Digital profiling of dysarthria in late- and early-onset Parkinson’s disease
Escobar-Grisales, D., Rozenfeld Olchik, M., Vergara, T., Brzoskowski dos Santos, V., Lara Bressanelli, A., Mata, I., Orozco-Arroyave, J. R. & García, A. M. (2026). Digital profiling of dysarthria in late- and early-onset Parkinson’s disease. Journal of Parkinson’s Disease.
Antecedentes: El análisis digital del habla proporciona marcadores confiables de la enfermedad de Parkinson (EP). Sin embargo, la mayoría de los estudios se centran en la EP de inicio tardío (LOPD) y dejan de lado la EP de inicio temprano (EOPD), un subtipo cada vez más frecuente. Este estudio de prueba de concepto aborda esa brecha
Métodos: Utilizamos el aprendizaje automático para distinguir a las personas con EP de inicio temprano (con inicio de síntomas antes de los 50 años) y EP de inicio tardío (con inicio de síntomas después de los 50 años) de los controles sanos (CS) a través de características prosódicas y articulatorias del habla natural.
Resultados: La máxima capacidad de clasificación entre pacientes y HC se logró mediante la combinación de características prosódicas y articulatorias en la LOPD (AUC = 0,90) y mediante las características articulatorias por sí solas en la EOPD (AUC = 0,79), mientras que la discriminación entre los grupos de pacientes se situó en el nivel de azar (AUC = 0,55). Las puntuaciones de gravedad motora (MDS-UPDRS-III) predichas por estas características se correlacionaron con las puntuaciones reales de gravedad motora tanto en la LOPD (r = 0,52, p < 0,001) como en la EOPD (r = 0,27, p < 0,001).
Conclusiones: Los marcadores del habla digital ofrecen indicadores de la enfermedad de Parkinson independientemente de la edad de inicio.
Para acceder al artículo, hacé click aquí.
Digital profiling of dysarthria in late- and early-onset Parkinson’s disease
Escobar-Grisales, D., Rozenfeld Olchik, M., Vergara, T., Brzoskowski dos Santos, V., Lara Bressanelli, A., Mata, I., Orozco-Arroyave, J. R. & García, A. M. (2026). Digital profiling of dysarthria in late- and early-onset Parkinson’s disease. Journal of Parkinson’s Disease.
Background: Digital speech analysis affords robust markers of Parkinson’s disease (PD). However, most studies target late-onset PD (LOPD), neglecting early-onset PD (EOPD) –an increasingly prevalent subtype. This proof-of-concept study tackles such gap
Methods: We used machine learning to discriminate persons with EOPD (with symptom onset before age 50) and LOPD (with symptom onset after age 50) from healthy controls (HCs) through prosodic and articulatory features from natural speech.
Results: Maximal classification between patients and HCs was afforded by combined prosodic and articulation features in LOPD (AUC = 0.90) and by articulation alone in EOPD (AUC = 0.79), with chance-level discrimination between patient groups (AUC = 0.55). Motor severity (MDS-UPDRS-III) scores predicted by these features correlated with actual motor severity scores in both LOPD (r = 0.52, p < 0.001) and EOPD (r = 0.27, p < 0.001).
Conclusions: Digital speech markers offer markers of PD irrespective of age of onset.
To access the full paper, please click here.
