LONDON (IT BOLTWISE) – Eine KI kann aus wenigen Minuten gesprochener Alltagssprache einen „Speech Age Gap“ ableiten, der bei Demenz deutlich stärker ausfällt als bei kognitiv gesunden Erwachsenen. Die Studie basiert auf nahezu 3.000 spanischsprachigen Teilnehmenden aus fünf Ländern in Lateinamerika. Dabei korreliert die sprachbasierte Schätzung nicht nur mit kognitiven Tests, sondern auch mit Hirn- und DNA-basierten Alternsmarkern. Entscheidend ist der Anspruch: Sprache als günstige, nicht-invasive Messgröße für Regionen, in denen MRT- oder Biomarker-Tests schwer zugänglich sind.
Sprach-„Age Gap“: KI analysiert kurze Aufnahmen zur Einschätzung von Hirnalterung (Foto: IT BOLTWISE)
🧠 KI & Robotik auf Google News abonnieren
Es ist vor allem die Kombination aus Zugänglichkeit und Datentiefe, die diese Arbeit technisch und gesellschaftlich interessant macht. Denn statt einen einzelnen Biomarker zu suchen, nutzt das Forschungsteam einen Ansatz, der aus kurzen Sprachaufnahmen gleich mehrere Dimensionen des Alterns ableitet: kognitive Leistungsfähigkeit, Muster der Hirnalterung und sogar Spuren sozialer Lebensbedingungen. Das Ergebnis ist ein statistisches Maß, der sogenannte „Speech Age Gap“: Die KI trainiert auf Basis von Sprechdaten eine Vorhersage des kalendarischen Alters und berechnet anschließend die Abweichung zur tatsächlichen Alterszahl. Eine positive Abweichung wird dabei in der Logik biologischer Alterungsuhren häufig als beschleunigtes Altern interpretiert, während negative Werte eher zu einem verzögerten bzw. „gesünderen“ Verlauf passen.
Damit reiht sich das Verfahren in die Kategorie „biologische Aging Clocks“ ein, allerdings mit einem deutlich niedrigeren infrastrukturellen Aufwand. Viele etablierte Modelle brauchen magnetresonanztomografische Messungen (etwa Hirnvolumen oder -aktivität) oder Blutanalysen, die chemische Modifikationen an der DNA untersuchen, wie epigenetische Methylierung. Solche Verfahren sind in klinischen Routinen zwar wissenschaftlich etabliert, aber in Teilen der Welt logistisch teuer und organisatorisch schwer zu skalieren. Die hier untersuchte Alternative setzt dagegen bei etwas an, das in jedem Alltag verfügbar ist: Sprechen. Sprechen verlangt die schnelle Koordination mehrerer kognitiver Prozesse und motorischer Abläufe; im normalen Alterungsprozess verändern sich Tempo, Pausenstruktur und Wortabruf, und bei neurodegenerativen Erkrankungen bricht dieses Zusammenspiel oft früher oder stärker zusammen.
Im technischen Kern analysiert das Team aus jeder Aufgabe akustische und sprachliche Merkmale, die dann zu sieben zusammengesetzten Kategorien gebündelt werden. Dazu gehören Zeitmuster der Sprache (Timing), die Tonhöhe bzw. der Stimmverlauf (Pitch), der emotionale Gehalt der gewählten Wörter, außerdem Wortfrequenzen, die „Verbosity“ beziehungsweise Sprachergiebigkeit, sowie semantische Eigenschaften: semantische Konkretheit und semantische Granularität. Für die Datenaufbereitung kommt eine automatisierte Speech-Analyse-App zum Einsatz, die Hintergrundgeräusche reduziert, die Sprecherstimme vom Versuchsleitenden abtrennt und daraus Texttranskripte generiert. Auf dieser Grundlage trainieren die Forschenden ein Machine-Learning-Modell, das aus den sieben Merkmalsgruppen das chronologische Alter schätzt. Danach wird pro Person das eigentliche Alter von der Vorhersage abgezogen, wodurch der Speech Age Gap als persönliche Abweichung entsteht.
Die Studie untersucht dabei eine große, mehrregionale Kohorte mit 2.928 Teilnehmenden, die als native Spanischsprecher aus fünf Ländern rekrutiert wurden: Kolumbien, Peru, Mexiko, Chile und Argentinien. Das durchschnittliche Alter lag bei rund 65 Jahren, Frauen machten 67 % der Stichprobe aus. Die Gruppe umfasst 1.504 Personen ohne kognitiven Befund und 1.424 Patientinnen und Patienten mit verschiedenen neurodegenerativen Diagnosen. Unter den Betroffenen finden sich 24 Personen mit milder kognitiver Beeinträchtigung (MCI), also einer Übergangsphase zwischen typischer Alterung und Demenz, 1.068 mit Alzheimer-Krankheit und weitere 332 mit frontotemporaler Demenz. Interessant ist hier die Aufteilung der frontotemporalen Fälle in Varianten mit stärkerer Ausrichtung auf Verhalten und Motorik gegenüber solchen, die Spracheproduktion und -verständnis dominanter betreffen. Für die Sprechdaten absolvieren alle Teilnehmenden sieben kurze Aufgaben in einem ruhigen Raum, darunter das Beschreiben eines animierten Videos und das Erzählen einer Geschichte direkt sowie nach einer 20- bis 30-minütigen Verzögerung. Zusätzlich werden Wortabrufaufgaben eingesetzt, etwa das Nennen möglichst vieler Wörter mit einem bestimmten Anfangsbuchstaben oder aus einer Kategorie innerhalb von 60 Sekunden.
Wenn man die Modellgüte betrachtet, zeigt sich ein Muster, das für die Einordnung von „Clock“-Ansätzen typisch ist: Das System verfehlt das tatsächliche Alter im Mittel um etwa neun Jahre, erklärt aber dennoch einen beträchtlichen Teil der Altersschwankungen innerhalb des Datensatzes. In der Studie liegt der erklärte Varianzanteil bei ungefähr 44 %, und nach einer statistischen Korrektur, die häufig bei Altersprädiktionsmodellen angewandt wird, ergibt sich eine Korrelation von 0,74 zwischen Vorhersage und tatsächlichem Alter. Für die Frage, ob der Speech Age Gap wirklich zwischen Gruppen trennt, sind aber nicht die absoluten Fehler der wichtigste Punkt, sondern die Differenzen zwischen diagnostischen Kategorien. Kognitiv gesunde Erwachsene weisen die niedrigsten Speech Age Gaps auf, während alle Patientengruppen größere Abweichungen zeigen. Dabei fallen die größten Gap-Werte bei Sprache-dominanten frontotemporalen Demenzvarianten auf, gefolgt von verhaltens-/motorisch geprägten Varianten, während Alzheimer und MCI im Vergleich niedrigere, aber weiterhin erhöhte Abweichungen zeigen. Entscheidend: Diese Gruppenunterschiede bleiben auch dann sichtbar, wenn Faktoren wie chronologisches Alter, Geschlecht, Bildungsjahre, Herkunftsland, medizinische Begleiterkrankungen und die Zahl der gesprochenen Sprachen berücksichtigt werden.
Besonders stark wirkt die Validierung über mehrere „Ebenen“ hinweg. Die Forschenden prüfen den Zusammenhang zwischen Speech Age Gap und kognitiven Testleistungen, Biomarkern im Blut sowie einem umfassenden Maß für den sozialen „Exposome“-Kontext. Mit größerem Speech Age Gap geht im Datensatz eine schlechtere Performance in Tests zu Gedächtnis, exekutiven Funktionen, Alltagsfunktionalität sowie sprachlichen und nichtsprachlichen Aufgaben einher. Der Zusammenhang ist dabei ausgeprägter bei Tests mit verbalen Bestandteilen, etwa beim Nacherzählen, als bei Aufgaben, die die Autorinnen und Autoren als nichtverbal klassifizieren (beispielsweise Kopier- und späteres Remodelling komplexer Figuren). In einem Teil der Stichprobe mit Blutmessungen korreliert ein höherer Speech Age Gap zudem mit erhöhten Plasmawerten von phosphoryliertem Tau-217; bemerkenswert ist die Spezifität, die in der Arbeit vor allem bei Alzheimer-Patientinnen und -Patienten sichtbar wird. Parallel dazu deckt das Social-Exposome-Modell über 319 Items lebenslange sozioökonomische Bedingungen ab, etwa Bildungswege, Ernährungsunsicherheit, finanziellen Stress, Zugang zu Gesundheitsversorgung und frühe Belastungen. Größere Speech Age Gaps gehen sowohl bei gesunden Kontrollen als auch bei Alzheimer-Fällen mit einem ungünstigeren sozialen Exposome einher – ein Hinweis darauf, dass kumulierte Umweltfaktoren messbare Spuren in einer „Alltagsmodalität“ wie Sprache hinterlassen können.
Für die technische Substanz der „Clock“-Behauptung sind jedoch die Quervergleiche zu Hirn- und epigenetischen Alternsuhren zentral. In Subgruppen mit verfügbaren neurobildgebenden Daten zeigen sich moderat bis starke positive Korrelationen zwischen Speech Age Gap und Hirn-Alterungsmaßen: strukturelle MRT-basierte Hirnalterung (Korrelation 0,42), funktionelle MRT bei Ruheaktivität bzw. Kommunikationsmustern (0,49) sowie ein kombiniertes Brain-Clock-Modell (0,53). Auch epigenetische Uhren passen sich an, allerdings schwächer: Korrelationen liegen dort grob bei etwa 0,2, und zwar besonders bei gesunden Erwachsenen sowie bei Alzheimer-Fällen, was zur generellen Beobachtung passt, dass unterschiedliche „Uhrentypen“ nicht identisch sind, sondern jeweils andere biologische Prozesse abbilden. Zusätzlich analysiert das Team einzelne Hirnnetzwerke: Der Speech Clock bildet eher die Gesamt-Hirnalterung ab als das Altern isolierter Netzwerke. Ein kleiner, statistisch signifikanter Bezug zeigt sich vor allem beim Sprach-Netzwerk und beim Salience-Netzwerk; andere einzelne Netzwerke liefern keine stabilen Beziehungen. Zugleich bleibt die Arbeit methodisch vorsichtig: Weil die Analyse überwiegend querschnittsbasiert ist, kann der Speech Age Gap nicht beweisen, dass eine „älter klingende“ Stimme zukünftigen kognitiven Abbau zwangsläufig vorhersagt. Die Autorinnen und Autoren positionieren die Ergebnisse daher als ergänzendes Signal, das erst im Zusammenspiel mit etablierten Untersuchungen diagnostisch belastbar wird. Als nächste Schritte werden longitudinale Studien gefordert, insbesondere über mehrere Sprachen hinweg, um zu prüfen, ob die Merkmalslogik aus dem spanischen Datensatz übertragbar ist.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
![]()
Unseren KI-Morning-Newsletter «Der KI
News Espresso» mit den besten KI-News des letzten Tages gratis per eMail – ohne Werbung:
Hier kostenlos eintragen!
Ergänzungen und Infos bitte an die Redaktion per eMail an de-info[at]it-boltwise.de. Da wir bei KI-erzeugten News und Inhalten selten auftretende KI-Halluzinationen nicht ausschließen können, bitten wir Sie bei Falschangaben und Fehlinformationen uns via eMail zu kontaktieren und zu informieren. Bitte vergessen Sie nicht in der eMail die Artikel-Headline zu nennen: „Sprach-„Age Gap“: KI analysiert kurze Aufnahmen zur Einschätzung von Hirnalterung“.

