Глубокое обучение для акустического скрининга эпизодов проникновения и аспирации по коротким голосовым записям

Цель: оценить возможность использования смартфонного инструмента искусственного интеллекта на основе глубокого обучения для выявления нарушения проходимости дыхательных путей после глотания по краткому акустическому анализу голосовых записей, полученных до и после глотания. Методы: в многоцентровом проспективном исследовании у пациентов, направленных на видеофлюороскопическое исследование глотания (VFSS), использовали простую 1,5-секундную запись протяжного произнесения звука «а~» на смартфон. Случаи классифицировали по шкале проникновения-аспирации (Penetration-Aspiration Scale, PAS): PAS 1 считали нормой, PAS 2–8 — патологией (эпизоды проникновения и аспирации). Модель обнаружения аномалий на основе автоэнкодера обучали на нормальных данных (PAS 1) и валидировали по чувствительности, специфичности, точности и площади под ROC-кривой (AUC). Результаты: среди 208 участников модель ИИ показала в валидационной выборке чувствительность 90,9%, специфичность 87,5%, точность 90,4% и AUC 0,98. В независимой тестовой выборке чувствительность составила 91,9%, специфичность 50,0%, точность 85,2% и AUC 0,76. Выводы: краткая 1,5-секундная голосовая запись, проанализированная моделью ИИ глубокого обучения, продемонстрировала обнадеживающие внутренние результаты для скрининга нарушения проходимости дыхательных путей после глотания. Этот подход может служить практичным и доступным дополнением для выявления пациентов, которым требуется дальнейшее инструментальное обследование.