ข้อมูลความรู้คิดแนวยาวแบบหลายมิติ สำหรับ R&D ด้าน CNS
ตัวชี้วัดความรู้คิดจาก NLP (TTR, MLU, coherence, idea density) ที่เทียบกับ MoCA / MMSE — ไวต่อการเปลี่ยนแปลงระยะต้นมากขึ้น
ข้อมูลรายวันแทนการเยี่ยมคลินิกรายไตรมาส ติดตามประสิทธิผลยาในระดับรายสัปดาห์ แทนการรอการประเมินครั้งถัดไป 3–6 เดือน
ข้อมูลธรรมชาติจากบ้าน ไม่ใช่ห้องทดลองเทียม มีความถูกต้องเชิงนิเวศสำหรับการยื่น real-world evidence ต่อ FDA / EMA
สัญญาณต่อเนื่องจากเสียง ครอบคลุมสามเสาหลักของ CNS
อารมณ์
ภาวะอารมณ์ที่อนุมานจากคุณลักษณะเสียง เครื่องหมายทางคำ และการรายงานตนเอง — รายวัน พร้อม baseline รายบุคคล
ความรู้คิด
ดัชนีความรู้คิดรวม ครอบคลุม recall, fluency, orientation และ engagement — ติดตามในหน้าต่าง 7, 30 และ 90 วัน
การใช้ยาตามแผน
การยืนยันการใช้ยาแบบสองทาง พร้อมเวลาของ dose ที่พลาดและความสัมพันธ์กับอาการ downstream
ทำไมข้อมูลธรรมชาติจึงเปลี่ยนทุกอย่าง
เครื่องมือความรู้คิดดิจิทัลเดิมพึ่งพาการทดสอบที่มีโครงสร้าง Amigo เก็บข้อมูลจากบทสนทนารายวันตามธรรมชาติ — ไม่มีความกังวลจากการทดสอบ ไม่มี practice effects ไม่มีภาระต่อผู้ป่วย
| มิติ | Amigo | เครื่องมือทดสอบแบบมีโครงสร้าง |
|---|---|---|
| วิธีเก็บข้อมูล | บทสนทนาอิสระรายวัน | งานความรู้คิดตาม prompt (วาดนาฬิกา บรรยายภาพ เกมไพ่) |
| ความถี่ | รายวัน — ทุกบทสนทนาเป็น data point | รายสัปดาห์ถึงรายไตรมาส — session ที่นัดหมาย |
| ภาระผู้ป่วย | ศูนย์ — บทสนทนาคือผลิตภัณฑ์ (เพื่อนคู่คิด) | ต้องมีส่วนร่วมเชิงรุกใน protocol การทดสอบ |
| Practice effects | ไม่มี — ไม่มีโครงสร้างทดสอบซ้ำให้เรียนรู้ | คะแนนดีขึ้นเมื่อสัมผัสซ้ำ |
| ความกังวลจากการทดสอบ | ไม่มี — การเก็บข้อมูลฝังอยู่ในกิจวัตรประจำวันที่น่าพอใจ | ความกังวลด้าน performance อาจบิดเบือนผล |
| ความถูกต้องเชิงนิเวศ | สูง — คำพูดจริงในบ้าน | ต่ำถึงปานกลาง — เงื่อนไขทดสอบเทียม |
| modalities ข้อมูล | ภาษา + เสียง + พฤติกรรม + อารมณ์ | โดยทั่วไป 1–2 มิติต่อเครื่องมือ |
| การยึดติด | สูง — ผู้สูงอายุอยากพูดคุย | ลดลงเมื่อเวลาผ่านไป — test fatigue |
| ความลึกแนวยาว | หลายร้อย session ต่อ subject ตลอดหลายเดือน | ดีที่สุดคือหลักสิบ session |
| ต้นทุนต่อ data point | เพิ่มน้อยมาก — ไม่ต้องใช้บุคลากรคลินิกหรือจัดหาอุปกรณ์ | สูงกว่า — ต้องมีผู้ดูแลหรืออุปกรณ์เฉพาะ |
“เครื่องมือทดสอบแบบมีโครงสร้าง” หมายถึงแพลตฟอร์มประเมินความรู้คิดดิจิทัลที่ใช้การทดสอบตาม prompt (วาดนาฬิกา บรรยายภาพ งาน reaction-time) ซึ่งต้องการการมีส่วนร่วมเชิงรุกจากผู้ป่วย
จากเสียงธรรมชาติสู่ชุดข้อมูลโครงสร้างพร้อมใช้วิจัย
ทุกขั้นตอนถูกออกแบบและดำเนินการภายใน พร้อม versioning ที่ชัดเจนในแต่ละขั้น และ audit trail เต็มรูปแบบว่าข้อมูลแต่ละจุดถูกสร้างอย่างไร
31 ตัวแปรที่มีโครงสร้างต่อ session
ครอบคลุมมิติความรู้คิด เสียง พฤติกรรม อารมณ์ และคลินิก schema มี version และส่ง data dictionary ไปกับทุก export
| Field | Type | Example | Category |
|---|---|---|---|
| subject_id | string | anon_8f3a2c | ID |
| session_date | date | 2026-02-28 | ID |
| call_duration_seconds | int | 540 | Session |
| word_count | int | 312 | Cognitive |
| type_token_ratio | float | 0.68 | Cognitive |
| mean_utterance_length | float | 8.4 | Cognitive |
| words_per_minute | float | 98 | Cognitive |
| repetition_rate | float | 0.05 | Cognitive |
| coherence_score | int (1-10) | 8 | Cognitive-AI |
| idea_density_score | int (1-10) | 7 | Cognitive-AI |
| word_finding_score | int (1-10) | 9 | Cognitive-AI |
| composite_score | int (0-1000) | 742 | Cognitive |
| participation_ratio | float | 0.45 | Behavioral |
| turn_count | int | 24 | Behavioral |
| engagement_quality | enum | good | Behavioral |
| mood_primary | enum (5) | positive | Mood |
| mood_intensity | int (0-10) | 7 | Mood |
| alert_triggered | bool | false | Alert |
| alert_nature | enum | null | Alert |
| alert_severity | enum | null | Alert |
| f0_mean_hz | float | 185.3 | Voice |
| f0_std_hz | float | 28.7 | Voice |
| jitter_percent | float | 1.12 | Voice |
| shimmer_percent | float | 3.45 | Voice |
| hnr_db | float | 18.2 | Voice |
| speech_rate | float | 3.8 | Voice |
| pause_rate | float | 0.22 | Voice |
| mean_pause_duration_ms | int | 680 | Voice |
| composite_z_score | float | +0.3 | Baseline |
| baseline_sessions | int | 12 | Baseline |
| trend | enum | stable | Baseline |
การกระจาย cohort
การกระจายโปรไฟล์คลินิกในชุดข้อมูล
การกระจาย metric
histogram ตัวอย่างของ coherence score ที่ AI ประเมิน
วิวัฒนาการความถี่เสียง
F0 mean (Hz) ตลอด 24 สัปดาห์ — subject เดียว
สิ่งที่ทุกบทสนทนาสร้างขึ้น
แต่ละสายสร้าง snapshot หลายมิติที่มีโครงสร้าง มี version เวลา และ lineage ที่ติดตามได้
ตัวชี้วัดความรู้คิดจาก NLP
เมตริกภาษาเชิงปริมาณจากรูปแบบคำพูดผ่าน pipeline NLP แบบ deterministic ของ Amigo
คะแนนความรู้คิดจาก AI
ฟังก์ชันภาษาระดับสูงที่ Amigo Cognitive Engine ให้คะแนนและปรับเทียบกับสเกลคลินิก
ไบโอมาร์กเกอร์เสียงและอะคูสติก
คุณลักษณะ prosodic และ spectral จากเสียงดิบ ใช้กับ depression, Parkinson และ cognitive decline
เมตริกพฤติกรรม
การมีส่วนร่วม การโต้ตอบ และ dynamics ที่เผยรูปแบบพฤติกรรมตามเวลา
อารมณ์และ affect
การจัดกลุ่มอารมณ์ 5 ชั้น พร้อมคะแนน intensity ต่อเนื่องและบริบทอารมณ์ของ session
การแจ้งเตือนคลินิก
การตรวจจับ marker ของ depression, cognitive confusion, physical complaints และ safety signals
baseline แนวยาว
baseline z-score ภายในบุคคลสำหรับติดตาม trajectory และตรวจจับการเปลี่ยนแปลง
หนึ่งบทสนทนา หนึ่ง record ที่มีโครงสร้าง
แต่ละ record แทนหนึ่ง session มี JSON, CSV หรือ Parquet พร้อม data dictionary ที่มี version และ audit lineage
{
"subject_id": "anon_8f3a2c",
"age_band": "75-79",
"session_date": "2026-02-28",
"call_duration_seconds": 540,
"cognitive": {
"word_count": 312,
"type_token_ratio": 0.68,
"mean_utterance_length": 8.4,
"repetition_rate": 0.05,
"words_per_minute": 98,
"coherence_score": 8,
"idea_density_score": 7,
"word_finding_score": 9,
"composite_score": 742
},
"voice": {
"f0_mean_hz": 185.3,
"f0_std_hz": 28.7,
"jitter_percent": 1.12,
"shimmer_percent": 3.45,
"hnr_db": 18.2,
"speech_rate": 3.8,
"pause_rate": 0.22,
"mean_pause_duration_ms": 680
},
"behavioral": {
"participation_ratio": 0.45,
"turn_count": 24,
"engagement_quality": "good",
"user_speech_duration_s": 245
},
"mood": {
"primary": "positive",
"intensity": 7
},
"alert": {
"triggered": false,
"nature": null,
"severity": null
},
"baseline_delta": {
"composite_z_score": +0.3,
"sessions_in_baseline": 12,
"trend": "stable"
}
}ตั้งอยู่บนงานวิจัย peer-reviewed
correlation ภายในเบื้องต้นกับสเกลคลินิกที่ยอมรับ การตรวจสอบภายนอกหลาย site กำลังดำเนินอยู่
correlation ระหว่าง metric ↔ clinical scale
เบื้องต้น · internal validation cohort (N = 120)
| Amigo metric | Scale | r | Direction |
|---|---|---|---|
| Composite Score | MoCA | 0.72 | ↑↑ |
| Type-Token Ratio | MMSE | 0.65 | ↑↑ |
| Idea Density | MoCA | 0.68 | ↑↑ |
| Word Finding Score | BNT | 0.71 | ↑↑ |
| Repetition Rate | MMSE | -0.58 | ↑↓ |
| Pause Rate | MoCA | -0.54 | ↑↓ |
| F0 Std (Hz) | GDS | -0.49 | ↑↓ |
| Mood Intensity | GDS | -0.61 | ↑↓ |
| Jitter | UPDRS-III | 0.52 | ↑↑ |
| Speech Rate | MoCA | 0.47 | ↑↑ |
วิธีวิทยาการ validation
- 1
Paired assessment: Subjects completed standard clinical scales (MoCA, MMSE, GDS, BNT) within 48h of Amigo conversation sessions.
- 2
Pearson correlation: Each metric was correlated with the clinically closest scale at subject level, controlling for age and education.
- 3
Longitudinal sensitivity: Change scores over 6 months vs. clinical re-assessment — Amigo composite detected decline 4–8 weeks earlier than quarterly MoCA.
ตั้งอยู่บนงานวิจัยที่ตีพิมพ์
- →
Type-Token Ratio decline as MCI marker — Bucks et al., 2000; Forbes-McKay & Venneri, 2005
- →
Idea density predicting AD onset — Snowdon et al. (Nun Study), 1996
- →
Pause patterns and speech rate in cognitive decline — Hoffmann et al., 2010; Roark et al., 2011
- →
F0 and jitter as depression biomarkers — Cummins et al., 2015; Low et al., 2011
- →
Vocal shimmer / HNR in Parkinson's disease — Tsanas et al., 2012; Rusz et al., 2011
- →
Spontaneous speech analysis for dementia screening — Fraser et al., 2016; Luz et al., 2020
กำลังมองหาพันธมิตรวิชาการและ pharma สำหรับ multi-site validation studies
ข้อมูลถูกใช้ที่ไหน
ครอบคลุมโรค neurodegenerative, geriatric psychiatry, clinical drug development และ real-world evidence
ตรวจจับ Alzheimer และ dementia ระยะต้น
ฝึกโมเดลจาก marker ภาษาเล็กน้อยที่เกิดก่อนการวินิจฉัยทางคลินิก baseline แนวยาวช่วยตรวจจับการเปลี่ยนแปลงภายในบุคคล
จุดยุติดิจิทัลในการทดลองคลินิก
snapshot ความรู้คิดต่อเนื่องเป็น digital endpoints สำหรับ Phase II–III ความละเอียดรายสัปดาห์และภาระผู้ป่วยต่ำกว่า
ภาวะซึมเศร้าผู้สูงอายุและ social isolation
trajectory อารมณ์ รูปแบบ engagement decline และ alert frequency สำหรับศึกษาการเกิด depression และผล intervention
Real-world evidence สำหรับ regulatory
ข้อมูลธรรมชาติและต่อเนื่องจากบ้าน เหมาะกับ post-market surveillance, label expansion และ RWE packages
วิจัย biomarker เสียงและอะคูสติก
ติดตาม F0, jitter / shimmer และ pause pattern หลายเดือน สำหรับ depression screening, Parkinson monitoring และ early cognitive change
ตรวจสอบ biomarker ภาษาและคำพูด
cross-validate คุณลักษณะภาษาและเสียงกับ clinical cognitive scales ที่ยอมรับ
สร้างสำหรับประชากรที่ CNS trials เข้าถึงยากที่สุด
การเก็บข้อมูลแบบ voice-first ลดแรงเสียดทานที่จำกัด digital endpoint capture ในผู้สูงอายุหรือกลุ่มเปราะบางทางความรู้คิด
Geriatric depression
สัญญาณอารมณ์รายวันระหว่าง site visits พร้อม alert จาก weak signal
MCI และ Alzheimer ระยะต้น
ตัวชี้วัดความรู้คิดแนวยาวโดยไม่ต้องทำ formal testing ซ้ำ
Parkinson และ motor disorders
คุณลักษณะจากเสียงและ adherence reporting ในบ้าน
Schizophrenia และ bipolar
สัญญาณ affect และ engagement รายวันระหว่าง clinical contacts
Pain และ long-COVID
ติดตาม symptom และ impact ที่ผู้ป่วยรายงานผ่านบทสนทนาธรรมชาติ
Caregiver / dyad studies
เก็บสัญญาณคู่ขนานจาก family informants เมื่อเหมาะสม
สร้างให้เข้ากับ research stack ที่คุณใช้อยู่แล้ว
เก็บข้อมูลด้วยเสียงเท่านั้น
ไม่มี wearable ไม่มีแอป ไม่มีภาระ participant cohort แค่รับโทรศัพท์
ข้อมูลไหลแบบ API-first
export time-series ราย participant ไป data lake ของคุณ รองรับ REDCap และ CDISC mapping ตามคำขอ
record ระดับ audit
ทุกสาย transcript score alert และ access event มีเวลา immutable และ export ได้
posture ด้าน regulatory
ควบคุมสอดคล้อง HIPAA, role-based access, encryption, BAA และ roadmap 21 CFR Part 11 ตามคำขอ
ออกแบบตามสมมติฐานที่ sponsor และ IRB มีอยู่แล้ว
การเข้าถึงข้อมูลที่ยืดหยุ่นและปรับให้เข้ากับโปรแกรมของคุณ
ชุดข้อมูล static
export ประวัติครั้งเดียว เหมาะสำหรับ exploratory analysis, model training และ feasibility studies
- Full historical cohort
- CSV / Parquet / JSON
- Data dictionary included
Live data feed
API access ต่อเนื่องพร้อมข้อมูลเพิ่มรายวัน สำหรับ clinical monitoring และ adaptive trial designs
- Real-time API access
- Daily incremental updates
- Webhook notifications
- SLA-backed uptime
Research partnership
protocol ที่ร่วมออกแบบ พร้อม metric เฉพาะ เกณฑ์ cohort เป้าหมาย และสิทธิ์ publication ร่วม
- Custom NLP pipelines
- Targeted cohort selection
- Joint publication
- Dedicated data engineer
รับ sample dataset พร้อม 1,000 sessions ที่ anonymized
ไม่มีข้อผูกมัด ประเมินข้อมูลก่อนคุย licensing เราจะกลับมาพร้อม fit assessment สำหรับ protocol ของคุณภายในห้าวันทำการ