К речевому цифровому биомаркеру когнитивных нарушений: речь как прокси для оценки когнитивных функций

Почему повседневная речь может раскрыть состояние мозга

Мы привыкли к разговорам с друзьями или к тому, чтобы описать картинку, не придавая этому значения. Но с возрастом тонкие изменения в выборе слов, построении предложений и паузах между фразами могут сигнализировать о том, насколько хорошо работает наш мозг. В этом исследовании ставится простой, но важный вопрос: может ли короткая запись обычной речи, сделанная дома на ноутбуке, служить ранним предупреждением о проблемах вроде деменции — без долгих визитов в клинику и бумажно‑карандашных тестов?

Слушать вместо длительного тестирования

Сегодня диагностика когнитивного спада обычно опирается на очное тестирование специалистами. Эти сеансы занимают много времени, дороги и их трудно повторять часто или в масштабах популяции. В то же время миллионы пожилых людей подвержены риску таких состояний, как болезнь Альцгеймера, где ранняя диагностика важна: медикаменты и изменения в образе жизни обычно эффективнее до появления выраженных симптомов. Речь представляет собой привлекательный альтернативный источник информации: её дешево записывать, её можно собирать дистанционно, и она естественным образом отражает многие умственные способности — от памяти до внимания и планирования. Исследователи проверяли, могут ли короткие образцы бытовой речи служить «цифровым биомаркером» когнитивного состояния.

Преобразование разговорной речи в измеримые сигналы

Команда набрала 1003 англоговорящих взрослых в возрасте 60 лет и старше из США и Великобритании. Участники проходили стандартные онлайн‑тесты мышления, которые оценивали четыре широкие области: язык, исполнительные функции (планирование и ментальная гибкость), память и скорость мышления. Они также выполняли три простых речевых задания дома: описание двух хорошо знакомых черно‑белых сцен, используемых в клиническом языковом тестировании, и рассказ о прошедшей неделе. С помощью программ автоматического распознавания речи учёные преобразовали аудио в текст и извлекли десятки измеримых характеристик как из звука, так и из слов — например, скорость речи, частоту пауз, разнообразие словарного запаса и частоту использования разных классов слов (существительных, глаголов, местоимений и т. п.).

Обучение компьютеров оценивать познавательные навыки

Имея эти речевые признаки, исследователи обучили модели машинного обучения предсказывать результаты когнитивных тестов каждого человека. Они сравнивали модели, которые использовали только базовые сведения (возраст, пол, образование и страна), с моделями, которые также учитывали речевые признаки. Добавление речи дало заметный эффект: для языковых способностей модель на основе речи объясняла примерно 27% различий между людьми, более чем в четыре раза превышая вклад одних только демографических данных. Модель также уловила существенную долю вариации в исполнительных функциях и скорости мышления, хотя для памяти вклад был значительно меньше. Детальный анализ показал, что богатое, специфичное использование слов и более плавная, беглая речь (более высокая скорость и меньше или короче пауз) обычно сопряжены с более высокими показателями тестов.

Выявление тех, кто может сдавать позиции

Помимо оценки результатов по шкале, команда выяснила, может ли речь помогать отмечать людей, чьи показатели неожиданно низки для их возраста и уровня образования — тех, кто, возможно, подвержен большему риску развития деменции. Используя те же речевые признаки, они обучили отдельную модель отличать таких «слабо работающих когнитивно» от других. Особенно по языковым способностям модель показала хорошие показатели скрининга, то есть простая запись описания картинки могла бы помочь выделить подгруппу пожилых людей, которым требуется более тщательное клиническое наблюдение или которые могут быть подходящими кандидатами для участия в клинических испытаниях.

Проверка метода на реальных пациентах

Чтобы понять, отражают ли их модели клинически значимые различия, исследователи применили их без дообучения к независимому набору данных пациентов с болезнью Альцгеймера и здоровых сверстников, которые за несколько десятков лет ранее выполняли то же задание по описанию картинки. Несмотря на то, что записи были старее и шумнее, показатели, основанные на речи, оказались заметно ниже в группе с Альцгеймером по всем четырём когнитивным областям, особенно по языку и исполнительным функциям. Это говорит о том, что закономерности, извлечённые из большой группы в основном здоровых пожилых людей, остаются релевантными при применении к пациентам с диагностированной деменцией.

Что это может значить для повседневной помощи

Для неспециалистов ключевая мысль такова: короткие образцы обычной речи содержат удивительно много информации о том, насколько хорошо функционирует мозг пожилого человека, особенно в области языка и высших когнитивных процессов. Хотя этот метод не заменит полного клинического обследования — и сам по себе менее информативен для оценки памяти — он может стать дешёвым, ненавязчивым способом мониторинга изменений с течением времени, подтолкнуть к своевременным визитам к врачу и помочь исследователям подбирать подходящих участников для клинических испытаний. В будущем рутинный телефонный или видеозвонок мог бы незаметно анализировать нашу речь, давая ранний сигнал обратиться за помощью задолго до очевидного ухудшения.

Цитирование: Heitz, J., Engler, I.M. & Langer, N. Towards a speech-based digital biomarker for cognitive impairment: speech as a proxy for cognitive assessment. npj Digit. Med. 9, 179 (2026). https://doi.org/10.1038/s41746-026-02360-8

Ключевые слова: речевая скрининговая оценка когнитивных функций, цифровые биомаркеры, болезнь Альцгеймера, старение и деменция, машинное обучение в медицине