Возможности применения речевых биомаркеров для дистанционного скрининга бронхиальной астмы

Введение. Бронхиальная астма (БА) является одной из основных проблем здравоохранения. Поэтому поиск объективных, не требующих усилий от пациента и специального оборудования способов контроля БА остается актуальной задачей. Стандартный подход контроля над симптомами БА носит эпизодический и ретроспективный характер, не позволяя своевременно выявлять признаки ухудшения состояния пациентов. В данной статье мы демонстрируем возможности анализа голосовых биомаркеров для дистанционного скрининга БА.

Цель работы: определить акустические параметры речи, статистически значимо различающиеся у пациентов с БА и у практически здоровых лиц.

Материал и методы. Данными для анализа послужили записи голоса 38 мужчин (группа 1.1) и 60 женщин (группа 1.2) с БА, а также записи голоса практически здоровых 57 мужчин (группа 2.1) и 106 женщин (группа 2.2). Для акустического анализа использовалась программа Praat v 6.4.35, с помощью которой вычислялись спектральные и временные признаки, и язык программирования Python v 3.11.4, с помощью которого рассчитывались параметры частоты основного тона. Классификация и тестирование проводились на всех входных признаках для пяти классификаторов (Logistic Regression, RandomForest, SVM_RBF, MLP, XGBoost).

Результаты. Наиболее информативными признаками для бинарной классификации БА–здоровые являются mfcc_01_mean, mfcc_10_mean, shimmer local для мужчин и mfcc_01_mean, pitch_mean, approxEntropy для женщин. Принадлежность ведущих признаков к трем разным группам параметров подтверждает многомерный характер изменений голоса при БА. Параметры речи имеют половую специфичность при БА, что обусловливает необходимость построения отдельных классификаторов для мужчин и женщин. Более строгая валидация с использованием схемы LOPO и алгоритма классификации RandomForest подтвердила высокую обобщающую способность моделей. Для мужчин F1 = 0,84 [0,75; 0,91] и для женщин F1 = 0,94 [0,90; 0,98] при AUC ROC 0,92 и 0,96 соответственно. При использовании только трех наиболее информативных признаков модель RandomForest в схеме LOPO достигла F1-меры 0,89 [0,82; 0,94] у женщин и 0,77 [0,68; 0,85] у мужчин. Shuffle-тест показал, что результаты классификации не являются случайными как у мужчин, так и у женщин. Разница по F1-мере между исходной моделью и после случайного перемешивания меток классов составил 0,24 у мужчин и 0,47 у женщин.

Выводы. Параметры речи пациентов с БА и здоровых лиц статистически значимо отличаются по временным, спектральным и нелинейным признакам. Степень и характер различий имеют половую специфичность, что требует раздельного анализа для мужчин и женщин. Полученные результаты подтверждают применимость анализа речевого сигнала как инструмента для дистанционного скрининга БА.

1. Barnes P.J., Szefler S.J., Reddel H.K., Chipps B.E. Symptoms and perception of airway obstruction in asthmatic patients: Clinical implications for use of reliever medications. The Journal of Allergy and Clinical Immunology. 2019;144(5):1180–1186. DOI: 10.1016/J.JACI.2019.06.0402

2. Gibson P.G. Monitoring the patient with asthma: an evidence-based approach. J. Allergy Clin. Immunol. 2000;106(1 Pt 1):17–26. DOI: 10.1067/mai.2000.108307

3. Metting E., Dassen L., Aardoom J., et al. Effectiveness of Telemonitoring for Respiratory and Systemic Symptoms of Asthma and COPD: A Narrative Review. Life (Basel). 2021;11(11):1215. DOI: 10.3390/life11111215 EDN: PJPEAN

4. Reid D., Mehta J., Anis K., Mehta S. Impact of Remote Patient Monitoring Platform on Patients with Moderate to Severe Persistent Asthma: Observational Study. JMIR Form. Res. 2023;7:e51065. DOI: 10.2196/51065 EDN: BMLGYR

5. Antalffy T., De Simoni A., Griffiths C.J. Promising peak flow diary compliance with an electronic peak flow meter and linked smartphone app. NPJ Prim. Care Respir. Med. 2020;30(1):19. DOI: 10.1038/s41533-020-0178-y EDN: XASWLK

6. DeVrieze B.W., Goldin J., Giwa A.O. Peak Flow Rate Measurement. [Updated 2024 Oct 6]. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing. 2026 Jan. URL: https://www.ncbi.nlm.nih.gov/books/NBK459325/ (10.05.2026).

7. Larsen E., Song X., Joachim D., et al. Respiratory-Responsive Vocal Biomarker for Asthma Exacerbation Monitoring: Prospective Cohort Study. J. Med. Internet. Res. 2025;27:e68741. DOI: 10.2196/68741 EDN: IDESIF

8. Постникова Л.Б., Симулин М.А., Кубышева Н.И., Григорьева Н.Ю., Погребецкая В.А. Ранняя диагностика у коморбидных пациентов. Вестник современной клинической медицины. 2024;17(3):44-52. DOI: 10.20969/VSKM.2024.17(3).44-52 EDN: GGRNQF

9. Бабанов С.А., Стрижаков Л.А., Лаврентьева Н.Е. и др. Иммунологические, молекулярно-генетические особенности и прогнозирование при профессиональной бронхиальной астме. Врач. 2025;(7):41-47. DOI: 10.29296/25877305-2025-07-06 EDN: KNTKAF

10. Tharwat A. Classification assessment methods. Applied Computing and Informatics. 2020;17(1):168–192. DOI: 10.1016/j.aci.2018.08.003 EDN: PQDEQV

11. Dogan M., Eryuksel E., Kocak I., et al. Subjective and objective evaluation of voice quality in patients with asthma. J. Voice. 2007;21(2):224–230. DOI: 10.1016/j.jvoice.2005.11.003

12. Dominelli P.B., Ripoll J.G., Cross T.J., et al. Sex differences in large conducting airway anatomy. J. Appl. Physiol. (1985). 2018;125(3):960– 965. DOI: 10.1152/japplphysiol.00440.2018

13. Harvey B.J., McElvaney N.G. Sex differences in airway disease: estrogen and airway surface liquid dynamics. Biol. Sex Differ. 2024;15(1):56. DOI: 10.1186/s13293-024-00633-z EDN: IOHKUG

14. Borrelli R., Brussino L., Lo Sardo L., et al. Sex-Based Differences in Asthma: Pathophysiology, Hormonal Influence, and Genetic Mechanisms. Int. J. Mol. Sci. 2025;26(11):5288. DOI: 10.3390/ijms26115288 EDN: SZBKDZ

15. Li T., Zhang J., Wu J., et al. Asthma Detection Research Based on Voice Signal Processing and Machine Learning. J. Vis. Exp. 2025;(221). DOI: 10.3791/67742 EDN: GZXMXU

16. Lyu Y., Jiang Q.C., Yuan S., et al. Non-invasive acoustic classification of adult asthma using an XGBoost model with vocal biomarkers. Sci. Rep. 2025;15(1):28682. DOI: 10.1038/s41598-025-14645-1 EDN: ODJGDZ