ხმის ვოკალური ბიომარკერები გულის უკმარისობის მართვაში: პათოფიზიოლოგიური საფუძვლები, თანამედროვე მტკიცებულებები და მომავალი პერსპექტივები
ჩამოტვირთვები
შესავალი: გულის ქრონიკული უკმარისობა (გქუ) წარმოადგენს თანამედროვე ჯანდაცვის ერთ-ერთ მნიშვნელოვან გამოწვევას, რომელიც ასოცირებულია ავადობის, სიკვდილიანობისა და განმეორებითი ჰოსპიტალიზაციის მატების მნიშვნელოვან რისკთან. მიუხედავად მედიკამენტური თერაპიის გაუმჯობესებისა, პაციენტთა ნაწილი სამედიცინო დაწესებულებიდან გაწერის შემდეგ კვლავ იმყოფება დეკომპენსაციის მაღალი რისკის ქვეშ. არსებული დისტანციური მონიტორინგის მეთოდები, მათ შორის სხეულის წონის ყოველდღიური კონტროლი და სიმპტომების თვითშეფასება, ხშირად ვერ უზრუნველყოფს სითხის შეკავებისა და ფილტვის კონგესტიის ადრეულ გამოვლენას. გულის უკმარისობის მართვის ერთ-ერთ მთავარ გამოწვევას წარმოადგენს მდგომარეობის გაუარესების ადრეული გამოვლენა, განსაკუთრებით იმ ეტაპზე, როდესაც ვითარდება სითხის შეკავება და ფილტვის კონგესტია, თუმცა კლინიკური სიმპტომები ჯერ კიდევ მინიმალურად არის გამოხატული.
არსებული მონიტორინგის მეთოდები, მათ შორის სხეულის წონის ყოველდღიური კონტროლი და სიმპტომების თვითშეფასება, ყოველთვის ვერ უზრუნველყოფს პათოფიზიოლოგიური ცვლილებების ადრეულ იდენტიფიცირებას.
ბოლო წლებში ციფრული ჯანმრთელობისა და ხელოვნური ინტელექტის (AI) ტექნოლოგიების განვითარებამ შექმნა ახალი შესაძლებლობები ქრონიკული დაავადებების დისტანციური მართვისთვის. მათ შორის განსაკუთრებულ ინტერესს იწვევს ვოკალური ბიომარკერები — ხმის აკუსტიკური მახასიათებლების საფუძველზე მიღებული ციფრული ინდიკატორები, რომლებიც შესაძლოა ასახავდეს ორგანიზმის ფიზიოლოგიურ ცვლილებებს.
მიზანი: წინამდებარე მიმოხილვის მიზანია გულის უკმარისობის მართვაში ვოკალური ბიომარკერების გამოყენების პათოფიზიოლოგიური საფუძვლების, თანამედროვე კლინიკური მტკიცებულებების, ტექნოლოგიური შესაძლებლობებისა და არსებული გამოწვევების შეფასება.
მეთოდოლოგია: ჩატარდა ნარატიული ლიტერატურული მიმოხილვა. ლიტერატურის მოძიება განხორციელდა PubMed/MEDLINE, Scopus და Web of Science მონაცემთა ბაზებში. ძიებისას გამოყენებული იქნა შემდეგი საკვანძო ტერმინები: „heart failure“, „vocal biomarkers“, „voice analysis“, „artificial intelligence“, „digital biomarkers“, „remote monitoring“. ძირითადი ყურადღება დაეთმო 2020–2025 წლებში გამოქვეყნებულ კვლევებს, რომლებიც აფასებდნენ ვოკალური მახასიათებლების კავშირს გულის უკმარისობის კლინიკურ მდგომარეობასთან, ჰოსპიტალიზაციის რისკთან და დისტანციური მონიტორინგის შესაძლებლობებთან.
ძირითადი მიგნებები
არსებული კვლევები მიუთითებს, რომ ხმის გარკვეული აკუსტიკური მახასიათებლები შესაძლოა დაკავშირებული იყოს გულის უკმარისობის დროს განვითარებულ ფიზიოლოგიურ ცვლილებებთან. ვოკალური ბიომარკერების ანალიზში ხშირად გამოიყენება ისეთი პარამეტრები, როგორიცაა: ჯიტერი (jitter) იგი წარმოადგენს ხმის აკუსტიკური ანალიზის უმნიშვნელოვანეს პარამეტრს. ჯიტერი გამოიყენება სახმო იოგების ვიბრაციის მიკრო-არასტაბილურობის შესაფასებლად, შიმერი (shimmer) შიმერი (Shimmer) არის ბგერის ამპლიტუდის (ხმამაღლობის) პერიოდული ცვალებადობის საზომი., ჰარმონია-ხმაურის თანაფარდობა (HNR), მეტყველების სიჩქარე, ფონაციის ხანგრძლივობა, მეტყველების პაუზების სტრუქტურა. ხელოვნურ ინტელექტზე დაფუძნებულმა ალგორითმებმა აჩვენა შესაძლებლობა, გამოავლინონ ხმის ისეთი მცირე ცვლილებები, რომლებიც შესაძლოა დაკავშირებული იყოს გულის უკმარისობის გამწვავების ადრეულ ეტაპებთან.
თუმცა, არსებული მტკიცებულებები ჯერ კიდევ საჭიროებს დამატებით დადასტურებას, განსაკუთრებით ფართომასშტაბიანი, მრავალცენტრული და განსხვავებულ პოპულაციებზე ჩატარებული კვლევების საშუალებით.
დასკვნა: ვოკალური ბიომარკერები წარმოადგენს პერსპექტიულ მიმართულებას ციფრულ კარდიოლოგიაში. მიუხედავად იმისა, რომ ამ ეტაპზე ისინი ვერ ჩაანაცვლებენ გულის უკმარისობის სტანდარტულ კლინიკურ შეფასებას, შესაძლებელია მათი გამოყენება როგორც დამატებითი ციფრული ინსტრუმენტის პაციენტთა დისტანციური მონიტორინგისა და ადრეული რისკის შეფასებისთვის. მომავალში საჭიროა დამატებითი კვლევები მათი კლინიკური ეფექტურობის, სანდოობისა და ყოველდღიურ პრაქტიკაში ინტეგრაციის შესაძლებლობების შესაფასებლად.
Downloads
1. Maor E, Perry D, Mevorach D, et al. Vocal Biomarker Is Associated With Hospitalization and Mortality Among Heart Failure Patients. J Am Heart Assoc. 2020;9(7):e013359.
doi:10.1161/JAHA.119.013359. (PubMed)
2. Amir O, Abraham WT, Azzam ZS, et al. Remote Speech Analysis in the Evaluation of Hospitalized Patients With Acute Decompensated Heart Failure. JACC Heart Fail. 2022;10(1):41-49.
doi:10.1016/j.jchf.2021.08.008. (PMC)
3. Kerwagen F, Bauser M, Baur M, et al. Vocal biomarkers in heart failure—design, rationale and baseline characteristics of the AHF-Voice study. Front Digit Health. 2025;7:1548600.
doi:10.3389/fdgth.2025.1548600. (PubMed)
4. Murton OM, Hillman RE, Mehta DD, et al. Acoustic speech analysis of patients with decompensated heart failure: a pilot study. J Acoust Soc Am. 2017;142(4):EL401.
5. Maor E, Sara JD, Orbelo DM, et al. Voice Signal Characteristics Are Independently Associated With Coronary Artery Disease. Mayo Clin Proc. 2018;93(7):840-847.
6. McDonagh TA, Metra M, Adamo M, et al. 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur Heart J. 2021;42(36):3599-3726.
7. Heidenreich PA, Bozkurt B, Aguilar D, et al. 2022 AHA/ACC/HFSA Guideline for the Management of Heart Failure. Circulation. 2022;145:e895-e1032.
8. Bozkurt B, Coats AJS, Tsutsui H, et al. Universal Definition and Classification of Heart Failure. J Card Fail. 2021;27(4):387-413.
9. Ponikowski P, Voors AA, Anker SD, et al. 2016 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur Heart J. 2016;37:2129-2200.
10. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56.
11. Johnson KW, Torres Soto J, Glicksberg BS, et al. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018;71(23):2668-2679.
12. Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380:1347-1358.
13. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25:24-29.
14. Steinhubl SR, Muse ED, Topol EJ. The emerging field of mobile health. Sci Transl Med. 2015;7(283):283rv3.
15. Dorsey ER, Topol EJ. State of Telehealth. N Engl J Med. 2016;375:154-161.
16. Teixeira JP, Oliveira C, Lopes C. Vocal acoustic analysis: jitter, shimmer and HNR parameters. Procedia Technology. 2013;9:1112-1122.
17. Maryn Y, Roy N, De Bodt M, Van Cauwenberge P, Corthals P. Acoustic measurement of overall voice quality: a meta-analysis. J Acoust Soc Am. 2009;126:2619-2634.
18. Godino-Llorente JI, Gómez-Vilda P, Blanco-Velasco M. Dimensionality reduction of a pathological voice quality assessment system. J Acoust Soc Am. 2006;119:2281-2293.
19. Rabiner LR, Juang BH. Fundamentals of Speech Recognition. Prentice Hall; 1993.
20. Huang X, Acero A, Hon HW. Spoken Language Processing: A Guide to Theory, Algorithm and System Development. Prentice Hall; 2001.
21. Bhavnani SP, Narula J, Sengupta PP. Mobile technology and the digitization of healthcare. Eur Heart J. 2016;37:1428-1438.
22. Kotecha D, et al. Digital health technologies for heart failure management: current evidence and future opportunities. Eur J Heart Fail. 2021.
23. Cowie MR, Lam CSP. Remote monitoring and digital health tools in heart failure. Lancet. 2021.
24. Benjamins JW, et al. Digital biomarkers in cardiovascular disease: opportunities and challenges. Eur Heart J Digit Health. 2021.
25. Gensini GF, Alderighi C, Rasoini R, et al. Value of telemonitoring and digital health in cardiovascular disease. Eur Heart J Suppl. 2017.
საავტორო უფლებები (c) 2026 ქართველი მეცნიერები
ეს ნამუშევარი ლიცენზირებულია Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 საერთაშორისო ლიცენზიით .
