Jazyk a reč ako včasné indikátory kognitívneho postihnutia

Predbežné výskumné zhrnutie

Abstrakt

Príspevok predstavuje tri výskumné línie využívajúce rečové dáta z mobilnej aplikácie EWA pri skúmaní Alzheimerovej choroby a miernej kognitívnej poruchy. Prvá línia sa venuje skráteniu pomenovacej úlohy z 20 obrázkov predmetov a 20 obrázkov činností na polovicu. Druhá skúma lexikálnu rôznorodosť a zastúpenie slovných druhov v opisoch vizuálnej scény. Tretia analyzuje akustické charakteristiky vrátane tempa reči, prestávok a plynulosti prejavu. Rečové charakteristiky predstavujú kandidátne ukazovatele pre ďalší vývoj skríningu; ich klinická využiteľnosť vyžaduje reprodukovateľné metódy a overenie na nezávislých dátach.

Kľúčové slová: Alzheimerova choroba; mierna kognitívna porucha; analýza reči; lexikálna rôznorodosť; skríning

Úvod

Alzheimerova choroba (AD) predstavuje jedno z najčastejších neurodegeneratívnych ochorení vyššieho veku a zásadným spôsobom ovplyvňuje pamäť, myslenie, komunikáciu aj každodenné fungovanie človeka [, ]. Podobne aj mierna kognitívna porucha (MCI) predstavuje klinicky významný stav, ktorý môže predchádzať rozvoju demencie a zvyšuje riziko jej neskoršieho vzniku []. Napriek pokroku v medicínskych vedách zostáva včasná a spoľahlivá detekcia príznakov týchto ochorení jednou z najväčších výziev súčasnej diagnostiky.

Reč človeka predstavuje v tomto kontexte prirodzený a ľahko dostupný zdroj cenných informácií o kognitívnom stave. Hovorenie je komplexný kognitívny proces, do ktorého vstupujú pamäť, pozornosť, jazykové schopnosti, exekutívne funkcie aj motorická koordinácia. Zmeny v kognitívnom fungovaní sa preto môžu prejaviť nielen v obsahu toho, čo človek hovorí, ale aj v spôsobe, akým sa vyjadruje – v plynulosti prejavu, voľbe slov, tempe hovorenia či dĺžke prestávok [, ].

Reč možno zaznamenávať pomocou bežne dostupných mobilných zariadení. Tento neinvazívny prístup môže uľahčiť opakovaný zber dát aj mimo klinického pracoviska. Spoľahlivá analýza však vyžaduje vhodný záznamový protokol, dostatočnú kvalitu zvuku, ochranu dát a validované algoritmy. Automatické spracovanie reči a prirodzeného jazyka preto predstavuje nástroj pre výskum a vývoj skríningu, ktorého použiteľnosť treba overiť v konkrétnej populácii a jazyku [].

Predkladaný výskum vychádza z dát získaných prostredníctvom mobilnej aplikácie EWA (Early Warning of Alzheimer), ktorá bola navrhnutá na zber rečových prejavov participantov realizovaných prostredníctvom mobilných zariadení. Aplikácia obsahuje úlohy zamerané napríklad na pomenovanie objektov a opis scén, pričom odpovede participantov sú zaznamenávané a následne automaticky analyzované. V rámci projektu bolo doposiaľ zozbieraných niekoľko tisíc rečových vzoriek od zdravých participantov aj osôb s kognitívnym postihnutím, čo vytvára rozsiahly priestor pre analýzu jazykových a akustických charakteristík reči [].

Príspevok predstavuje tri vzájomne prepojené výskumné línie, ktoré sa zameriavajú na rôzne aspekty rečového prejavu ako potenciálneho ukazovateľa kognitívneho postihnutia. Prvá línia sa venuje optimalizácii pomenovacej úlohy v mobilnej aplikácii EWA – konkrétne otázke, či je možné znížiť počet obrázkov bez straty diagnostickej hodnoty úlohy. Druhá línia skúma jazykové charakteristiky spontánnej reči, ako sú lexikálna rôznorodosť a hustota. Tretia línia sa zameriava na akustické vlastnosti reči – tempo hovorenia, dĺžku a distribúciu prestávok, plynulosť prejavu a váhanie.

Spoločným cieľom všetkých troch výskumných línií je prispieť k lepšiemu porozumeniu toho, ako sa kognitívne zmeny odrážajú v rečovom prejave, a podporiť vývoj jednoduchých, dostupných a neinvazívnych nástrojov pre skorý skríning Alzheimerovej choroby a miernej kognitívnej poruchy. V nasledujúcich kapitolách sú jednotlivé línie podrobnejšie predstavené spolu s predbežnými výsledkami a ich interpretáciou.

Optimalizácia pomenovacej úlohy v aplikácii EWA

V rámci prvej výskumnej línie sme sa zamerali na pomenovaciu úlohu, ktorá tvorí jednu z častí mobilnej aplikácie EWA. Participanti majú za úlohu pomenovať zobrazené predmety alebo opísať vykonávané činnosti jedným slovom. Odpovede participantov sú zaznamenávané a analyzované pomocou automatických metód spracovania reči a prirodzeného jazyka. Pôvodná verzia úlohy obsahovala 20 obrázkov predmetov a 20 obrázkov činností, takto rozsiahla sada poskytovala veľké množstvo dát, avšak zároveň predlžovala čas potrebný na vyšetrenie. Pri starších ľuďoch alebo osobách s kognitívnym zhoršením môže dlhšie testovanie spôsobovať únavu, zníženú koncentráciu alebo stres, čo môže negatívne ovplyvniť priebeh testovania aj kvalitu získaných dát. Cieľom tejto časti výskumu preto bolo zistiť, či je možné počet obrázkov znížiť bez výraznej straty presnosti detegovania príznakov neurodegeneratívnych ochorení.

Pri výbere najvhodnejších obrázkov boli použité viaceré nezávislé prístupy. Základnou myšlienkou bolo identifikovať také obrázky, pri ktorých reč participantov obsahovala najviac informatívnych charakteristík dôležitých pre rozlišovanie medzi zdravými osobami a osobami s kognitívnym postihnutím.

Jeden z prístupov bol založený na rozsiahlej analýze automaticky extrahovaných príznakov reči a jazyka. Z každého obrázka bolo možné získať veľké množstvo charakteristík opisujúcich napríklad akustické vlastnosti hlasu, plynulosť reči, jazykové vzory alebo schopnosť správne pomenovať objekt. Pomocou štatistických metód a modelov strojového učenia boli následne identifikované tie príznaky, ktoré najlepšie odlišovali jednotlivé skupiny participantov. Obrázky, ktoré opakovane produkovali veľké množstvo významných príznakov, boli považované za informatívnejšie.

Ďalší prístup vychádzal z jednoduchšej manuálnej analýzy založenej na praktických ukazovateľoch, ako bola úspešnosť správneho pomenovania obrázka alebo reakčný čas participantov. Pri jednotlivých obrázkoch boli porovnávané priemerné hodnoty medzi zdravou a klinickou skupinou, pričom väčšie rozdiely naznačovali vyšší potenciál obrázka zachytiť prejavy kognitívneho zhoršenia.

Traja hodnotitelia vytvorili vlastné rebríčky obrázkov, pričom každý vychádzal z odlišnej metodiky. Výber sa opieral o obrázky, ktoré sa opakovane objavovali vo viacerých rebríčkoch. Tento postup poskytol podklad pre zostavenie skrátenej sady; jeho reprodukovateľnosť a prínos treba doložiť pravidlami výberu a nezávislým hodnotením.

Z pôvodných 20 obrázkov predmetov a 20 obrázkov činností bola zostavená skrátená sada desiatich položiek v každej kategórii. Tabuľka 1 uvádza pôvodné položky a označuje vybrané položky podľa originálneho rukopisu. Zachovanie rozlišovacej schopnosti skrátenej úlohy je potrebné doložiť porovnaním jej výkonu s pôvodnou verziou.

Tabuľka 1 Pôvodné položky pomenovacej úlohy a výber do skrátenej sady

Č.	Predmet	Výber	Činnosť	Výber
1	cesta	Áno	váži	áno
2	most	Áno	šije	—
3	bubon	—	polieva	áno
4	traktor	—	natiera	—
5	akvárium	Áno	ťahá	—
6	lievik	—	horí	áno
7	domino	—	hádže	—
8	ponorka	Áno	maľuje	—
9	kráľ	Áno	vŕta	—
10	cigarety	—	hrabe	—
11	budík	—	veslujú	áno
12	teplomer	—	spieva	—
13	električka	Áno	kúpe sa	—
14	hríby	—	meria	áno
15	kotva	Áno	klope	—
16	kozmonaut	Áno	skáče	áno
17	autobus	—	lyžuje	áno
18	koleso	—	fotografuje	áno
19	žaluď	Áno	bicykluje	áno
20	kaktus	Áno	žehli	áno

Poznámka: „áno“ označuje pôvodné zelené zvýraznenie. Vybraných je 10 predmetov a 10 činností. Poradie a pravopis položiek sú zachované z originálu.

Menší počet obrázkov môže skrátiť administráciu úlohy a znížiť záťaž účastníkov. Tieto predpokladané výhody je vhodné overiť meraním času, dokončenia úloh a tolerancie testovania. Prenos do iného jazykového alebo kultúrneho prostredia vyžaduje samostatnú validáciu.

Jazykové ukazovatele kognitívneho zhoršenia

V rámci druhej výskumnej línie sme sa zamerali na opisovaciu úlohu, pri ktorej participanti slovne opisovali obsah predloženého obrázka (komplexnej vizuálnej scény zachytávajúcej viacero objektov, osôb a ich vzájomné interakcie). Získané prepisy reči boli analyzované s cieľom identifikovať jazykové charakteristiky, ktoré by mohli signalizovať prítomnosť kognitívneho zhoršenia. Pozornosť bola venovaná predovšetkým lexikálnej rôznorodosti a lexikálnej hustote.

Lexikálna rôznorodosť vyjadruje mieru variability slovnej zásoby v rečovom prejave. Jazykovo bohatší prejav obsahuje väčšie množstvo rôznych slov a menší počet opakovaní. Základným ukazovateľom je pomer TTR (Type-Token Ratio), ktorý vyjadruje podiel jedinečných slov voči všetkým slovám v texte. Keďže TTR je citlivý na dĺžku textu — kratšie prejavy prirodzene dosahujú vyššie hodnoty — boli v analýze použité aj jeho robustnejšie deriváty, napríklad RTTR, CTTR, UBER alebo Honorova metrika [, , ].

Autori opisujú rozdiely v lexikálnej rôznorodosti medzi kontrolnou skupinou a osobami s Alzheimerovou chorobou. Metriky UBER, HONORE_V1 a RTTR podľa predbežných analýz vykazovali rozdiely aj pri porovnaní skupín AD, MCI a kontrolnej skupiny. U osôb s kognitívnym postihnutím sa pozorovala nižšia lexikálna rôznorodosť. Bez údajov o veľkosti efektov, prekrývaní rozdelení a výkone na nezávislom súbore však nemožno určiť spoľahlivosť klasifikácie jednotlivca.

Rozdiely sa skúmali aj v zastúpení slovných druhov. Tabuľka 2 uvádza dve ilustratívne ukážky prepisov opisu obrázka s vianočnou tematikou. Pôvodné farebné označenia sú zachované: zámená žltou, príslovky zelenou a prídavné mená tyrkysovou. Dvojica ukážok ilustruje spôsob analýzy; sama osebe nepreukazuje rozdiel medzi populáciami.

Tabuľka 2 Vizualizácia výskytu zámen, prísloviek a prídavných mien v transkriptoch zdravej osoby a osoby s AD

Alzheimerova choroba

Zdravý

no tak táto pani telefonuje tento sa hrá s tými autíčkami kope do nich hore dole bez ohľadu na to jediný ktorý je kľudný to je psík ktorý spinká a ona ona niečo dôležité rozpráva lebo má také oči vyočené tak do telefónu no a ten sa hrá s tými autíčkami a nudí sa asi je to tak nie áno áno je to tak

tak na obrázku vidíme vianočnú atmosféru domácnosť pravdepodobne ešte nejde o priamo štedrý večer lebo manžel teda otec rodiny sa vracia zvonku ešte s nákupom čiže asi je to predvianočný čas kde ale vidíme nebezpečnú situáciu keďže mamička práve telefonuje a nedáva pozor čo robí jej dieťa za chrbtom ktoré sa snaží ktorého zaujali vianočné svetielka alebo tým pádom prevrhne stromček čiže môže byť problém vracajúcimi sa otec rodiny stúpi akurát na rozhádzané hračky čiže môže prísť k úrazu čiže vyzerá to že vianoce budú veselé môže im vyhorieť stromček manžel skončí pravdepodobne so zlomenou nohou ale psík je zatiaľ spokojný ten si drieme kľudným spánkom na koberci stromček je pekný vyzdobený svetielka má hviezdu na vrcholci tomuto všetkému za oknom je svedkom nejaký kamarát chlapca

Poznámka: Prepisy a farebné anotácie sú prevzaté bez jazykových opráv. Žltá – zámená; zelená – príslovky; tyrkysová – prídavné mená podľa pôvodnej anotácie autorov. Ide o ilustratívne ukážky.

Akustické charakteristiky reči ako potenciálne biomarkery

V rámci tretej výskumnej línie sme sa zamerali na akustické vlastnosti rečového prejavu. Pri neurodegeneratívnych ochoreniach sa totiž nemení len obsah hovoreného prejavu, ale aj samotný spôsob produkcie reči — zmeny sa môžu prejavovať v tempe hovorenia, plynulosti prejavu, artikulácii, intonácii alebo kvalite hlasu.

Na zachytenie rôznych aspektov rečového prejavu sme využili viaceré už existujúce nástroje, ktoré dokážu zo zvukového záznamu automaticky vytvoriť číselné charakteristiky reči. Tieto nástroje opisujú napríklad to, ako rýchlo človek hovorí, aké robí prestávky, ako plynulo rozpráva alebo aká je kvalita jeho hlasu [, ].

Výsledky naznačili, že rozdiely medzi skupinami sa prejavujú najmä v plynulosti prejavu – napríklad v dĺžke a počte prestávok, tempe reči či miere váhania a opakovania slov.

Záver

Analýza rečového prejavu predstavuje perspektívny smer vývoja skríningových nástrojov. Opísané predbežné rozdiely sa týkajú lexikálnej rôznorodosti, zastúpenia slovných druhov a akustických charakteristík. Ich význam pre klinickú prax závisí od reprodukovateľnosti a od overenia na nezávislých súboroch.

Ďalšie hodnotenie by malo zohľadniť vek, vzdelanie, jazyk, poruchy sluchu, náladu a ďalšie okolnosti ovplyvňujúce reč. Navrhovaný skríning môže po validácii dopĺňať klinické vyšetrenie; samotný rečový prejav neurčuje etiológiu kognitívnych ťažkostí.

Literatúra

[1] Selkoe DJ, Lansbury PJ. Alzheimer’s disease is the most common neurodegenerative disorder. In: Basic Neurochemistry: Molecular, Cellular and Medical Aspects. 6th ed.; 1999.
[2] Safiri S, Ghaffari Jolfayi A, Fazlollahi A, Morsali S, Sarkesh A, Daei Sorkhabi A, et al. Alzheimer’s disease: a comprehensive review of epidemiology, risk factors, symptoms diagnosis, management, caregiving, advanced treatments and associated challenges. Frontiers in Medicine. 2024;11:1474043.
[3] Gerstenecker A, Mast B. Mild cognitive impairment: a history and the state of current diagnostic criteria. International Psychogeriatrics. 2015;27(2):199–211.
[4] Ding K, Chetty M, Noori Hoshyar A, Bhattacharya T, Klein B. Speech based detection of Alzheimer’s disease: a survey of AI techniques, datasets and challenges. Artificial Intelligence Review. 2024;57(12):325. https://doi.org/10.1007/s10462-024-10961-6
[5] de la Fuente Garcia S, Ritchie CW, Luz S. Artificial Intelligence, Speech, and Language Processing Approaches to Monitoring Alzheimer’s Disease: A Systematic Review. Journal of Alzheimer's Disease. 2020;78(4):1547-1574. https://doi.org/10.3233/jad-200888
[6] Fristed E, Skirrow C, Meszaros M, Lenain R, Meepegama U, Cappa S, et al. A remote speech‐based AI system to screen for early Alzheimer's disease via smartphones. Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring. 2022;14(1):e12366. https://doi.org/10.1002/dad2.12366
[7] Rusko M, Sabo R, Trnka M, Zimmermann A, Malaschitz R, Ružický E, et al. EWA-db, Slovak database of speech affected by neurodegenerative diseases. medRxiv [preprint]; 2023.
[8] Zozuk NČ. Lexical Diversity and Language Impairment. Journal of Linguistics/Jazykovedný casopis. 2023;74(1):301-309. https://doi.org/10.2478/jazcas-2023-0047
[9] Zozuk NC, Munkova D, Kelebercova L, Munk M. Relationship between language features extracted through NLP and clinically diagnosed Alzheimer's disease and mild cognitive impairment in Slovak. Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring. 2025;17(2):e70122. https://doi.org/10.1002/dad2.70122
[10] Kurdi MZ. Automatic diagnosis of Alzheimer’s disease using lexical features extracted from language samples. Journal of Medical Artificial Intelligence. 2024;7:13.
[11] Rohanian M, Hough J, Purver M. Alzheimer’s Dementia Recognition Using Acoustic, Lexical, Disfluency and Speech Pause Features Robust to Noisy Inputs. Interspeech 2021. 2021;:3820-3824. https://doi.org/10.21437/interspeech.2021-1633
[12] Gauder L, Pepino L, Ferrer L, Riera P. Alzheimer disease recognition using speech-based embeddings from pre-trained models. In: Proceedings of Interspeech 2021. 2021. p. 3795–3799.