Wenn die Augen die Fenster der Seele sind , sind Worte vielleicht die Fenster des Geistes. Wir können den Gemütszustand einer Person leicht aus den Adjektiven ableiten, die sie verwenden, ihr Alter aus ihrer Syntax, ihren Bildungsstand aus ihrem Wortschatz ... Allerdings ist es nicht einfach, sprachliche Hinweise auf ihre möglichen Veränderungen zu finden. zerebral.
Woher wissen Sie durch spontane Sprache, ob die Person an der Alzheimer-Krankheit (AD) leidet? Bestimmte Anzeichen mögen für hochqualifizierte Fachkräfte offensichtlich sein, aber diese Personen sind eine winzige Gruppe im Vergleich zur Population der Menschen mit AD, die derzeit über 43 Millionen beträgt und weiter wächst. Diese Situation ist gelinde gesagt bedauerlich, da linguistische Bewertungen im Gegensatz zu anderen Ansätzen eine kostengünstige und nicht-invasive Methode darstellen, um zur klinischen Diagnose beizutragen.
„Was wäre, wenn wir Werkzeuge entwickeln könnten, um solche Hinweise objektiv und automatisch zu erkennen?“ fragt Adolfo García, Direktor des Zentrums für kognitive Neurowissenschaften an der Universität San Andrés, Forscher bei CONICET, Senior Atlantic Fellow am Global Brain Health Institute. (University of California, San Francisco) und PIIECC-Forscher an der Fakultät für Geisteswissenschaften der Universität Santiago de Chile.
Dieser Herausforderung stellten sich Garcia und sein Team in einem Artikel, der in Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring , einer Zeitschrift der Alzheimer’s Association (10.1002/dad2.12276), veröffentlicht wurde. Die Forscher bildeten eine Gruppe von 21 Menschen mit AD sowie zwei Kontrollgruppen, bestehend aus 16 gesunden Personen und 18 Patienten mit Parkinson-Krankheit (PD). Alle Teilnehmer sprachen Spanisch, stammten aus Chile und wurden von multidisziplinären professionellen Teams diagnostiziert. Mit einer Originalbatterie wurden sie aufgezeichnet, während sie alltägliche verbale Aufgaben erledigten, wie zum Beispiel ihre Routine beschreiben, eine schöne Erinnerung erzählen, eine Zeichnung beschreiben und ein Video erzählen.
Die Rede der Teilnehmer wurde automatisch transkribiert und digitale Tools wurden verwendet, um Aspekte zu untersuchen, die bei AD typischerweise beeinträchtigt sind. Zunächst konzentrierten sich die Forscher auf die semantische Granularität, also den Grad der Spezifität verbaler Konzepte. „Wenn Sie beispielsweise das Bild eines Haustieres mit großem Kopf, flacher Schnauze und herabhängendem Kinn benennen, können Sie ein sehr spezifisches Substantiv wie Bulldogge oder immer vagere Substantive wie Hund oder Tier verwenden “, erklärt García.
Darüber hinaus untersuchten sie die kontinuierliche semantische Variabilität, also die konzeptionelle Nähe zwischen aufeinanderfolgenden Wörtern. „Zum Beispiel weisen die Wörter in der Aussage „ Die Köchin war in der Küche und nahm ein Messer“ eine größere konzeptionelle Nähe auf als in ihrem Gegenstück „ From her Someone was in a place and take a… What was war das?“ Nun, etwas “, fügt Facundo Carrillo hinzu, Co-Autor und Forscher am Labor für Angewandte Künstliche Intelligenz am Computer Science Research Institute, CONICET und der Universität von Buenos Aires. „Soweit wir wissen, ist dies das erste Mal, dass diese Phänomene automatisch in AD erfasst werden“, fügt García hinzu.
„Diese Entdeckung ist Teil unserer Bemühungen, frühe sprachliche Marker für verschiedene Gehirnerkrankungen zu etablieren.“
Im Vergleich zu gesunden Menschen zeigten Personen mit AD signifikante Unterschiede in beiden Messungen. Insbesondere beinhaltete ihre Rede eine stärkere Verwendung unspezifischer Konzepte, eine geringere Verwendung spezifischer Konzepte und eine größere Anzahl diskontinuierlicher konzeptioneller Entscheidungen (dh eine geringere konzeptionelle Nähe).
Im Gegensatz dazu ergaben diese Kennzahlen keine systematischen Unterschiede zwischen gesunden Menschen und Personen mit Parkinson. „Ebenso zeigen wir mithilfe von Algorithmen für maschinelles Lernen, dass diese Merkmale es uns ermöglichen, zuverlässig zwischen Personen mit und ohne AD zu unterscheiden, was bei Patienten mit Parkinson-Krankheit nicht der Fall ist“, sagt Enzo Tagliazucchi, Co-Autor und Forscher am Latin Amerikanisches Institut für Gehirngesundheit. , der Universität von Buenos Aires und CONICET.
Diese Studie legt nahe, dass bestimmte gut etablierte Aspekte der Alzheimer-Krankheit, die bisher nur ausgewählten Spezialisten bekannt waren, mit automatisierten Werkzeugen erfasst werden können, die keine spezielle medizinische Ausbildung erfordern. „Naturalistische verbale Aufgaben beinhalten einen minimalinvasiven Faktor und erfordern nicht unbedingt, dass ein Fachmann sie durchführt.
Diese Aufgaben, kombiniert mit Sprachverarbeitungsalgorithmen, ermöglichen es uns, automatisch und objektiv ein Profil jedes Patienten zu erstellen“, sagt Camila Sanz, CONICET-Doktorandin und Erstautorin der Arbeit. Nicht weniger wichtig ist das Fehlen dieser Ergebnisse in der PD-Gruppe. Tatsächlich sind auch andere sprachliche Aspekte, die bei AD systematischer untersucht werden, wie beispielsweise die Sprachkompetenz, bei dieser anderen Erkrankung häufig betroffen, was ihre Verwendung zur Unterscheidung zwischen beiden Krankheiten einschränkt.
„Diese Entdeckung ist Teil unserer Bemühungen, frühe linguistische Marker für verschiedene Gehirnerkrankungen zu etablieren“, erklärt García und fügt hinzu: „Wir sind zuversichtlich, dass die nachhaltige Arbeit in diese Richtung neue Wege eröffnen wird, um herkömmliche diagnostische Tests zu stärken und gleichzeitig Einschränkungen zu überwinden.“ typischer Beurteilungen, abhängig von Spezialisten.“ In diesem Sinne könnten die Sprache im Allgemeinen und ihre interdisziplinäre Untersuchung im Besonderen der Schlüssel zur Optimierung aktueller Diagnoseansätze im Hinblick auf die Gehirngesundheit sein.
Referenz
Sanz, C., Carrillo, F., Slachevsky, A., Forno, G., Gorno Tempini, ML, Villagra, R., Ibáñez, A., Tagliazucchi, E. & García, AM (2022). Automatisierte semantische Marker auf Textebene für die Alzheimer-Krankheit. Alzheimer und Demenz: Diagnose, Beurteilung und Krankheitsüberwachung , e12276. doi:10.1002/dad2.12276
