Automated text-level semantic markers of Alzheimer’s disease
Sanz, C., Carrillo, F., Slachevsky, A., Forno, G., Gorno Tempini, M. L., Villagra, R., Ibáñez, A., Tagliazucchi, E. & García, A. M. (2022). Automated text-level semantic markers of Alzheimer’s disease. Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring 14(1), e12276.
En este trabajo empleamos nuevas métricas de análisis automatizado de discurso espontáneo para detectar marcadores semánticos específicos de la enfermedad de Alzheimer (EA). Nos focalizamos en análisis de granularidad semántica (el nivel de especificidad de los conceptos verbales) y en la variabilidad semántica continua (la cercanía conceptual entre palabras sucesivas). En comparación con las personas sanas, los individuos con EA mostraron un mayor uso de conceptos inespecíficos, un uso reducido conceptos específicos y una mayor cantidad de elecciones conceptuales discontinuas (o sea, menor cercanía conceptual). Por el contrario, estas métricas no arrojaron diferencias sistemáticas entre las personas sanas y los individuos con enfermedad de Parkinson. Asimismo, mediante algoritmos de aprendizaje automático, demostramos que estos rasgos permiten discriminar con robustez entre individuos con y sin EA, lo cual no sucede en el caso de pacientes con EP. El trabajo sostenido en esta dirección abrirá nuevas vías para complementar las pruebas diagnósticas convencionales.
Para acceder al artículo, hacé click here.
Automated text-level semantic markers of Alzheimer’s disease
Sanz, C., Carrillo, F., Slachevsky, A., Forno, G., Gorno Tempini, M. L., Villagra, R., Ibáñez, A., Tagliazucchi, E. & García, A. M. (2022). Automated text-level semantic markers of Alzheimer’s disease. Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring 14(1), e12276.
Introduction
Automated speech analysis has emerged as a scalable, cost-effective tool to identify persons with Alzheimer’s disease dementia (ADD). Yet, most research is undermined by low interpretability and specificity.
Methods
Combining statistical and machine learning analyses of natural speech data, we aimed to discriminate ADD patients from healthy controls (HCs) based on automated measures of domains typically affected in ADD: semantic granularity (coarseness of concepts) and ongoing semantic variability (conceptual closeness of successive words). To test for specificity, we replicated the analyses on Parkinson’s disease (PD) patients.
Results
Relative to controls, ADD (but not PD) patients exhibited significant differences in both measures. Also, these features robustly discriminated between ADD patients and HC, while yielding near-chance classification between PD patients and HCs.
Discussion
Automated discourse-level semantic analyses can reveal objective, interpretable, and specific markers of ADD, bridging well-established neuropsychological targets with digital assessment tools.
To access the full paper, please click here.
