 0.592，反映了已控制和未控制患者之间显著的类别不平衡。

结论

基于语音的机器学习模型已显示出作为区分哮喘患者与健康对照的非侵入性方法的潜力。因此，基于语音的评估可作为标准临床和功能评估的补充工具。在临床应用前，需要更大、更多样化的人群和外部验证。