- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT07200739
- Ursprunglig rättegång
Talbaserad konstgjord intelligens för upptäckt av demens hos danska patienter (DetectAI)
Utveckling och validering av icke-invasivt danska språk- och talbiomarkörer för klassificering av neurodegenerativ sjukdom med hjälp av automatiskt taligenkänning med artificiell intelligens (detectai)
Målet med denna observationsstudie är att utveckla och testa en konstgjord intelligensmodell (AI) som kan upptäcka tecken på demens och relaterade tillstånd från talinspelningar. Huvudfrågan är huruvida en talbaserad AI-modell korrekt kan skilja varandra med normalt minne och tänka från de med kognitiv försämring.
Studien kommer också att undersöka om AI kan skilja demens från depression, separera olika demensundertyper och identifiera vilka personer med mild kognitiv nedsättning (MCI) som sannolikt kommer att utveckla demens.
Deltagarna kommer att slutföra korta minnes- och taluppgifter när de spelas in. AI -modellen kommer att analysera dessa inspelningar för att lära sig mönster kopplade till olika diagnoser. I slutet av studien testas dess noggrannhet på nya deltagare.
Studieöversikt
Status
Betingelser
Intervention / Behandling
- Diagnostiskt test: Minimentalt statligt undersökning
- Diagnostiskt test: Addenbrookes kognitiva undersökning
- Övrig: Speech Task - Picture Description
- Övrig: Speech Task - Picture Recall
- Diagnostiskt test: MRI
- Diagnostiskt test: blood sampling
- Diagnostiskt test: Depression screening
- Övrig: Somatic- and neurological examination
- Övrig: Speech Task - Picture Narrative
Detaljerad beskrivning
Bakgrundsdemens är en växande utmaning för folkhälsan, och tidig och exakt diagnos är avgörande för effektiv vård och potentiella framtida sjukdomsmodifierande behandlingar. Aktuella diagnostiska vägar är resurskrävande och förknippade med långa väntetider. Tal återspeglar kognitiv funktion, och de senaste internationella studierna har visat att AI kan upptäcka demensrelaterade mönster i talinspelningar med lovande noggrannhet. Denna studie syftar till att utveckla och validera en talbaserad AI-modell i en dansk miljö, vilket ger ett icke-invasivt och skalbart screeningverktyg för användning i primärvården.
Faser ett som detta protokoll beskriver den första fasen i vår studie som förväntas vara klar i två separata faser.
I fas ett försöker vi utbilda en AI -modell för att analysera taldata från deltagare med kognitiv försämring och jämföra dem med taldata från friska kontrolldeltagare, vilket beskrivs genom detta protokoll. Om metoden valideras fortsätter vi till fas två.
Framtida arbete i fas två räknar vi med att utföra en extern validering. AI -modellanalysen kommer att utföras på 200 deltagare i den primära vårdsektorn som hänvisas till demensutvärdering. Resultaten av AI -analysen kommer att jämföras mot den slutliga guldstandardkonsensusdiagnosen.
Fas två kommer att ha ett separat protokoll som kommer att bearbetas baserat på resultaten från fas ett.
Utarbetande av tidsperspektiv Annat: Hybriddesign. De flesta deltagare kommer att inkluderas i en tvärsnittskontrollstudie (enstaka talinspelning). För deltagare med MCI kommer uppföljningsdata att samlas in inom studieperioden för att bedöma progression till demens, vilket möjliggör utvärdering av modellens förmåga att skilja progressiv från icke-progressiv MCI.
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: Sofie J Vængebjerg, MD
- Telefonnummer: +4530294621
- E-post: sova@regsj.dk
Studera Kontakt Backup
- Namn: Peter Høgh, MD, PhD, Assoc Prof
- Telefonnummer: +45 22526698
- E-post: phh@regionsjaelland.dk
Studieorter
-
-
Region Sjælland
-
Roskilde, Region Sjælland, Danmark, 4000
- Zealand University Hospital
-
Kontakt:
- Sofie J Vængebjerg, MD, PhD student
- Telefonnummer: +45 30294621
- E-post: sova@regsj.dk
-
Kontakt:
- Peter Høgh, MD, PhD, Assoc Prof
- E-post: phh@regionsjaelland.dk
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inkluderingskriterier:
- Ålder> 50 år
- Flytande danska
- Minst 7 års skolgång
För deltagare från uppföljningskohorten:
- En konsensusdiagnos av antingen AD, VAD, LBD, FTD, MCI eller depression etablerad på minneskliniken inom 6 månader före registrering
För deltagare från den friska kontrollkohorten:
- Ingen känd kognitiv försämring eller affektiv störning
Uteslutningskriterier:
- Betydligt nedsatt syn eller hörsel (i den utsträckning som deltagaren inte kan delta i den språkliga AI -analysen)
- Deltagare som inte kan ge samtycke
Deltagare från uppföljning och nya remisskohort:
- MMSE -poäng <16
- Deltagare med flera diagnoser (t.ex. blandad demens eller AD med samtidig depression)
För deltagare från den nya remisskohorten:
- Deltagare som faller utanför de sex kategorierna som ingår i studien (AD, VAD, LBD, FTD, MCI, Depression)
- Deltagare där det är uppenbart vid baslinjen att de inte kommer att falla inom ovanstående kategorier (kan uteslutas innan klinisk konsensusdiagnos ges)
För deltagare från den friska kontrollkohorten:
- MMSE <26 och ACE <90
- GDS -poäng som indikerar depression (6 eller högre)
- Kliniska, laboratorie- eller neuroradiologiska fynd som kan påverka kognitiva funktioner
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Cognitively Healthy Control Participants for Model A
We seek to enroll 40 age-matched cognitively healthy control participants for the training of model A.
|
Deltagarna kommer att registreras under testet för att ordna till låter AI lära sig och analysera talmönster.
Andra namn:
Deltagarna kommer att registreras under testet för att ordna till låter AI lära sig och analysera talmönster.
Andra namn:
Participants will be asked to describe the Cookie Theft Picture from the Boston Diagnostic Aphasia Examination.
The task will take 2 minutes.
Participants will be recorded during the speech task in order to allow the AI to learn and analyze the speech patterns.
Participants will be asked to recall the picture shown in the previous speech task "Picture Narrative".
This task will take 2 minutes.
Participants will be recorded during the test in order til allow the AI to learn and analyze speech patterns.
For healthy controls an MRI will be conducted to provide comparable imaging and as part of screening to ensure they do not meet exclusion criteria (neuroradiological findings that could affect cognitive functions). For patient participants, imaging will be performed as part of the standard diagnostic battery and results will be obtained from the electronic journal. Healthy control participants will undergo a standard blood test panel commonly used in dementia diagnostics. The panel includes complete blood counts, inflammatory markers, kidney- and liver function markers, thyroid-stimulating hormone (TSH), vitamine B12 and folate. These tests are performed to exclude underlying medical conditions that could mimic cognitive impairment. For patient participants, blood sampling will be performed as part of the standard diagnostic battery and results will be obtained from the electronic journal. Performed on healthy controls to rule out depression using either the geriatric depression scale (GDS) for patients > 65 year of age or the Major Depression Index (MDI) for patiens <65 year of age. For patient participants, depression screening will be performed as part of the standard diagnostic battery and results will be obtained from the electronic journal. Healthy controls will undergo a standard somatic and neurological examination to exclude conditions that may affect cognition. This includes basic neurological assessment and clinical evaluation of general health status. For patient participants, a somatic and neurological examination will be performed as part of the standard diagnostic battery and results will be obtained from the electronic journal
The participant is asked to tell a brief story based on a culturally neutral picture.
This task will take approximately 2 minutes.
Participants will be recorded during the speech task in order to allow the AI to learn and analyze the speech patterns
|
|
Patient Participants for Model A
We seek to retrospectively enroll patients from the ZUH memory clinic with a diagnosis of either Alzheimer's Disease (AD, n=50) or MCI (n=50), made within 6 months prior to enrollment.
These participants will be used for the training of model A.
|
Deltagarna kommer att registreras under testet för att ordna till låter AI lära sig och analysera talmönster.
Andra namn:
Deltagarna kommer att registreras under testet för att ordna till låter AI lära sig och analysera talmönster.
Andra namn:
Participants will be asked to describe the Cookie Theft Picture from the Boston Diagnostic Aphasia Examination.
The task will take 2 minutes.
Participants will be recorded during the speech task in order to allow the AI to learn and analyze the speech patterns.
Participants will be asked to recall the picture shown in the previous speech task "Picture Narrative".
This task will take 2 minutes.
Participants will be recorded during the test in order til allow the AI to learn and analyze speech patterns.
The participant is asked to tell a brief story based on a culturally neutral picture.
This task will take approximately 2 minutes.
Participants will be recorded during the speech task in order to allow the AI to learn and analyze the speech patterns
|
|
Patient Participants for Model B
We will prospectively recruit newly referred patients for the memory clinic at ZUH. Enrollment happens at first patient visit.
At this time, diagnosis is not yet known, but assumed present.
|
Deltagarna kommer att registreras under testet för att ordna till låter AI lära sig och analysera talmönster.
Andra namn:
Deltagarna kommer att registreras under testet för att ordna till låter AI lära sig och analysera talmönster.
Andra namn:
Participants will be asked to describe the Cookie Theft Picture from the Boston Diagnostic Aphasia Examination.
The task will take 2 minutes.
Participants will be recorded during the speech task in order to allow the AI to learn and analyze the speech patterns.
Participants will be asked to recall the picture shown in the previous speech task "Picture Narrative".
This task will take 2 minutes.
Participants will be recorded during the test in order til allow the AI to learn and analyze speech patterns.
The participant is asked to tell a brief story based on a culturally neutral picture.
This task will take approximately 2 minutes.
Participants will be recorded during the speech task in order to allow the AI to learn and analyze the speech patterns
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Model A: Primary measure is the AUC-ROC of the model in distinguishing between MCI and AD as well as between MCI and cognitively healthy control participants.
Tidsram: At baseline (speech recording)
|
We will measure the AUR-ROC of AI predictions compared to clinical consensus diagnosis. Metrics will be presented including uncertainty estimates. Model performance will be measured on an independent test-set consisting of patients from the model B training population. |
At baseline (speech recording)
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Noggrannhet för demens kontra depression
Tidsram: Vid baslinjen (talinspelning)
|
Mätt med känslighet, specificitet, AUR-ROC för AI-förutsägelser jämfört med klinisk konsensusdiagnos, med användning av baslinjeinspelningar från deltagarna.
Modellprestanda kommer att mätas efter databaslåset vid genomförandet av studien.
|
Vid baslinjen (talinspelning)
|
|
Underklassificering av mild kognitiv nedsättning (MCI) till progressiv kontra icke-progressiv
Tidsram: Vid baslinjen (talinspelning) och upp till 12 månader efter registreringen (för att bestämma progression)
|
Mätt med känslighet, specificitet, AUR-ROC för AI-förutsägelser jämfört med klinisk konsensusdiagnos, med användning av baslinjeinspelningar från deltagarna. Modellprestanda kommer att mätas efter databaslåset vid genomförandet av studien. Progression definieras som ny demensdiagnos under studieperioden. |
Vid baslinjen (talinspelning) och upp till 12 månader efter registreringen (för att bestämma progression)
|
|
Klassificering av demensundertyper (AD, VAD, LBD, FTD)
Tidsram: Vid baslinjen (talinspelning)
|
Mätt med känslighet, specificitet, AUR-ROC för AI-förutsägelser jämfört med klinisk konsensusdiagnos, med användning av baslinjeinspelningar från deltagarna.
Modellprestanda kommer att mätas efter databaslåset vid genomförandet av studien.
|
Vid baslinjen (talinspelning)
|
|
Jämförelse med etablerade biomarkörer
Tidsram: Vid baslinjen, eller vid tidpunkten för biomarkörstest om den utförs efter baslinjen
|
Skillnader i diagnostisk noggrannhet mellan AI-förutsägelser och toppmoderna biomarkörer för demensdiagnos
|
Vid baslinjen, eller vid tidpunkten för biomarkörstest om den utförs efter baslinjen
|
|
Funktionens betydelseanalys
Tidsram: Vid baslinjen (talinspelning)
|
Funktionens betydelse kommer att utvärderas med hjälp av tolkningsanalyser (t.ex.
Permutation Betydelse, formvärden och/eller ablation av funktionsgrupper) för att kvantifiera bidraget från akustiska och språkliga funktioner till modellens förutsägelser.
|
Vid baslinjen (talinspelning)
|
Andra resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Antal uppgifter som krävs för optimal noggrannhet
Tidsram: Vid baslinjen (talinspelning)
|
Utvärdering av huruvida en reducerad uppsättning taluppgifter ger noggrannhet jämförbar med hela testbatteriet.
|
Vid baslinjen (talinspelning)
|
|
Bidrag av enskilda taluppgifter till AI -modellprestanda
Tidsram: Vid baslinjen (talinspelning)
|
Bidrag av enskilda taluppgifter kommer att utvärderas genom att jämföra modellprestanda (t.ex.
Noggrannhet, känslighet, specificitet, AUC-ROC) när det tränas och testas på undergrupper av talluppgifter (minnestester, berättelse om berättelse, bildbeskrivning).
Detta kommer att identifiera vilka uppgifter som ger den starkaste diagnostiska signalen.
|
Vid baslinjen (talinspelning)
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Utredare
- Huvudutredare: Peter Høgh, MD, PhD, Assoc Prof, Zealand University Hospital
Publikationer och användbara länkar
Allmänna publikationer
- Nicholas LE, Brookshire RH. A system for quantifying the informativeness and efficiency of the connected speech of adults with aphasia. J Speech Hear Res. 1993 Apr;36(2):338-50. doi: 10.1044/jshr.3602.338.
- Buderer NM. Statistical methodology: I. Incorporating the prevalence of disease into the sample size calculation for sensitivity and specificity. Acad Emerg Med. 1996 Sep;3(9):895-900. doi: 10.1111/j.1553-2712.1996.tb03538.x.
- Dargaud L, Partal A, Birn A, & Detlefsen S. N. (2023). Developing a Spontaneous Speech-based Artificial Intelligence for Alzheimer's Disease Detection. Transatlantic Telehealth Research Network (TTRN) International Scientific Conference 2023, Journal of the International Society for Telemedicine and eHealth.
- Lanzi AM, Saylor AK, Fromm D, Liu H, MacWhinney B, Cohen ML. DementiaBank: Theoretical Rationale, Protocol, and Illustrative Analyses. Am J Speech Lang Pathol. 2023 Mar 9;32(2):426-438. doi: 10.1044/2022_AJSLP-22-00281. Epub 2023 Feb 15.
- Li J, Song K, Zheng B, Li D, Wu X, Meng H. Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection. arXiv preprint. 2023.
- Luz S, Haider F, de la Fuente Garcia S, Fromm D, MacWhinney B. Detecting cognitive decline using speech only: The ADReSSo challenge. arXiv preprint 2021.
- Luz S, Haider F, Fromm D, Lazarou I, Kompatsiaris I, Macwhinney B. An Overview of the ADReSS-M Signal Processing Grand Challenge on Multilingual Alzheimer's Dementia Recognition Through Spontaneous Speech. IEEE Open J Signal Process. 2024;5:738-749. doi: 10.1109/ojsp.2024.3378595. Epub 2024 Mar 18.
- Bex T. Comprehensive Guide to Multiclass Classification With Sklearn. Towards Data Science. 2021.
- Chen J, Ye J, Tang F, Zhou J. Automatic Detection of Alzheimer's Disease Using Spontaneous Speech Only. Interspeech. 2021 Aug-Sep;2021:3830-3834. doi: 10.21437/interspeech.2021-2002.
- Agbavor F, Liang H. Predicting dementia from spontaneous speech using large language models. PLOS Digit Health. 2022 Dec 22;1(12):e0000168. doi: 10.1371/journal.pdig.0000168. eCollection 2022 Dec.
- de la Fuente Garcia S, Ritchie CW, Luz S. Artificial Intelligence, Speech, and Language Processing Approaches to Monitoring Alzheimer's Disease: A Systematic Review. J Alzheimers Dis. 2020;78(4):1547-1574. doi: 10.3233/JAD-200888.
Studieavstämningsdatum
Studera stora datum
Studiestart (Beräknad)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
- maskininlärning
- demens
- Kognitiv försämring
- påfrestning
- artificiell intelligens
- Djup lärning
- Mild kognitiv funktionsnedsättning (MCI)
- Frontotemporal demens (FTD)
- Lewy Body Dementia (LBD)
- Talbaserad konstgjord intelligens
- Konstgjord intelligens i demensdiagnostik
- Konstgjord intelligens för demens screening
- Konstgjord intelligens för demensklassificering
- Talbaserad konstgjord intelligens
- Vaskulär demens (VAD)
- Alzheimer Demens (AD)
- Depression - Major depressiv störning
- Demens (diagnos)
Ytterligare relevanta MeSH-villkor
- Synukleinopatier
- Cerebrovaskulära störningar
- Hjärnsjukdomar
- Sjukdomar i centrala nervsystemet
- Sjukdomar i nervsystemet
- Kärlsjukdomar
- Hjärt-kärlsjukdomar
- Mentala störningar
- Patologiska processer
- Metaboliska sjukdomar
- Neurokognitiva störningar
- Kognitionsstörningar
- Tauopatier
- Neurodegenerativa sjukdomar
- Rörelsestörningar
- Parkinsons sjukdom
- Basala ganglia sjukdomar
- TDP-43 Proteinopatier
- Proteostasbrister
- Arterioskleros
- Arteriella ocklusiva sjukdomar
- Leukoencefalopati
- Intrakraniell arterioskleros
- Intrakraniella arteriella sjukdomar
- Frontotemporal Lobar Degeneration
- Patologiska tillstånd, tecken och symtom
- Närings- och metabola sjukdomar
- Kognitiv dysfunktion
- Alzheimers sjukdom
- Sjukdom
- Demens
- Frontotemporal demens
- Demens, Vaskulär
- Lewy Body Disease
- Undersökningstekniker
- Provhantering
- Kliniska laboratorietekniker
- Diagnostiska tekniker och procedurer
- Diagnos
- Punktering
- Kirurgiska ingrepp, operativ
- Genetiska fenomen
- Ploidi
- Blodprovsamling
- Diploidi
Andra studie-ID-nummer
- SJ-1107
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .