Données cognitives longitudinales multimodales pour la R&D SNC.
Marqueurs cognitifs dérivés du NLP (TTR, MLU, cohérence, densité d’idées) validés face aux échelles MoCA / MMSE — sensibilité accrue aux changements précoces.
Points de données quotidiens plutôt que visites cliniques trimestrielles. Suivi de l’efficacité avec une résolution hebdomadaire au lieu d’attendre 3 à 6 mois.
Données naturalistes issues du domicile — pas d’environnements de laboratoire artificiels. Validité écologique pour les soumissions RWE FDA / EMA.
Signal continu dérivé de la voix sur les trois piliers SNC.
Humeur
État affectif inféré à partir des caractéristiques vocales, marqueurs lexicaux et auto-déclarations — quotidiennement, avec ligne de base par sujet.
Cognition
Indice Cognitif composite couvrant rappel, fluence, orientation et engagement — suivi en fenêtres de 7, 30 et 90 jours.
Observance
Observance médicamenteuse confirmée dans les deux sens, avec horodatage des doses manquées et corrélations symptomatiques.
Pourquoi les données naturalistes changent tout.
Les outils cognitifs numériques existants reposent sur des tests structurés. Amigo capte les données dans des conversations naturelles quotidiennes — sans anxiété de test, sans effet d’apprentissage, sans charge patient.
| Dimension | Amigo | Outils de test structurés |
|---|---|---|
| Méthode de collecte | Conversation libre quotidienne | Tâches cognitives guidées (horloge, description d’image, jeux de cartes) |
| Fréquence | Quotidienne — chaque conversation est un point de données | Hebdomadaire à trimestrielle — sessions planifiées |
| Charge patient | Nulle — la conversation est le produit (compagnonnage) | Exige un engagement actif dans un protocole de test |
| Effets d’apprentissage | Aucun — pas de structure de test répétée à apprendre | Les scores s’améliorent avec l’exposition répétée |
| Anxiété de test | Aucune — la collecte est intégrée à une routine quotidienne agréable | L’anxiété de performance peut biaiser les résultats |
| Validité écologique | Élevée — parole réelle au domicile | Faible à modérée — conditions de test artificielles |
| Modalités | Linguistique + acoustique + comportementale + émotionnelle | Typiquement 1 à 2 dimensions par outil |
| Adhésion | Élevée — les seniors veulent parler | Décrochage dans le temps — fatigue des tests |
| Profondeur longitudinale | Des centaines de sessions par sujet sur plusieurs mois | Quelques dizaines au mieux |
| Coût par point | Marginal — pas de personnel clinique, pas de fourniture d’appareil | Plus élevé — administration supervisée ou dispositifs dédiés |
« Outils de test structurés » désigne les plateformes d’évaluation cognitive numérique fondées sur des tests guidés (horloge, description d’image, temps de réaction) — une catégorie qui exige un engagement actif du patient.
De la voix naturelle aux jeux de données structurés prêts pour la recherche.
Chaque étape est conçue et opérée en interne, avec versionnage explicite à chaque stade et une piste d’audit complète sur la production de chaque point de données.
31 variables structurées par session.
Sur les dimensions cognitives, vocales, comportementales, émotionnelles et cliniques. Schéma versionné, dictionnaire de données livré avec chaque 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 |
Répartition de cohorte
Distribution des profils cliniques dans le jeu de données
Distribution des métriques
Histogramme exemple des scores de cohérence évalués par IA
Évolution de fréquence vocale
F0 moyenne (Hz) sur 24 semaines — un sujet
Ce que produit chaque conversation.
Chaque appel génère un instantané structuré multidimensionnel. Versionné, horodaté et traçable.
Marqueurs cognitifs NLP
Métriques linguistiques quantitatives issues des schémas de parole via le pipeline NLP déterministe d’Amigo.
Scores cognitifs IA
Fonctions langagières de haut niveau notées par l’Amigo Cognitive Engine, calibrées sur des échelles cliniques.
Biomarqueurs vocaux et acoustiques
Caractéristiques prosodiques et spectrales extraites de l’audio brut. Marqueurs validés pour la dépression, Parkinson et le déclin cognitif.
Métriques comportementales
Engagement, participation et dynamique d’interaction — révélant les schémas comportementaux dans le temps.
Humeur et affect
Classification d’humeur en 5 classes avec score d’intensité continu et contexte émotionnel de session.
Alertes cliniques
Détection structurée des marqueurs de dépression, confusion cognitive, plaintes physiques et signaux de sécurité.
Lignes de base longitudinales
Baselines z-score intra-individuelles pour suivre les trajectoires personnelles et détecter les changements.
Une conversation. Un enregistrement structuré.
Chaque enregistrement représente une session. Disponible en JSON, CSV ou Parquet — avec dictionnaire de données versionné et traçabilité d’audit.
{
"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"
}
}Ancré dans la recherche évaluée par les pairs.
Corrélations internes préliminaires avec des échelles cliniques établies. Validation externe multi-site en cours.
Corrélations métriques ↔ échelles cliniques
Préliminaire · cohorte de validation interne (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 | ↑↑ |
Méthodologie de 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.
Fondé sur la recherche publiée
- →
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
Recherche de partenaires académiques et pharmaceutiques pour des études de validation multi-sites.
Où les données sont utilisées.
Maladies neurodégénératives, psychiatrie gériatrique, développement clinique de médicaments et données de vie réelle.
Détection précoce Alzheimer et démence
Entraîner des modèles sur des marqueurs linguistiques subtils précédant le diagnostic clinique. Les baselines longitudinales permettent la détection intra-sujet.
Critères numériques d’essais cliniques
Instantanés cognitifs continus comme critères numériques en Phase II–III. Résolution hebdomadaire, meilleure sensibilité, charge patient réduite.
Dépression gériatrique et isolement social
Trajectoires d’humeur, baisse d’engagement et fréquence d’alertes pour étudier l’apparition de la dépression et l’efficacité des interventions.
Données de vie réelle réglementaires
Données naturalistes et continues à domicile. Idéal pour surveillance post-commercialisation, extension d’indication et packages RWE.
Recherche biomarqueurs vocaux et acoustiques
Suivi du déclin F0, du jitter / shimmer et des pauses sur plusieurs mois. Marqueurs vocaux pour dépression, Parkinson et changement cognitif précoce.
Validation des biomarqueurs linguistiques
Validation croisée des caractéristiques linguistiques et acoustiques face aux échelles cliniques établies.
Conçu pour les populations les plus difficiles à atteindre dans les essais SNC.
L’acquisition voice-first supprime la plupart des frictions qui limitent la capture des critères numériques chez les personnes âgées ou vulnérables cognitivement.
Dépression gériatrique
Signal d’humeur quotidien entre les visites de site avec alertes sur signaux faibles.
MCI et Alzheimer débutant
Marqueurs cognitifs longitudinaux sans tests formels répétés.
Parkinson et troubles moteurs
Caractéristiques vocales et reporting d’observance au domicile.
Schizophrénie et bipolarité
Signaux quotidiens d’affect et d’engagement entre contacts cliniques.
Douleur et long-COVID
Suivi des symptômes rapportés et de leur impact par conversation naturelle.
Études aidant / dyade
Capture parallèle de signal auprès des informateurs familiaux lorsque pertinent.
Conçu pour s’insérer dans la stack de recherche existante.
Acquisition uniquement vocale
Pas de wearable, pas d’application, pas de charge participant. La cohorte répond à un téléphone — c’est tout.
Flux de données API-first
Export time-series par participant vers votre data lake. Compatible REDCap et mappings CDISC standard sur demande.
Dossier niveau audit
Chaque appel, transcript, score, alerte et accès est horodaté, immuable et exportable.
Posture réglementaire
Contrôles alignés HIPAA, accès par rôle, chiffrement en transit et au repos, BAA disponible, feuille de route 21 CFR Part 11 sur demande.
Conçu pour les exigences que sponsors et IRB portent déjà.
Accès aux données flexible, adapté à votre programme.
Jeu de données statique
Export historique ponctuel. Idéal pour l’analyse exploratoire, l’entraînement de modèles et les études de faisabilité.
- Full historical cohort
- CSV / Parquet / JSON
- Data dictionary included
Flux de données live
Accès API continu avec incréments quotidiens. Pour le suivi clinique et les designs d’essais adaptatifs.
- Real-time API access
- Daily incremental updates
- Webhook notifications
- SLA-backed uptime
Partenariat de recherche
Protocole co-conçu avec métriques personnalisées, critères de cohorte ciblés et droits de publication conjoints.
- Custom NLP pipelines
- Targeted cohort selection
- Joint publication
- Dedicated data engineer
Recevez un jeu de données exemple avec 1 000 sessions anonymisées.
Aucun engagement. Évaluez les données avant toute discussion de licence. Nous reviendrons avec une évaluation d’adéquation à votre protocole sous cinq jours ouvrés.