卡塔尔世界杯8强波胆分析

摘要

背景:

语音筛查和诊断是在语音障碍调查中使用的过程。两者都有有限的标准化测试，这受到临床医生的经验和主观判断的影响。机器学习(ML)算法被引入并作为一种客观工具用于筛选/诊断患者的声音。ML算法在评估和诊断语音障碍方面的有效性已被许多研究所调查。

摘要目的:

本系统综述旨在评估ML算法在筛查和诊断语音障碍方面的有效性。

方法:

对五个数据库进行了电子检索。我们纳入了检测任何ML算法在检测异常语音样本时的性能(准确性、灵敏度和特异性)的研究。两名审稿人独立选择研究，从纳入的研究中提取数据，并评估纳入研究的偏倚风险。使用QUADAS-2工具评估每项研究的方法学质量。提取研究特征、总体和指数检验。对ML技术的池化准确性、敏感性和特异性进行了meta分析。通过排除一些研究并讨论异质性的可能来源来解决异质性的来源。

结果:

在检索到的1409份记录中，本综述纳入了13项研究(参与者:4079人)。在纳入的研究中使用了13种机器学习技术，但最常用的技术是SVM。ML技术筛查语音障碍的汇总准确性、敏感性和特异性分别为93%、96%和93%。LS-SVM的准确率最高(99%)，K-NN的敏感性和特异性最高(98%)。二次判别分析(QDA)的准确率(91%)、灵敏度(89%)和特异性(89%)最低。

结论:

ML在筛查语音障碍方面显示出有希望的结果。然而，由于使用ML进行诊断的研究数量有限，因此，该研究结果在诊断语音障碍方面不能具有结论性，因此需要进行更多的调查。因此，使用ML来替代当前的诊断工具可能是不可能的。相反，它可以作为临床医生评估患者的决策支持工具，这可以改善语音障碍评估的管理过程。