Marcadores de habla natural en cuadros neurodegenerativos: un enfoque interdisciplinario para discriminar enfermedades y evaluar síntomas
Proyecto FONDECYT Regular | Agencia Nacional de Investigación y Desarrollo, Chile
PI: Adolfo M. García
CoInvs: Edinson Muñoz, Andrea Slachevsky, Agustín Ibáñez, Loreto Olavarría
Para el año 2030, más del 20 % de los pobladores chilenos habrá superado los 60 años de edad. Este escenario conlleva un aumento dramático de las enfermedades neurodegenerativas (EN) asociadas al envejecimiento, principalmente la enfermedad de Alzheimer (EA), la enfermedad de Parkinson (EP) y la variable conductual de la demencia frontotemporal (vcDFT). Los procedimientos de diagnóstico, pronóstico y monitoreo habituales se basan en pruebas clínicas/cognitivas/lingüísticas (CCL) y técnicas neurocientíficas, principalmente imágenes por resonancia magnética nuclear (RMN) y, de manera más incipiente, RMN funcionales (RMNf) y encefalogramas (EEG). Aunque estos métodos son hoy insustituibles, resultan ser estresantes y fatigosos, además de estar ligados a los prejuicios de los profesionales clínicos, ser poco representativos del comportamiento cotidiano, inasequibles, inviables e imposibles de aplicar a distancia (requisito clave durante emergencias sanitarias). Es por esto que, en línea con las pautas internacionales, las prácticas clínicas estándar deben ser complementadas con innovaciones que potencien la discriminación de enfermedades y la evaluación de síntomas. Esta necesidad es tanto más imperativa cuanto que las EN incapacitan a los pacientes, suponen una carga para sus familiares y generan gastos importantes al sistema de salud chileno. Este desafío puede enfrentarse mediante el empleo de marcadores de habla natural (MHN), a saber, rasgos acústicos y textuales derivados de monólogos breves y analizados por medio de herramientas de aprendizaje automatizado (AA). Fundamentalmente, el modelo MHN se caracteriza por implicar un grado mínimo de estrés y fatiga, además de ofrecer resultados objetivos y consistentes, alta validez ecológica, gastos ínfimos, escalabilidad masiva y adaptabilidad directa para la implementación remota. No obstante, a pesar de sus incipientes aplicaciones en el campo de la salud mental, los MHN nunca se han utilizado para discriminar pacientes y hacer un seguimiento de la severidad de los síntomas en grupos que integren pacientes con EA, EP y vcDFT. Más aún, ningún estudio ha examinado sus correlatos neuronales putativos en estas EN ni ha establecido su robustez con respecto a las técnicas de neuroimagen y CCL. Esto abre un camino fértil para realizar investigación vanguardista en el cruce entre la ciencia del lenguaje, la ciencia del cerebro (incluyendo la neurología, la neuropsicología y la neurociencia) y el campo del AA.
Con base en una sinergia única de experiencia interdisciplinaria, realizaremos la primera validación transmetodológica de los MHN en la EA, la EP y la vcDFT. Específicamente, buscamos establecer (a) su sensibilidad nosológica (al identificar los MHN que mejor permiten discriminar entre las EN y evaluar la severidad de los síntomas), (b) sus correlatos neuronales (al detectar sus correlatos putativos en RMN, RMNf y EEG) y (c) su robustez relativa (al medir la precisión en la clasificación y la importancia de características de los MHN con respecto a las técnicas de neuroimagen y CCL). Estimamos que los MHN revelarán patrones específicos para cada enfermedad, sensibles a los síntomas y neuronalmente disociables en las EN, lo que coincidirá con los resultados arrojados por las pruebas CCL y los datos de neuroimagen.
Natural speech markers of neurodegeneration: An interdisciplinary approach for disease discrimination and symptom tracking
Proyecto FONDECYT Regular | Agencia Nacional de Investigación y Desarrollo, Chile
PI: Adolfo M. García
CoInvs: Edinson Muñoz, Andrea Slachevsky, Agustín Ibáñez, Loreto Olavarría
By 2030, over 20% of Chilean residents will surpass the age of 60. This scenario entails a dramatic growth of aging-related neurodegenerative diseases (NDs), mainly including Alzheimer’s disease (AD), Parkinson’s disease (PD), and behavioral variant frontotemporal dementia (bvFTD). Mainstream diagnostic, prognostic, and monitoring procedures rely on standardized clinical/cognitive/linguistic (CCL) tests and brain scans –via magnetic resonance imaging (MRI) and, less commonly, functional MRI (fMRI) and electroencephalography (EEG). Though currently irreplaceable, these approaches prove stressful, fatiguing, bound to clinician bias, and unrepresentative of everyday behavior. Also, they are often unaffordable, unfeasible, and non-viable for remote application (a key requisite during sanitary emergencies). Thus, in line with global calls, these procedures must be supported with innovations that boost disease discrimination and symptom tracking. Such imperative is all the more pressing given that NDs incapacitate patients, burden their relatives, and place major costs on the Chilean health system. Promisingly, a thriving interdisciplinary framework can offer critical contributions rooted in natural speech markers (NSMs) –i.e., acoustic and textual features derived from brief monologues and analyzed via machine learning (ML) tools. Crucially, the NSM framework is typified by minimal stress and fatigue, objective and consistent outcomes, high ecological validity, negligible costs, massive scalability, and direct adaptability for remote implementation. Yet, despite incipient applications in the field of mental health, NSMs have never been used to discriminate patients and track symptom severity across AD, PD, and bvFTD samples. Moreover, no study has examined their putative neural correlates in these NDs or established their robustness vis-à-vis CCL and neuroimaging tools. A fertile path is thus opened for conducting cutting-edge research at the crossing of language science, brain science (including neurology, neuropsychology, and neuroscience), and the ML arena.
Building on a unique synergy of interdisciplinary expertise, we will perform the first cross-methodological validation of NSMs across AD, PD, and bvFTD. Specifically, we seek to establish their (a) nosological sensitivity (by identifying the optimal NSMs to discriminate among NDs and track symptom severity), (b) neural correlates (by detecting their putative MRI, fMRI, and EEG signatures), and (c) relative robustness (by gauging the classification accuracy and feature importance of NSMs vis-à-vis CCL and neuroimaging results). We hypothesize that NSMs will reveal disease-specific, symptom-sensitive, and neurally dissociable patterns across NDs, matching the results yielded by CCL and neuroimaging tools.
