در سال‌های اخیر شواهد زیادی ارائه شده است که مدل‌های پیش‌بینی کننده‌ای که از الگوریتم‌های یادگیری ماشین استفاده می‌کنند، دقت و کارایی بیشتری دارند.بسیاری از مدل‌ها برای اهداف بالینی از جمله پیش‌بینی بیماری آلزایمر با استفاده از داده‌های سلامت بالینی ارائه شدند اما اثربخشی متفاوتی را نشان داده‌اند.
آکیهیرو شیمودا و همکاران وی از وزارت بهداشت عمومی ژاپن برای ایجاد و اصلاح مدل‌های موجود، مدل جدید و پیشرفته یادگیری ماشین را با استفاده از ویژگی های صوتی برای شناسایی علائم اولیه بیماری آلزایمر ایجاد کرده‌اند.استفاده از ویژگی های صوتی نکته بسیار مهمی است زیرا شواهد بالینی نشان می‌دهد، بیماران مبتلا به آلزایمر به احتمال زیاد با مکث طولانی و آرام صحبت کرده و وقت خود را برای یافتن کلمات صحیح صرف می‌کنند که منجر به پیام‌های منقطع می‌شود و فقدان تسلط گفتاری را نشان می‌دهد.
برای توسعه مدل‌های دقیق پیش‌بینی، محققان از ۱۴۶۵ پرونده داده صوتی از ۹۹ فرد سالم و همچنین ۱۵۱ فایل داده صوتی ضبط شده از ۲۴ بیمار مبتلا به آلزایمر حاصل از یک برنامه پیشگیری از زوال عقل در شهر هاچیوجی در توکیو استفاده کردند.
این داده‌ها از مکالمات تلفنی بین ماه‌های مارس و مه سال ۲۰۲۰ از افراد ۶۵ سال به بالا نمونه‌برداری شده‌اند.
محققان از روی فایل‌های صوتی، مدل‌های یادگیری ماشین را بر اساس تقویت‌گرادیان (XGBoost، تقویت گرادیان درخت تصمیمگیری است که برای سرعت و کارایی بالا طراحی شده است)، جنگل تصادفی یا جنگل تصمیم تصادفی (RF) و رگرسیون لجستیک (LR) با استفاده از هر فایل صوتی به‌عنوان یک مشاهده واحد توسعه دادند سپس عملکرد پیش‌بینی شده مدل‌ها توسط منحنی مشخصه عملکرد سیستم یا منحنی عملیاتی گیرنده (ROC) ارزیابی شد که نشانه‌هایی از اثربخشی، حساسیت و موارد اختصاصی را بیان می‌کرد سپس نتایج الگوریتم‌های یادگیری ماشین چندگانه با آزمون‌های شناختی معمولی مقایسه شد و مدل‌ها عملکرد پیش‌بینی مشابه سایر آزمایش‌های تشخیصی را نشان دادند.
نتایج دیگر مدل‌های یادگیری ماشین نشان داد که دقت پیش‌بینی در مقایسه با سایر آزمون‌های تشخیصی در قابلیت تشخیص تفاوت معناداری ندارد.بااین‌حال، چندین محدودیت نیازمند توجه است؛ در این روش فقط از نمونه‌های باینری به‌عنوان افراد سالم یا بیمار تشخیص داده شده با دامنه محدودی از تشخیص بالینی که می‌تواند شناسایی موثرتر شدت بیماری را فراهم کند، استفاده شده است و در مطالعات آینده باید داده‌های گذشته‌نگر بیماران با علائم محدود، خفیف یا شدید نیز مورد توجه قرار گیرد.
علاوه بر این، قدرت پیش‌بینی توسط اندازه نمونه و کیفیت صدا محدود بود که می‌تواند بیشتر گسترش یابد تا یک نمونه جمعیت بیشتر و یک کیفیت نمونه‌گیری استاندارد را در بر بگیرد. علاوه بر این، فقط ویژگی‌های صوتی سطحی برای تجزیه‌وتحلیل مورد استفاده قرار گرفت که اگر افراد با لهجه صحبت کنند یا تلفظ غیر معمول داشته باشند می‌تواند منجر به از دست دادن اطلاعات و شناسایی اشتباه شود.
با این وجود، دقت مدل‌های توسعه یافته توسط مجموعه داده‌های آموزشی بزرگ پشتیبانی می‌شود که بیانگر تفاوت نشانه‌های اصلی ویژگی‌های صوتی بین بیماران سالم و تشخیصی است بنابراین یافته‌ها نشان می‌دهد که این مدل جدید پیش‌بینی با استفاده از مکالمات تلفنی روزانه دارای پتانسیل امیدوارکننده‌ای برای ارزیابی خطر بیماری آلزایمر است. در آینده، مطالعات می‌تواند بر روی این مفهوم گسترش یابد و شامل جمعیت نمونه بزرگتر و متنوع‌تری برای بهبود بهتر مدل‌های کنونی باشد.
