编者按：肺水肿是心力衰竭（HF）相关住院治疗的主要原，临床实践中建议进行频繁监测，而语音和声音分析技术此前已被证明可成功识别那些会影响声带振动力学的临床状况。JACC：Heart Failure近期发表了一篇临床研究，分析了急性失代偿性心力衰竭（ADHF）住院患者的自动语音结果，发现自动语音分析技术可以识别并反映患者心力衰竭状态的语音变化，并有望通过对即将发生的恶化情况发出警报，从而降低ADHF患者的住院率。这项研究究竟有何意义，让我们来一探究竟！
研究背景
众所周之，心力衰竭是一种渐进性疾病，全世界有2600万心衰患者。大多数心衰患者就诊时出现体液潴留，表现为肺水肿引起的呼吸困难加重。由于肺淤血不仅是导致心衰住院的主要原因，而且是出院后不良结局的主要预测因素，因此建议经常监测肺淤血。然而，在其早期阶段，对于患者和临床医生来说，心衰失代偿的临床检测通常很困难。
2014年，美国食品和药物管理局（FDA）批准了第一个用于心衰患者的无线、植入式血流动力学监测系统——CardioMEMS，认为该系统的效果和安全性具有合理保证，能够用于目标心衰患者的管理并减少心衰相关的住院率。CardioMEMS（Champion HF Monitoring System ，Champion心衰监测系统，图1）可测量患者的平均肺动脉压和心率，被批准用于过去1年内有心衰住院史的NYHA 3级患者，显著改善心衰管理，减少了患者再入院率并提高了生活质量。但由于其侵入性，这种方法用于最近有心衰住院史的更晚期心衰患者。因此，在早期阶段检测肺淤血恶化的简单无创方法，在心衰患者的管理中十分具有吸引力。
图1.CardioMEMS HF系统进入动脉监测压力数据
说话、语音和声音分析的最新进展使得识别具有临床意义的语音特征成为可能。目前已经设计了多种语音处理算法来使用这些特征来筛查抑郁症、肺炎、哮喘、冠状动脉疾病等。在肺充血的情况下，预计液体超负荷可以通过明显改变的发声模式来检测。语音和声音分析技术已被证明可成功识别那些会影响声带振动力学的临床状况，基于此，研究团队评估了自动语音分析技术在检测ADHF患者液体超负荷方面的性能，旨在帮助ADHF患者及早发现液体超负荷。
研究方法
研究共纳入40例患有ADHF的成年患者，从每位患者处获得约40个录音（入院时约20个，出院时约20个），使用专有语音处理和分析程序HearO（该应用程序安装在iPhone 6 Plus上）进行记录。录音过程中，患者需重复5个句子3~4次，并用母语（希伯来语、阿拉伯语或俄语）朗读。随后，研究团队对5种不同语音测量（SM）的录音进行分析，每一种都有不同的时间、频率分辨率和线性与感知模型，并计算出院记录从各自的基线记录的平均变化（图2）。
图2.心力衰竭的语音分析
语音分析
语音分析方案基于文本相关说话人验证的范式。HearO系统背后的前提是与心衰失代偿相关的细微生理变化会影响患者的语言，并使他们成为“不同的人”（声纹）。这些变化比不同说话人之间的变化要微妙得多，但仍然可以使用专有语音处理和分析程序来检测。在这个研究中，每个句子的参考集由同一患者在入院时录制的单个句子组成。测试录音是同一患者在出院时对同一句子的录音。
研究结果
研究共分析了1484条有效录音，94%的出院记录与其各自的基线记录明显不同；40名患者中有35名（87.5%），所有5个测试SM都显示出了显著变化，有3名患者实现了部分检测（5个SM中的4个），有2名患者没有一个测试的SM与基线相比有任何显著变化。在记录的5个SM中，SM1与基线相比变化了91%（中位数68%) ，其次是SM2变化了165% (108%)、SM3变化了218%（158%）、SM4变化了200%（143%）和SM5变化了49% (34%)，SM3与基线相比变化最大。在补充测试中，来自9名患者的72个未标记的入院和出院记录（每名患者8个记录）也均成功通过聚类算法以盲法成功进行分析。
表1.语音模型变量的变化图片
结 论
本研究强调了自动语音分析可作为一种潜在的临床工具，但还需要进一步的研究来确定其在医院和门诊中的潜在价值。由于目前的分析比较了相对极端条件下的记录（即入院与出院），因此仍需要在更微妙的不同临床状态下确认其表现。同样，特定定义的心衰亚组和其他临床疾病的SM配置文件的适用性仍有待确定。
述评：扩大声音生物标志物在临床的潜力
如今，电子设备及相关技术应用广泛，将诊疗与日常电子设备相结合可以更好地让患者进行自我护理。因此，希望通过这一应用程序，可以有效帮助患者评估自身情况，以便及时发现体征和症状的恶化，及时进行调整，尽可能避免住院情况的发生。
在临床实践中，个体在每次发展为ADHF时常常表现出相似的症状。随着时间的推移，患者可以了解与ADHF相关的语音变化，这可以提高警报的准确性和提前通知的时间。例如，不像HearO应用程序那样仅在入院或出院时依靠语音测量，语音测量可以变得更细化和多样化；短语长度和实际内容可以通过评估不同的症状类型来补充声带振动。然而，尽管对单个信号（如声带振动）的评估可能像临床评估一样简单，但大量相关信号可能会使现存的临床工作流程复杂化。
自动语音分析是心衰患者评估工具的重要进步之一，可以将来自应用程序的信息与其他临床因素相结合，以便患者进行自我评估。但如何让患者持续使用该技术，及如何保证患者隐私不受侵害仍存在一定挑战。
人工智能受到偏见，算法依赖于开发人员在建模和数据方面做出选择，这两者都允许引入偏见并加强系统性偏见。而且软件的开发，尤其是在安全环境中，应仔细考虑公平性、操作容差和对弱势群体的不利影响。有些偏见可能会影响声音生物标志物的检测。另外，除疗效标准要求外，任何的患者监测技术都应确保人口均等、机会均等、治疗平等。HearO应用程序也强调，对新智能手机（如iPhone或Android）的访问受限可能会影响未来的护理质量，因为录音质量可以根据社会经济情况进行分层。随着越来越多的医学领域使用这些设备收集数据，应该仔细考虑这种差异可能会对患者产生哪些不利影响。
小 结
经验丰富的临床医生可能会从患者的声音和语言中识别出恶化的心衰。该技术使用基于扬声器验证的算法自动量化这种区别，用于心衰临床状态的面对面和远程随访。
本研究发现自动语音分析技术可以识别并反映心衰状态的语音变化。该技术有望通过对即将发生的恶化情况发出警报，从而降低ADHF患者的住院率，为心衰患者的面对面和远程随访做出宝贵贡献。自动语音分析作为评估心衰患者临床充血的潜在临床工具，是实现客观、高度可访问、非侵入性和低成本肺充血监测工具的第一步，以识别干湿状态之间的差异。通过进一步的临床验证，这种心衰监测方法可能可以作为心衰管理设备的有力补充。
参考文献
[1]Offer Amir，et al.Remote Speech Analysis in the Evaluation of Hospitalized Patients With Acute Decompensated Heart Failure.J Am Coll Cardiol HF. Dec 08， 2021. DOI: 10.1016/j.jchf.2021.08.008
[2]Neal G. Ravindra，David P. Kao，et al.Extracting Vocal Biomarkers for Pulmonary Congestion With a Smartphone App.J Am Coll Cardiol HF. Dec 08， 2021. DOI: 10.1016/j.jchf.2021.10.007