Vokale Biomarker Gemeinsame Begriffe für Gesundheitsdaten aus der Stimme

Anbieter zum Thema

Metecon GmbH

HMS Technology Center GmbH

Codialist GmbH

Die internationale VOCAL-Initiative schlägt ein konsensbasiertes Ordnungssystem für vokale Biomarker vor. Es unterscheidet Merkmale aus Atmung und Kreislauf, Stimmerzeugung, Artikulation sowie Sprache und Kognition. Einen klinisch validierten Biomarker liefert die Arbeit nicht.

Stimme und Sprache können Hinweise auf gesundheitliche Veränderungen enthalten. Forschende untersuchen akustische und sprachliche Merkmale u. a. bei Parkinson, Alzheimer, Depressionen und Herzinsuffizienz. Bei Parkinson stehen etwa Lautstärke, Artikulation und Sprechrhythmus im Blickpunkt, bei Alzheimer auch Wortwahl und sprachlicher Inhalt. Wie belastbar und klinisch nutzbar solche Zusammenhänge sind, hängt vom jeweiligen Anwendungsfall und von der Validierung ab.

Noch fehlt dem Arbeitsgebiet allerdings ein einheitliches Vokabular. Begriffe wie Stimm-, Sprach- und vokaler Biomarker werden teilweise austauschbar verwendet. Mitunter trägt bereits ein aus einer Tonaufnahme berechnetes Merkmal die Bezeichnung Biomarker, obwohl seine medizinische Bedeutung nicht hinreichend belegt ist. Offen bleibt auch, was ein System tatsächlich misst und ob sich seine Ergebnisse mit denen anderer Studien oder Produkte vergleichen lassen.

Ein internationales Expertengremium hat deshalb im Rahmen der VOCAL-Initiative konsensbasierte Definitionen vorgelegt. Das Akronym steht für Vocal Biomarker Guidelines for Ontology, Classification, Application, and Logistics. Hinter der Initiative stehen das nordamerikanische Konsortium Bridge2AI-Voice und das europäische COST-Netzwerk eVoiceNet. Pizzimenti et al. bezeichnen das Ergebnis als ersten strukturierten, konsensbasierten Definitionsrahmen für vokale Biomarker.

Nicht jeder Messwert ist ein Biomarker 

Die Forschenden unterscheiden vier Schritte, die häufig miteinander vermischt werden. Am Anfang steht die Tonaufnahme als akustisches Rohsignal. Daraus lässt sich ein Merkmal extrahieren, etwa die Grundfrequenz der Stimme. Gemäß eines festgelegten Verfahren quantifiziert, wird aus diesem Merkmal eine Messgröße. Formal gilt sie erst dann als Biomarker, wenn ein Zusammenhang mit einem biologischen, physiologischen oder klinischen Zustand für einen definierten Anwendungskontext nachgewiesen und angemessen validiert ist. Ein Wert wird also nicht allein deshalb zum Biomarker, weil eine Software ihn zuverlässig berechnet. Zusätzlich muss geklärt sein, welche gesundheitliche Aussage er erlaubt, für welchen Einsatz er vorgesehen ist und unter welchen Bedingungen diese Aussage geprüft wurde.

Ist diese Abgrenzung getroffen, stellt sich eine zweite Frage, und zwar nach der Art von Information, die der Biomarker abbildet. Das VOCAL-Modell beantwortet diese Frage mit einem hierarchischen Kontinuum. Es besteht aus einer begrifflichen Basisebene und vier funktionellen Ebenen. Vereinfacht folgt die Systematik dem Weg vom körperlichen Antrieb der Stimme über die Schallerzeugung und Artikulation bis zur sprachlichen Botschaft:

Ebene 0 bildet das begriffliche Fundament. Sie definiert Biomarker, digitale Biomarker und vokale Biomarker: Ein vokaler Biomarker ist ein Biomarker, der aus Aufnahmen von Stimme und Sprache abgeleitet wird. Einfließen können akustische Eigenschaften ebenso wie Wortwahl, Satzbau, Intonation oder emotionale Färbung. Die Ebenen 1 bis 4 ordnen solche Merkmale anschließend danach, welchem physiologischen oder kognitiven Bereich sie primär zuzuordnen sind.

Vom Antrieb bis zur Botschaft 

Ebene 1 – Atmung und Kreislauf: Diese Ebene umfasst die körperliche „Antriebsseite“ der Stimme. Dazu gehören Atem- und Hustengeräusche sowie Sprechpausen, die auf eine eingeschränkte Atemunterstützung hinweisen können. Das Herz-Kreislauf-System beeinflusst die Stimme indirekt, etwa über hämodynamische Effekte auf die Hydratation der Stimmlippen und über den Atemrhythmus.
Ebene 2 – Erzeugung des Stimmklangs: Bei der Phonation versetzt ausströmende Luft die Stimmlippen in Schwingung. Messgrößen wie Grundfrequenz, Harmonic-to-Noise Ratio oder Cepstral Peak Prominence beschreiben Eigenschaften des dabei erzeugten Schalls, bevor Mund- und Rachenraum ihn weiter formen.
Ebene 3 – Formung zu verständlicher Sprache: Zunge, Lippen, Kiefer und weitere Artikulationsorgane formen den Stimmklang zu Lauten und Wörtern. Zu dieser Ebene gehören bspw. Sprechgeschwindigkeit, Artikulationsrate sowie die Präzision von Silben und Konsonanten. Auch Rhythmus und Sprechmelodie können hier eingeordnet werden, sofern sie vor allem die Sprechmotorik abbilden.
Ebene 4 – Inhalt und Ausdruck: Diese Ebene betrifft Wortwahl, Satzbau und Bedeutung des Gesprochenen. Hinzu kommen paralinguistische Merkmale, also nicht der Wortinhalt selbst, sondern die Art des Sprechens. Dazu zählen etwa Intonation und emotionale Färbung, sofern sie als Ausdruck kognitiver, psychischer oder kommunikativer Prozesse interpretiert werden.

Wichtig zu wissen: Die Ebenen sind nicht scharf von einander getrennt. Entscheidend ist der Anwendungskontext. Ein Beispiel: Die Grundfrequenz kann bei einer Stimmlippenlähmung die Stimmerzeugung beschreiben und damit Ebene 2 zugeordnet werden. In der Depressionsforschung lässt sich derselbe Messwert als Teil einer veränderten Sprechmelodie betrachten und damit Ebene 4 zuordnen. Um gewichten zu können, ist es von Bedeutung, Messaufgabe, Aufnahmebedingungen, Zuordnung des Merkmals und medizinischen Zusammenhang eindeutig zu dokumentieren.

Gemeinsame Sprache für Entwicklung und Prüfung 

Zur Einordung: Pizzimenti et al. haben keinen neuen Test und keinen neuen Biomarker entwickelt, sondern einen Begriffs- und Ordnungsrahmen geschaffen, der künftig dabei unterstützen soll, drei Fragen klarer zu beantworten: 1. Was misst ein System, 2. welchem physiologischen oder kognitiven Bereich ist das Merkmal zuzuordnen und 3. für welchen medizinischen Zweck wurde es geprüft?  An dem Konsensprozess beteiligten sich zahlreiche Fachleute aus Medizin, klinischer Forschung, Sprach- und Sprechwissenschaften, Audio-Signalverarbeitung, Statistik, Methodik, Regulierung und Ethik. Ein Kernteam entwarf erste Definitionen. Weitere Fachleute prüften und überarbeiteten sie in fünf Runden, darunter zwei Online-Workshops und ein Präsenzworkshop im April 2025. Widersprach mindestens ein Viertel der Teilnehmenden einer Definition, wurde sie erneut beraten und angepasst. Konsens bedeutet hier also keine klinische oder empirische Validierung, sondern eine mehrstufig erzielte fachliche Einigung.

Für die Medizintechnik leitet sich aus dieser gemeinsamen Sprache ein praktischer Mehrwert ab: Hersteller könnten genauer beschreiben, ob ein Produkt Atemgeräusche, die Schwingungen der Stimmlippen, die Artikulation oder sprachlich-kognitive Merkmale untersucht. Bei Produkten und Studien, die gleichermaßen von „Stimm-Biomarkern“ sprechen, ließe sich dadurch leichter erkennen, ob sie tatsächlich vergleichbare Merkmale untersuchen. Auch die regulatorische Bewertung könnte nachvollziehbarer werden. Pizzimenti et al. schlagen vor, den Rahmen künftig an bestehende Evidenzkategorien anzubinden, etwa an das Biomarker Qualification Program der FDA und das EMA-Verfahren zur Qualifizierung neuer Methoden. Diese unterscheiden u. a. zwischen 
– analytischer Validierung (lässt sich die Messgröße unter definierten Bedingungen technisch zuverlässig bestimmen?),  
– klinischer Validierung" (besitzt der Wert die behauptete medizinische Bedeutung?) und dem 
– Anwendungskontext (für welchen konkreten Zweck wurde der Biomarker geprüft?)

Was am Ende zu sagen bleibt

Die Arbeit zeigt jedoch noch nicht, dass dieser Nutzen tatsächlich eintritt. Sie enthält weder Patientendaten noch Leistungskennzahlen eines diagnostischen Systems. Auch Standards für Studiendesign, Datenerhebung, Merkmalsextraktion, Validierung und die Einbindung in klinische Abläufe fehlen. Pizzimenti et al. verstehen den Rahmen deshalb als vorläufigen ersten Schritt. Ob er Studien vergleichbarer macht, von Behörden aufgegriffen wird und sich in Entwicklungs- und Prüfprozessen durchsetzt, muss sich erst zeigen. Offen bleiben zudem die Geräteabhängigkeit und die Übertragbarkeit auf unterschiedliche Sprachen und Bevölkerungsgruppen. 

Eine weitere Grenze liegt in der geografischen Zusammensetzung des Gremiums. Beteiligt waren vor allem Fachleute aus Europa und den USA; der Rahmen ist damit überwiegend in westlichen linguistischen und klinischen Traditionen verankert. Vorstellungen davon, was als gestörte Stimme gilt, können sich zwischen Sprachen, Regionen und Kulturen unterscheiden. Außerdem flossen die Perspektiven von Patienten, Regulierungsbehörden und gesundheitspolitischen Entscheidungsträgern aus unterrepräsentierten Regionen nicht in den Konsensprozess ein. Für die nächsten Phasen fordern Pizzimenti et al. deshalb Partnerschaften mit Forschungs- und klinischen Netzwerken in Afrika, Asien und Lateinamerika. Zudem sollen weitere Regulierungsbehörden einbezogen werden. Erst dann lässt sich prüfen, ob der Rahmen auch bei anderen Sprachen, Lautstrukturen, paralinguistischen Normen und kulturell geprägten Kommunikationsformen trägt.

Referenz

Pizzimenti M, Kalia A, Toghranegar JA, Ebraheem M, Cummins N, Gosh SS et al. Consensus-Based Definitions for Vocal Biomarkers: The International VOCAL Initiative. Digit Biomark 2026. DOI: 10.1159/000553327.