Des chercheurs ont mis au point une application auto-administrée pour smartphone qui analyse la parole pour y déceler les signes révélateurs d’une démence précoce.

Des chercheurs ont mis au point une application auto-administrée pour smartphone qui permet de dépister les maladies neurodégénératives telles que la maladie d’Alzheimer et les troubles cognitifs légers en analysant les schémas d’élocution. Les troubles subtils de l’élocution étant un indicateur précoce de ces affections, il pourrait s’agir d’un moyen simple d’obtenir un diagnostic plus rapidement.

Malgré la prévalence mondiale de la maladie d’Alzheimer, on estime que 75 % des personnes atteintes n’ont pas été diagnostiquées. Les troubles du langage sont généralement l’un des premiers signes de la maladie d’Alzheimer. Très tôt, les personnes atteintes peuvent développer un bégaiement ou un halètement de la parole et avoir des difficultés à se souvenir des mots ou à trouver le mot juste pour exprimer ce qu’elles essaient de dire.

L’utilisation de la technologie pour capter les changements souvent subtils dans la voix d’une personne est un moyen d’aider les médecins à diagnostiquer rapidement la MA (Maladie d’Alzheimer) et les déficiences cognitives légères (DCL). Plus le diagnostic est précoce, plus les chances de ralentir la progression de la maladie sont grandes. Cependant, il peut être difficile de reconnaître les schémas vocaux des personnes âgées.

Des chercheurs de l’université de Tsukuba, au Japon, et d’IBM Research ont mis au point un prototype d’application smartphone auto-administrée permettant d’analyser avec précision le discours d’une personne afin d’y déceler les signes précurseurs de la maladie d’Alzheimer et du trouble cognitif léger.

Les chercheurs ont recueilli les données vocales de 114 participants : 25 diagnostiqués avec la MA, 46 avec la DCL et 43 participants cognitivement sains. L’âge des participants était compris entre 72 et 75 ans. Les participants étaient assis dans une pièce calme et répondaient à des questions préenregistrées ; leurs réponses étaient enregistrées sur un iPad.

Les participants ont effectué cinq tâches vocales : comptage à rebours, soustraction, tâches relatives à la fluidité verbale et description d’images. Leurs réponses ont été transcrites à l’aide du service de reconnaissance vocale automatique IBM Watson Speech-to-Text. Les enregistrements ont été analysés pour déterminer la gigue (variations à court terme de la hauteur), le chatoiement (variations à court terme de l’intensité sonore), le débit de parole, l’intonation et les pauses. L’apprentissage automatique a été utilisé pour classer les trois groupes – MA, DCL et contrôle – en fonction des caractéristiques vocales, les chercheurs ayant introduit 92 caractéristiques vocales extraites de chaque tâche.

Les chercheurs ont constaté des différences statistiquement significatives entre les modèles d’élocution des participants du groupe témoin et ceux des participants atteints de la MA ou de la DCL. En outre, le modèle d’apprentissage automatique a détecté la MA et la DCL avec une précision de 91 % et 88 %, respectivement.

À leur connaissance, il s’agit de la première étude montrant la faisabilité de l’utilisation d’un outil automatique auto-administré pour détecter la MA et la DCL en utilisant la parole comme marqueur. Ils proposent d’autres études pour vérifier si les variations de la parole détectées par leur application coïncident avec les changements pathologiques observés dans ces pathologies, tels que les niveaux de tau et de bêta-amyloïde.

Les chercheurs reconnaissent que leur étude présente certaines limites. Les données vocales ont été recueillies en laboratoire, ce qui peut avoir influencé la façon dont les participants ont répondu aux questions. Deuxièmement, la taille de l’échantillon était réduite, ce qui affecte la généralisation des résultats de l’étude.

Néanmoins, leur recherche démontre le potentiel de l’utilisation de l’analyse de la parole par le biais d’une application smartphone auto-administrée pour le dépistage de ces maladies débilitantes.

https://www.sciencedirect.com/science/article/abs/pii/S0885230823000335

https://www.tsukuba.ac.jp/en/research-news/20230403140000.html