УДК 616.858

З.А. ЗАЛЯЛОВА^1, 2, И.А. ХАСАНОВ³, Д.М. ХАСАНОВА¹, Г.Р. ИЛЬИНА¹, Т.А. КУТНИКОВА⁴, О.Л. ПЛЕШКОВА⁵, З.Р. АЛИМЕТОВА², Е.А. ГУБАРЕВА⁶

¹Республиканский консультативно-диагностический центр экстрапирамидной патологии, г. Казань

²Казанский государственный медицинский университет МЗ РФ, г. Казань

³ООО «Цифровые решения для диагностики заболеваний мозга БРЕЙНФОН», г. Казань

⁴Оренбургский областной клинический психоневрологический госпиталь ветеранов войн, Центр экстрапирамидной патологии, г. Оренбург

⁵ООО «АС Неврология», г. Ижевск

⁶Тольяттинская городская клиническая больница № 5, г. Тольятти

Контактная информация:

Хасанова Диана Магомедовна — к.м.н., врач-невролог

Адрес: 420039, г. Казань, ул. Исаева, 5; тел.: +7-905-039-88-95, e—mail: diana.khasanova1987@gmail.com

 В статье рассматриваются особенности диагностики болезни Паркинсона (БП): существующие общепринятые клинические критерии, их показатели чувствительности и специфичности в сравнении с современными способами диагностики на примере сервиса БП по голосу с помощью технологий искусственного интеллекта.

Целью исследования явилось тестирование в клинических условиях прототипа сервиса диагностики БП по голосу, разрабатываемого в рамках проекта BRAINPHONE.

Материал и методы. В сплошное когортное клиническое исследование были включены 100 пациентов (сбалансированная выборка), обратившиеся за медицинской помощью в Республиканский консультативно-диагностический центр экстрапирамидной патологии (г. Казань). Всех пациентов сначала обследовали два опытных невролога-паркинсонолога, а затем обученная нейросеть, варианты заключения которой были «Не исключается болезнь Паркинсона» или «Нет признаков болезни Паркинсона» (порог принятия решения 0,5).

Результаты. В результате тестирования сервиса были получены следующие данные: чувствительность — 80%, специфичность — 92%. По сравнению с общепринятыми клиническими критериями диагностики БП, голосовая диагностика с помощью обученной нейронной сети, разработанной в рамках проекта BRAINPHONE, в данном исследовании показала сопоставимые результаты по чувствительности и лучшие результаты по специфичности.

Ключевые слова: болезнь Паркинсона, диагностика, искусственный интеллект, голосовая диагностика, паркинсонизм, голос.

 

Z.A. ZALYALOVA^1, 2, I.A. KHASANOV³, D.M. KHASANOVA¹, G.R. ILINA¹, Т.A. KUTNIKOVA⁴, О.L. PLESHKOVA⁵, Z.R. ALIMETOVA², Е.A. GUBAREVA⁶

¹Republic Consultative and Diagnostics Center for Extrapyramidal Pathology, Kazan

²Kazan State Medical University, Kazan

³BRAINPHONE Digital Solutions for Diagnostics of Brain Disorders LLC, Kazan

⁴Orenburg Regional Clinical Neuropsychiatric Hospital of War Veterans, Center for Extrapyramidal Pathology, Orenburg

⁵AS Neurology LLC, Izhevsk

⁶Tolyatti City Clinical Hospital No. 5, Tolyatti

 Using artificial intelligence for diagnosing Parkinson’s disease

Contact details:

Khasanova D.M. – Ph. D. (medicine), neurologist

Address: 5 Isaev St., Kazan, Russian Federation, 420039, tel.: +7-905-039-88-95, e-mail: diana.khasanova1987@gmail.com

In the article we discuss the features of Parkinson’s disease (PD) diagnostics: the generally accepted clinical criteria, their sensitivity and specificity compared to modern diagnostic methods like a voice diagnostic service for PD based on artificial intelligence technologies.

The purpose was to clinically test a prototype of a voice-based PD diagnostic service developed as part of the BRAINPHONE project.

Material and methods. 100 patients (a balanced sample) who applied to the Republic Consultative and Diagnostic Center for Extrapyramidal Pathology (Kazan) were included in the unselected cohort clinical study. All patients were first examined by two experienced specialists in Parkinson’s disease and then by a trained neural network. The neural network conclusions options were «Parkinson’s disease cannot be excluded» or «No signs of Parkinson’s disease» (decision threshold 0.5).

Results. As a result of testing the service, the following data were obtained: sensitivity — 80%, specificity — 92%. Compared with the generally accepted clinical criteria for diagnosing PD, voice diagnosis using a trained neural network developed within the BRAINPHONE project in this study showed comparable results in sensitivity and better results in specificity.

Key words: Parkinson’s disease, diagnostics, artificial intelligence, voice diagnostics, parkinsonism, voice.

 

Нейродегенеративные заболевания (НДЗ) представляют собой гетерогенную группу неврологических расстройств, которые характеризуются прогрессирующей хронической (то есть относительно медленной, но неуклонной) гибелью нейронов головного мозга. Болезнь Паркинсона (БП) является вторым по частоте НДЗ, и ее диагностика имеет ряд сложностей и особенностей [1].

Одной из главных особенностей является медленное, неспецифическое или малоспецифическое течение БП на начальных стадиях. Современная концепция патогенеза нейродегенераций предполагает наличие скрытой (доклинической и продромальной), начальных (1–2) и продвинутых (3–5) стадий болезни. Заподозрить и установить БП у пациентов, особенно на продромальной и начальных стадиях, бывает очень сложно [2]. При этом диагностика БП, согласно общепринятым критериям Международного общества по изучению болезни Паркинсона и других расстройств движений (International Parkinson and Movement Disorders Society, MDS) и международным критериям Банка головного мозга Общества болезни Паркинсона Великобритании (UK Parkinson’s Disease Society Brain Bank, UKPDSBB), строится исключительно на определяемых врачом клинических признаках [3, 4]. Все другие способы диагностики на сегодняшний день имеют вспомогательное значения и предназначены преимущественно для дифференциальной диагностики БП и паркинсонизм-плюс синдромов, а также исключения иных причин наблюдаемых симптомов.

1 марта 2023 г. под эгидой Международного общества по изучению болезни Паркинсона и других расстройств движений (International Parkinson and Movement Disorders Society, MDS) был опубликован меморандум относительно диагностики БП (MDS Position Paper. Diagnosis of Parkinson’s Disease) [5]. Согласно этому документу, обязательным условием для использования критериев MDS является наличие у пациента синдрома паркинсонизма: брадикинезии в сочетании с ригидностью и/или тремором покоя. В свою очередь, определение БП как причины паркинсонизма основывается на трех категориях диагностических признаков: 1) критерии абсолютного исключения, 2) так называемые «красные флажки» (red flags) и 3) поддерживающие критерии. Большинство диагностических признаков, в том числе изменения двигательного паттерна, выявляются путем соответствующего сбора анамнеза и квалифицированного неврологического обследования, следовательно, диагностика БП требует достаточной подготовки в области клинической неврологии. При этом поддерживающие критерии повышают достоверность диагноза, но без двигательных проявлений не могут служить основанием для диагноза. Так, выявление симпатической денервации сердца при сцинтиграфии может быть использовано в качестве поддерживающего критерия для диагностики БП, а нормальная функциональная нейровизуализация (ПЭТ или ОФЭКТ) пресинаптической дофаминергической системы исключает данный диагноз. Отдельно отмечается, что на сегодняшний день нет надежных научных доказательств в поддержку использования анализов крови или электроэнцефалографии (ЭЭГ) в качестве диагностических тестов при постановке диагноза БП. Научные достижения в области диагностики БП ведут к постоянному обновлению диагностических критериев с течением времени [5].

Одним из клинических признаков БП является изменение голоса. Так, среди прочих клинических маркеров БП в российских и международных клинических рекомендациях отдельно выделяют оценку изменений голоса врачом [3, 6]. Научные исследования по изучению изменений голоса при БП активно ведутся последние 7–10 лет. Голос является порождением функции мышц гортани, рта, языка, которые при наличии у пациента БП изменяют свой паттерн действия. У 89% пациентов с БП «на слух» выявляется так называемая «гипокинетическая дизартрия», которая по мере прогрессирования заболевания усиливается и даже вызывает значительные трудности в общении с окружающими [7–10]. При гипокинетической дизартрии при БП обычно наблюдаются нарушения всех компонентов речи: фонаторного, артикуляционного, дыхательного и просодического [11]. Таким образом, вокальные нарушения, которые обычно наблюдаются при БП, включают в себя пониженную громкость и отсутствие ударений, монотонность, хриплый голос с придыханием, склонность к быстрому повторению фонем, общую склонность к быстрому или ускоренному темпу речи, неразборчивость речи, недостаточность дыхания в речи и, как следствие, укорочение высказываний [11–13]. У пациентов с БП также может встречаться тремор голоса [11]. Нарушение самоконтроля и осознанности, связанное со снижением громкости, также может ограничить способность человека с БП увеличивать громкость голоса [14].

Целью настоящего исследования явилось тестирование в клинических условиях прототипа сервиса диагностики БП по голосу, разрабатываемого в рамках проекта BRAINPHONE. Проект направлен на разработку и тестирование сервиса диагностики и мониторинга БП по голосу на основе искусственного интеллекта (ИИ) с реализацией возможности дискриминации голосов пациентов с болезнью Паркинсона (БП) от голосов условно здоровых людей (руководитель проекта — Д.М. Хасанова). Основной задачей данного исследования была оценка таких показателей качества, как чувствительность и специфичность, в сравнении с общепринятыми клиническими критериями БП.

Материал и методы

Работа проводилась в рамках проекта BRAINPHONE по разработке сервиса голосовой диагностики БП с помощью технологии ИИ—– сверточной нейронной сети (convolutional neural network, CNN), обученной на уникальном дата-сете аудиограмм голосов пациентов с БП и здоровых добровольцев.

В сплошном когортном клиническом исследовании (июнь — июль 2023 г.) принимали участие пациенты, обратившиеся за медицинской помощью в Республиканский консультативно-диагностический центр экстрапирамидной патологии (г. Казань, Республика Татарстан, Россия). Выборка была сбалансированной и составила 100 человек: 50 пациентов с БП (25 ранних (1–2) стадий и 25 продвинутых (3–5) стадий) и 50 субъектов без двигательных признаков БП. В выборку не включались пациенты с любыми расстройствами речи на фоне известных заболеваний, не ассоциированных с синдромом паркинсонизма (постинсультная афазия, непаркинсоническая дизартрия, дистония голосовых связок, состояния после ЛОР-вмешательств и др.). Всех пациентов сначала обследовали 2 опытных невролога-паркинсонолога, а затем обученная нейросеть. Специалисты выставляли диагноз на основании клинических критериев БП MDS с заключениями «Клинически возможная болезнь Паркинсона» или «Клинически вероятная болезнь Паркинсона», или «Не болезнь Паркинсона». Варианты заключения обученной нейросети были «Не исключается болезнь Паркинсона» (подсчитанная вероятность 0,5 и выше) и «Нет признаков болезни Паркинсона» (подсчитанная вероятность менее 0,5).

Оценка показателей качества диагностики проводилась с помощью следующих метрик: чувствительность (доля пациентов с БП, у которых нейросеть верно распознала БП); специфичность (доля пациентов без БП, которых верно распознала как людей без БП); положительная прогностическая ценность (positive predictive value, PPV) (доля пациентов, распознанных как имеющих БП, у которых действительно было заболевание, согласно оценке паркисонолога); отрицательная прогностическая ценность (negative predictive value, NPV) (доля людей без БП, у кого не было заболевания, согласно оценке паркинсонологов); доля ложноположительных классификаций (false positive rate, FPR) и точность диагностики (Accuracy, доля всех правильных диагнозов).

Результаты

Было протестировано 100 человек, из которых 62 женщины и 38 мужчин. Средний возраст тестируемых составил 64,1 (11,4) года для всех пациентов; при внутригрупповом анализе — для пациентов группы контроля 59,7 (12,9) лет, для группы пациентов с ранними стадиями БП — 69,6 (7,9) лет, для группы пациентов с продвинутыми стадиями БП — 69,8 (6,8) лет.

Все добровольцы прошли проверку с однозначным результатом сервиса диагностики БП по голосу. Выбывших из исследования нет. Обобщенный результат представлен в табл. 1.

Таблица 1. Результаты тестирования сервиса диагностики БП по голосу

Table 1. Service testing results for PD diagnostics by voice

Истинно-положительный результат	41	Ложно-отрицательный результат	10
Ложно-положительный результат	4	Истинно-отрицательный результат	45
Расчетная чувствительность	0,80	Расчетная специфичность	0,92

Полученная чувствительность сервиса составила 80%, специфичность — 92%. Другие метрики эффективности нейронной сети имели следующий результат: PPV — 91%, NPV — 82%, FPR — 8%, точность — 86%.

Обсуждение

Заподозрить и установить БП у пациентов, особенно на начальных стадиях, бывает очень сложно. При этом диагностика БП, согласно общепринятым критериям MDS и критериям UKPDSBB, строится исключительно на определяемых врачом клинических признаках [3, 4]. Отдельно стоит отметить, что чувствительность и специфичность такой диагностики ограничены и очень сильно зависят от врача: его квалификации, опыта, наличия времени, эмоционального состояния и других факторов. Согласно большим метаанализам, чувствительность вышеуказанных общепризнанных критериев колеблется от 82–84 до 93–94%, а специфичность — от 57–59 до 75–88% [15–19].

Так, Rizzo и соавт. (2016) оценивали диагностическую точность клинической диагностики БП, согласно критериям UKPDSBB, путем метаанализа статей, опубликованных в период с 1988 по 2014 гг. Всего по результатам 11 отобранных статей, содержащих данные о патологоанатомическом результате пациентов с БП, общая точность диагностики БП составила 80,6% (95% доверительный интервал [ДИ] 75,2–85,3%). При этом общая точность диагностики БП с использованием критериев UKPDSBB возросла всего до 82,7% (95% ДИ 62,6–93%). Авторы заключают, что точность диагностики существенно не улучшилась за последние 25 лет, особенно на ранних стадиях заболевания. Авторы также постулируют необходимость повышения точности клинической диагностики in vivo с помощью различных биомаркеров [15].

В 2018 г. Postuma и соавт. провели валидацию обновленных критериев MDS (2015) с целью стандартизация диагностики БП в исследовательских и клинических условиях [19]. Было проведено сравнение диагностических критериев MDS с «золотым стандартом» экспертной клинической диагностики и критериями UKPDSBB. В исследование были включены 626 пациентов (434 — с БП, 192 — без БП) из 8 центров США и Канады. Опытный невролог диагностировал у каждого пациента БП или ее отсутствие независимо от критериев MDS или критериев UKPDSBB (так называемый «золотой стандарт», или клинический диагноз). Затем второй невролог оценивал наличие или отсутствие каждого отдельного признака по критериям MDS. Из 434 пациентов с диагнозом БП 94,5% соответствовали критериям MDS (5,5% ложноотрицательных результатов). Из 192 пациентов, не страдающих БП, 88,5% были идентифицированы как не страдающие БП по критериям MDS (11,5% ложноположительных результатов). Общая точность определения вероятной БП составила 92,6%. При этом диагнозу «клинически установленной» БП соответствовали 59,3% пациентов с БП и только 1,6% пациентов — без БП. Критерии UKPDSBB имели более низкую чувствительность (89,2%, р = 0,008), специфичность (79,2%, р = 0,018) и общую точность (86,4%, р < 0,001). Точность диагностики не различалась вне зависимости от возраста или пола. Специфичность улучшалась по мере увеличения продолжительности заболевания [19].

Клинические методы не могут быть использованы в качестве скрининговой диагностики БП, а именно скрининговая диагностика при большом охвате пациентов с факторами риска способствует повышению выявляемости заболевания, своевременного обращения за помощью и, как следствие, улучшению качества жизни.

Решение по диагностике болезни Паркинсона по голосу с помощью технологии искусственного интеллекта имеет многолетнюю научно-доказательную базу. Международные исследования подтвердили кинематические доказательства снижения амплитуды и скорости движений губ, языка и челюстей (так называемых «артикуляторов»), которые могут представлять собой физиологическую основу гипокинезии и ригидности голосовых путей или могут быть связаны с дефицитом амплитуды масштабирования, нарушением внутренней координации, аномальным восприятием [20–22]. Данные акустических исследований также подтверждают вывод о том, что уменьшенный диапазон движений артикулятора при БП приводит к неточной артикуляции гласных, вызванной нарушенной и менее отчетливой генерацией «формант» [20, 23].

Еще до эры искусственного интеллекта для оценки речевых нарушений у пациентов с БП клиницистами было предложено использовать различные голосовые и речевые тесты и самоопросники [20]. Примером может служить унифицированная шкала оценки БП (Unified Parkinson’s Disease Rating Scale, MDS-UPDRS). Параметр оценки речи, содержащийся в III части шкалы MDS-UPDRS, может быть использован в качестве ориентировочного показателя при проведении общего медицинского обследования [3]. Также существуют субъективные опросники: опросник немоторных симптомов (Non-motor symptoms questionnaire), который содержит вопросы в том числе о речи, а также индекс речевых нарушений (Voice Handicap Index, VHI), который фокусируется на влиянии речевых расстройств на качество жизни пациента [24, 25]. Однако такие субъективные шкалы для тестирования функции речи не всегда адекватно отражают тяжесть нарушений.

Наиболее доступным и простым способом оценки речевых нарушений является аудио- или видеозапись произношения гласных звуков, быстрых повторений слогов, чтения различных фрагментов текста, описаний изображений, диалогов или спонтанных монологов на свободную тему. Многие исследователи успешно использовали эти методы для выявления важных речевых характеристик, отличающих пациентов с БП от здоровых [22, 25, 28–31]. Более того, были сделаны предположения о возможности использования акустических признаков в качестве биомаркеров для диагностики ранней стадии БП и дифференциальной диагностики с другими заболеваниями, сопровождающимися синдромом паркинсонизма. Наибольшие различия были показаны для фонемы «а», более того, для этой фонемы была выявлена наибольшая линейная зависимость между изменениями голоса у пациентов с БП и клинической их оценкой, согласно баллам по шкале MDS-UPDRS [30, 31].

На нашем исследовании мы показали, что чувствительность и специфичность диагностики БП по голосу с помощью технологий искусственного интеллекта может быть сопоставима с аналогичными показателями клинической диагностики БП. Ниже представлена таблица с показателями эффективности диагностики БП с помощью клинических общепринятых критериев (критерии MDS и критерии UKPDSBB) и сервиса для диагностики БП с помощью обученной нейросети (BRAINPHONE) (табл. 2).

Таблица 2. Сравнительная оценка показателей качества метода голосовой диагностики БП на основе искусственного интеллекта и клинических критериев БП

Table 2. Comparative estimation of the quality of PD diagnostics by artificial intelligent and PD clinical criteria

Параметр	Сервис диагностики БП BRAINPHONE	Клиническая диагностика (MDS критерии)	Клиническая диагностика (UKBrainBank критерии)
Чувствительность	80%	82,6–94,5%[15,16]	84,2–93,2% [12]
Специфичность	92%	57,8–88,5% [15,16]	59,6–75,7% [12]
Доступность	+	+	+
Потребность в квалифицированном персонале	–	+	+
«Человеческий фактор»	–	+	+
Возможности для скрининга	+	–	–

Высокая специфичность сервиса решает одну из главных проблем клинической диагностики БП — высокую частоту неверных диагнозов БП, с которыми пациенты направляются на прием в специализированные центры экстрапирамидной патологии. Данная проблема характерна для всех стран, что было показано в метаанализе Rizzo и соавт. (2014). Общая специфичность диагностики БП у неврологов-неспециалистов в области расстройств движений составляла всего 49,2%, в то время как у врачей-паркинсонологов — 83,5% [15].

Полученный в тестировании сервиса высокий результат PPV, равный 91% в условиях сбалансированной выборки (соотношение пациентов с БП и здоровых равно 50 vs 50%), предсказывает высокую различающую способность нейросети дифференцировать здоровых и больных людей в реальных условиях, когда количество пациентов на 100 проверяемых может быть небольшим и простое отнесение тестируемого к здоровым даст высокие показатели диагностической точности для любого диагностического инструмента. При тестировании сервиса FPR, или так называемый «показатель ложной тревоги», составил всего 8%, что в условиях высокой неопределенности диагностики БП является очень хорошим значением для внедрения сервиса в скрининговую диагностику БП. Такой высокий показатель не позволит избыточно нагрузить специализированные центры непрофильными пациентами.

Следует указать ограничения проведенного исследования: 1) сбалансированная тестируемая выборка (соотношение здоровых и пациентов с БП равно 50 vs 50% против соотношения 99,5–98 / 0,5–2% в реальной жизни, в зависимости от возраста и региона проживания); 2) субъекты с известными нарушениями речи непаркинсонической природы были исключены.

Выводы

По сравнению с общепринятыми клиническими критериями диагностики БП (критерии MDS и критерии UK Brain Bank), голосовая диагностика с помощью обученной нейронной сети, разработанной в рамках проекта BRAINPHONE, в данном исследовании показала сопоставимые результаты по чувствительности и лучшие результаты по специфичности. Потенциально диагностика с использованием обученной нейросети может применяться в практическом здравоохранении, в том числе в качестве скринингового инструмента. Полученные результаты свидетельствуют о том, что модели на основе технологий ИИ действительно могут прогнозировать наличие или отсутствие БП на высоком уровне.

Источник финансирования: научно-исследовательская работа (НИР) «Разработка и тестирование прототипа сервиса диагностики и мониторинга болезни Паркинсона по голосу на основе искусственного интеллекта с реализацией возможности дискриминации голосов пациентов с болезнью Паркинсона (БП) от голосов условно здоровых людей» в рамках проекта BRAINPHONE, реализуемого ООО «БРЕЙНФОН», проводится при грантовой поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере (Фонд содействия инновациям).

Залялова З.А.

0000-0001-8718-7266

Хасанов И.А.

0000-0001-9935-3284

Хасанова Д.М.

0000-0002-1831-330x

Ильина Г.Р.

0000-0002-0292-8182

Плешкова О.Л.

0009-0009-2018-7486

Алиметова З.Р.

0000-0001-8941-6026

Губарева Е.А.

0000-0002-9476-1358

Литература

1. Залялова З.А., Хасанова Д.М. Эволюция предикторов ранней болезни Паркинсона // Бюллетень Национального общества по изучению болезни Паркинсона и расстройств движений. — 2022. — № 2. — С. 72–75. DOI: 10.24412/2226-079X-2022-12438
2. Катунина Е.А., Залялова З.А., Похабов Д.В. и др. Болезнь Паркинсона. Фокус на ранние стадии // Неврология, нейропсихиатрия, психосоматика. — 2023. — Т. 15, № 3. — С. 95–103.
3. Postuma R.B., Berg D., Stern M. et al. MDS clinical diagnostic criteria for Parkinson’s disease // Mov. Disord. — 2015. — Vol. 30 (12). — P. 1591–601. DOI: 10.1002/mds.26424
4. Hughes A.J., Daniel S.E., Kilford L., Lees A.J. Accuracy of clinical diagnosis of idiopathic Parkinson’s disease. A clinico-pathological study of 100 cases // JNNP. — 1992. — Vol. 55 (3). — P. 181–184. DOI: 10.1136/jnnp.55.3.181
5. https://www.movementdisorders.org/MDS/News/Newsroom/Position-Papers/MDS-Position-Diagnosis-of-PD.htm (Доступно на дату: 26.12.2023).
6. Министерство здравоохранения Российской Федерации. Клинические рекомендации «Болезнь Паркинсона, вторичный паркинсонизм и другие заболевания, проявляющиеся синдромом паркинсонизма». — 2022. — URL: https://cr.minzdrav.gov.ru/recomend/716_1 (Доступно на дату: 26.12.2023).
7. Trail M., Fox C., Ramig L.O., Sapir Sh., Howard J., Lai E.C. Speech treatment for Parkinson’s disease // NeuroRehabilitation. — 2005. — Vol. 20 (3). — P. 205–221. PMID: 16340101
8. Dashtipour K., Tafreshi A., Lee J., Crawley B. Speech disorders in Parkinson’s disease: pathophysiology, medical management and surgical approaches // Neurodegener. Dis. Manag. — 2018. — Vol. 8 (5). — P. 337–338. DOI: 10.2217/nmt-2018-0021
9. Hartelius L., Svensson P. Speech and swallowing symptoms associated with Parkinson’s disease and multiple sclerosis: a survey. // Folia Phoniatr. Logop. — 1994. — Vol.46 (1). — P. 9–17. DOI: 10.1159/000266286
10. Васенина Е.Е., Левин О.С. Гетерогенность речевых нарушений при болезни Паркинсона: возможности классификации, диагностики и терапии // Медицинский Совет.— 2020. — № 2. — C. 55–66. DOI: 10.21518/2079-701X-2020-2-55-66
11. Duffy J.R. Motor speech disorders: substrates, differential diagnosis and management. mosby. 3rd ed. — St. Louis, MO; 2013. — 512 p.
12. Darling-White M., Huber J.E. The impact of expiratory muscle strength training on speech breathing in individuals with Parkinson’s disease: a preliminary study // Am. J. Speech Lang. Pathol. — 2017. — Vol. 26 (4). — P. 1159–1166. DOI: 10.1044/2017_AJSLP-16-0132
13. Похабов Д.В., Нестерова Ю.В., Абрамов В.Г. Метод речевой реабилитации при болезни Паркинсона // Неврологический журнал. — 2014. — № 5. — С. 29–31.
14. Miller N. Communication changes in Parkinson’s disease // Pract Neurol. — 2017. — Vol. 17 (4). — P. 266–274. DOI: 10.1136/practneurol-2017-001635
15. Rizzo G., Copetti M. et al. Accuracy of clinical diagnosis of Parkinson disease: a systematic review and meta-analysis // Neurology. — 2016. — Vol. 86 (6). — P. 566–576. DOI: 10.1212/WNL.0000000000002350
16. Jellinger K.A., Logroscino G., Rizzo G., Copetti M., Arcuti S., Martino D., Fontana A. Accuracy of clinical diagnosis of Parkinson disease: a systematic review and meta-analysis // Neurology. — 2016. — Vol. 87 (2). — P. 237–238. DOI: 10.1212/WNL.0000000000002876
17. Hustad E., Skogholt A.H. et al. The accuracy of the clinical diagnosis of Parkinson disease. The HUNT study // J Neurol. — 2018. — Vol. 265 (9). — P. 2120–2124. DOI: 10.1007/s00415-018-8969-6
18. Adler C.H., Beach T.G., Zhang N., Shill H.A., Driver-Dunckley E., Mehta S.H. et al. Clinical diagnostic accuracy of early/advanced Parkinson disease: an updated clinicopathologic study // Neurol. Clin. Pract. — 2021. — Vol. 11 (4). — P. e414-e421. DOI: 10.1212/CPJ.0000000000001016.
19. Postuma R.B., Poewe W., Litvan I., Lewis S., Lang A.E., G. Halliday et al. Validation of the MDS clinical diagnostic criteria for Parkinson’s disease // Mov. Disord. — 2018. — Vol. 33 (10). — P. 1601–1608. DOI: 10.1002/mds.27362
20. Rusz J., Cmejla R., Ruzickova H., Ruzicka E. Quantitative acoustic measurements for characterization of speech and voice disorders in early untreated Parkinson’s disease. // J. Acoust. Soc. Am. — 2011. — Vol. 129 (1). — P. 350–367. DOI: 10.1121/1.3514381
21. Vaiciukynas E., Verikas A., Gelzinis A., Bacauskiene M. Detecting Parkinson’s disease from sustained phonation and speech signals // PLoS ONE. — 2017. — Vol. 12 (10). — P. 1–16. DOI: 10.1371/journal.pone.0185613
22. Yang S., Wang F., Yang L., Xu F., Luo M., Chen X. et al. The physical significance of acoustic parameters and its clinical significance of dysarthria in Parkinson’s disease // Sci. Rep. — 2020. — Vol. 10 (1). — 11776. DOI: 10.1038/s41598-020-68754-0
23. Gillivan-Murphy P., Miller N., Carding P. Voice tremor in Parkinson’s disease: an acoustic study // J. Voice. — 2019. — Vol. 33 (4). — P. 526–535. doi: 10.1016/j.jvoice.2017.12.010
24. Chaudhuri K., Martinez-Martin P., Schapira A.H.V., Stocchi F., Sethi K., Odin P. et al. International multicenter pilot study of the first comprehensive self-completed nonmotor symptoms questionnaire for Parkinson’s disease: the NMSQuest study // Mov. Disord. — 2006. — Vol. 21 (7). — P. 916–923. DOI: 10.1002/mds.20844
25. Jacobson B., Johnson A. et al. The voice handicap index (VHI): development and validation // Am. J. Speech-Language Pathol. 1997. — Vol. 6 (3). — P. 66–70. https://doi.org/10.1044/1058-0360.0603.66
26. Ma A., Lau K.K., Thyagarajan D. Voice changes in Parkinson’s disease: What are they telling us? // J. Clin. Neurosci. — 2020. — Vol. 72. — P. 1–7. doi: 10.1016/j.jocn.2019.12.029.
27. Dashtipour K., Tafreshi A. et al. Speech disorders in Parkinson’s disease: pathophysiology, medical management and surgical approaches // Neurodegener. Dis. Manag. — 2018. — Vol. 8 (5). — P. 337–348. DOI: 10.2217/nmt-2018-0021
28. Muñoz-Vigueras N., Prados-Román E. et al. Speech and language therapy treatment on hypokinetic dysarthria in Parkinson disease: Systematic review and meta-analysis // Clin. Rehabil. — 2021. — Vol. 35 (5). — P. 639–655. DOI: 10.1177/0269215520976267
29. Thijs Z., Watts C.R. Perceptual characterization of voice quality in nonadvanced stages of Parkinson’s disease // J. Voice. — 2022. — Vol. 36 (2). — P. 293.e11-e18. DOI: 10.1016/j.jvoice.2020.05.007
30. Pah N.D., Motin M.A., Kumar D.K. Phonemes based detection of Parkinson’s disease for telehealth applications. // Sci. Rep. — 2022. — Vol. 12 (1). — P. 9687. DOI: 10.1038/s41598-022-13865-z
31. Hemmerling D., Wojcik-Pedziwiatr M. Prediction and estimation of Parkinson’s disease severity based on voice signal // J. Voice. — 2022. — Vol. 36 (3). — P. 439.e9-e20. DOI: 10.1016/j.jvoice.2020.06.004

REFERENCES

1. Zalyalova Z.A., Khasanova D.M. Evolution of predictors of early Parkinson’s disease. Byulleten’ Natsional’nogo obshchestva po izucheniyu bolezni Parkinsona i rasstroystv dvizheniy, 2022, no. 2, pp. 72–75 (in Russ.). DOI: 10.24412/2226-079X-2022-12438
2. Katunina E.A., Zalyalova Z.A., Pokhabov D.V. et al. Parkinson’s disease. Focus on the early stages. Nevrologiya, neyropsikhiatriya, psikhosomatika, 2023, vol. 15, no. 3, pp. 95–103 (in Russ.).
3. Postuma R.B., Berg D., Stern M. et al. MDS clinical diagnostic criteria for Parkinson’s disease. Mov. Disord, 2015, vol. 30 (12), pp. 1591–601. DOI: 10.1002/mds.26424
4. Hughes A.J., Daniel S.E., Kilford L., Lees A.J. Accuracy of clinical diagnosis of idiopathic Parkinson’s disease. A clinico-pathological study of 100 cases. JNNP, 1992, vol. 55 (3), pp. 181–184. DOI: 10.1136/jnnp.55.3.181
5. https://www.movementdisorders.org/MDS/News/Newsroom/Position-Papers/MDS-Position-Diagnosis-of-PD.htm (accessed on: 26.12.2023).
6. Ministerstvo zdravookhraneniya Rossiyskoy Federatsii. Klinicheskie rekomendatsii “Bolezn’ Parkinsona, vtorichnyy parkinsonizm i drugie zabolevaniya, proyavlyayushchiesya sindromom parkinsonizma”, 2022 [Ministry of Health of the Russian Federation. Clinical recommendations “Parkinson’s disease, secondary parkinsonism and other diseases manifested by parkinsonism syndrome”, 2022], available at: https://cr.minzdrav.gov.ru/recomend/716_1 (accessed on: 26.12.2023).
7. Trail M., Fox C., Ramig L.O., Sapir Sh., Howard J., Lai E.C. Speech treatment for Parkinson’s disease. NeuroRehabilitation, 2005, vol. 20 (3), pp. 205–221. PMID: 16340101
8. Dashtipour K., Tafreshi A., Lee J., Crawley B. Speech disorders in Parkinson’s disease: pathophysiology, medical management and surgical approaches. Neurodegener. Dis. Manag, 2018, vol. 8 (5), pp. 337–338. DOI: 10.2217/nmt-2018-0021
9. Hartelius L., Svensson P. Speech and swallowing symptoms associated with Parkinson’s disease and multiple sclerosis: a survey. Folia Phoniatr. Logop, 1994, vol. 46 (1), pp. 9–17. DOI: 10.1159/000266286
10. Vasenina E.E., Levin O.S. Heterogeneity of speech disorders in Parkinson’s disease: possibilities of classification, diagnosis and therapy. Meditsinskiy Sovet, 2020, no. 2, pp. 55–66 (in Russ.). DOI: 10.21518/2079-701X-2020-2-55-66
11. Duffy J.R. Motor speech disorders: substrates, differential diagnosis and management. mosby. 3rd ed. St. Louis, MO; 2013. 512 p.
12. Darling-White M., Huber J.E. The impact of expiratory muscle strength training on speech breathing in individuals with Parkinson’s disease: a preliminary study. Am. J. Speech Lang. Pathol, 2017, vol. 26 (4), pp. 1159–1166. DOI: 10.1044/2017_AJSLP-16-0132
13. Pokhabov D.V., Nesterova Yu.V., Abramov V.G. Method of speech rehabilitation for Parkinson’s disease. Nevrologicheskiy zhurnal, 2014, no. 5, pp. 29–31 (in Russ.).
14. Miller N. Communication changes in Parkinson’s disease. Pract Neurol, 2017, vol. 17 (4), pp. 266–274. DOI: 10.1136/practneurol-2017-001635
15. Rizzo G., Copetti M. et al. Accuracy of clinical diagnosis of Parkinson disease: a systematic review and meta-analysis. Neurology, 2016, vol. 86 (6), pp. 566–576. DOI: 10.1212/WNL.0000000000002350
16. Jellinger K.A., Logroscino G., Rizzo G., Copetti M., Arcuti S., Martino D., Fontana A. Accuracy of clinical diagnosis of Parkinson disease: a systematic review and meta-analysis. Neurology, 2016, vol. 87 (2), pp. 237–238. DOI: 10.1212/WNL.0000000000002876
17. Hustad E., Skogholt A.H. et al. The accuracy of the clinical diagnosis of Parkinson disease. The HUNT study. J Neurol, 2018, vol. 265 (9), pp. 2120–2124. DOI: 10.1007/s00415-018-8969-6
18. Adler C.H., Beach T.G., Zhang N., Shill H.A., Driver-Dunckley E., Mehta S.H. et al. Clinical diagnostic accuracy of early/advanced Parkinson disease: an updated clinicopathologic study. Neurol. Clin. Pract, 2021, vol. 11 (4), pp. e414-e421. DOI: 10.1212/CPJ.0000000000001016.
19. Postuma R.B., Poewe W., Litvan I., Lewis S., Lang A.E., G. Halliday et al. Validation of the MDS clinical diagnostic criteria for Parkinson’s disease. Mov. Disord, 2018, vol. 33 (10), pp. 1601–1608. DOI: 10.1002/mds.27362
20. Rusz J., Cmejla R., Ruzickova H., Ruzicka E. Quantitative acoustic measurements for characterization of speech and voice disorders in early untreated Parkinson’s disease. J. Acoust. Soc. Am, 2011, vol. 129 (1), pp. 350–367. DOI: 10.1121/1.3514381
21. Vaiciukynas E., Verikas A., Gelzinis A., Bacauskiene M. Detecting Parkinson’s disease from sustained phonation and speech signals. PLoS ONE, 2017, vol. 12 (10), pp. 1–16. DOI: 10.1371/journal.pone.0185613
22. Yang S., Wang F., Yang L., Xu F., Luo M., Chen X. et al. The physical significance of acoustic parameters and its clinical significance of dysarthria in Parkinson’s disease. Sci. Rep, 2020, vol. 10 (1), 11776. DOI: 10.1038/s41598-020-68754-0
23. Gillivan-Murphy P., Miller N., Carding P. Voice tremor in Parkinson’s disease: an acoustic study. J. Voice, 2019, vol. 33 (4), pp. 526–535. doi: 10.1016/j.jvoice.2017.12.010
24. Chaudhuri K., Martinez-Martin P., Schapira A.H.V., Stocchi F., Sethi K., Odin P. et al. International multicenter pilot study of the first comprehensive self-completed nonmotor symptoms questionnaire for Parkinson’s disease: the NMSQuest study. Mov. Disord, 2006, vol. 21 (7), pp. 916–923. DOI: 10.1002/mds.20844
25. Jacobson B., Johnson A. et al. The voice handicap index (VHI): development and validation. Am. J. Speech-Language Pathol., 1997, vol. 6 (3), pp. 66–70. https://doi.org/10.1044/1058-0360.0603.66
26. Ma A., Lau K.K., Thyagarajan D. Voice changes in Parkinson’s disease: What are they telling us? J. Clin. Neurosci, 2020, vol. 72, pp. 1–7. doi: 10.1016/j.jocn.2019.12.029.
27. Dashtipour K., Tafreshi A. et al. Speech disorders in Parkinson’s disease: pathophysiology, medical management and surgical approaches. Neurodegener. Dis. Manag, 2018, vol. 8 (5), pp. 337–348. DOI: 10.2217/nmt-2018-0021
28. Muñoz-Vigueras N., Prados-Román E. et al. Speech and language therapy treatment on hypokinetic dysarthria in Parkinson disease: Systematic review and meta-analysis. Clin. Rehabil, 2021, vol. 35 (5), pp. 639–655. DOI: 10.1177/0269215520976267
29. Thijs Z., Watts C.R. Perceptual characterization of voice quality in nonadvanced stages of Parkinson’s disease. J. Voice, 2022, vol. 36 (2), pp. 293.e11-e18. DOI: 10.1016/j.jvoice.2020.05.007
30. Pah N.D., Motin M.A., Kumar D.K. Phonemes based detection of Parkinson’s disease for telehealth applications. Sci. Rep, 2022, vol. 12 (1), p. 9687. DOI: 10.1038/s41598-022-13865-z
31. Hemmerling D., Wojcik-Pedziwiatr M. Prediction and estimation of Parkinson’s disease severity based on voice signal. J. Voice, 2022, vol. 36 (3), pp. 439.e9-e20. DOI: 10.1016/j.jvoice.2020.06.004