Artificial intelligence (AI)-driven technologies for managing pediatric speech and language therapy: A scoping review
Künstliche-Intelligenz-(KI)-gestützte Technologien für das Management der pädiatrischen Sprach- und Sprachtherapie: Scoping-Review
DIGITAL HEALTH · 2025-05 · 11
DOI: 10.1177/20552076251376533 ↗Auf einen Blick
Die Übersicht zu KI- und ML-gestützten Anwendungen in der pädiatrischen Sprach- und Sprachtherapie zeigt Nutzen v. a. bei der Erkennung von Sprachstörungen und der Unterstützung von Therapeut:innen.
Fragestellung
Welche Studien zu KI- und ML-Techniken für das Management des SLT-Prozesses bei Kindern mit Sprachstörungen gibt es?
Methode
Scoping-Review; systematische Suche am 3. Februar 2025 in PubMed, Scopus, ScienceDirect, ACM Digital Library und IEEE Xplore nach PRISMA-ScR.
Ergebnisse
30 von 188 identifizierten Studien erfüllten die Einschlusskriterien. Verwendet wurden v. a. tiefe neuronale Netze, ML-Klassifikatoren, akustische Merkmale und Audioverarbeitung zur Erkennung von SSDs.
Einschränkungen
Probleme mit Datenschutz, Zugänglichkeit und der Bedarf an klinischer Validierung bestehen fort.
Schlussfolgerung der Autor:innen
Die Übersichtsarbeit gibt einen Überblick über KI-gestützte SLT-Modelle, zeigt Lücken auf und nennt Richtungen für künftige Forschung. Sie sieht Potenzial für eine Verbesserung des SLT-Prozesses.
Kernaussagen
- 30 eingeschlossene Studien aus 188 Treffern
- KI/ML diente vor allem der SSD-Erkennung
- Computerbasierte Tools waren für Kinder oft ansprechender als traditionelle Therapie
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Übersichtsarbeit in der Zeitschrift DIGITAL HEALTH, online erschienen am 05.11.2025. Verfasst von Milad Dadgar und 3 weiteren Autor:innen. Beteiligte Einrichtung: School of Computer Science, Technological University Dublin, Ireland. Die Arbeit wurde bisher 4-mal zitiert (Crossref) und nennt 67 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Science Foundation Ireland.
Abstract (Originalsprache)
Objective
Despite the high demand for speech and language therapy (SLT) for children with speech sound disorders (SSDs), accessible services remain limited. Technology-driven efforts have led to the development of systems and applications to assist children, parents, and therapists in the SLT process. AI and machine learning (ML), particularly through automatic speech recognition and audio processing techniques, play a central role in these advancements. This scoping review examines studies focusing on these techniques for managing the SLT process.
Methods
To include the most relevant studies, a systematic search was conducted on 3 February 2025 across five major databases (PubMed, Scopus, ScienceDirect, ACM Digital Library, and IEEE Xplore), following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses for Scoping Reviews guidelines. After applying our criteria, 30 of the 188 identified studies met the eligibility requirements.
Results
These studies predominantly utilize deep neural networks, ML classifiers, acoustic features, and audio processing techniques to detect SSDs. The findings demonstrate the effectiveness of these applications to support therapists in diagnostics. Moreover, computer-based tools have proven more engaging for children than traditional therapy by offering personalized therapy plans and real-time feedback. These systems enable therapists to monitor progress and adjust treatments.
Conclusion
This review provides an overview of AI-assisted SLT models, highlights gaps, and suggests directions for future research. It shows the effectiveness and potential of AI in enhancing the SLT process. However, challenges related to data privacy, accessibility, and the need for clinical validation persist and need to be addressed in the future.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- School of Computer Science, Technological University Dublin, Ireland.
- School of Computer Science, Maynooth University, Ireland.
ORCID-Profile: Milad Dadgar, Cathy Ennis, Kesego Mokgosi, Robert Ross
Förderung
- Science Foundation Ireland
Zitieren
APA
Dadgar, M., Ennis, C., Mokgosi, K., & Ross, R. (2025). Artificial intelligence (AI)-driven technologies for managing pediatric speech and language therapy: A scoping review. DIGITAL HEALTH, 11. https://doi.org/10.1177/20552076251376533
Vancouver
Dadgar M, Ennis C, Mokgosi K, Ross R. Artificial intelligence (AI)-driven technologies for managing pediatric speech and language therapy: A scoping review. DIGITAL HEALTH. 2025;11. doi:10.1177/20552076251376533
BibTeX
@article{Dadgar2025,
author = {Dadgar, Milad and Ennis, Cathy and Mokgosi, Kesego and Ross, Robert},
title = {Artificial intelligence (AI)-driven technologies for managing pediatric speech and language therapy: A scoping review},
journal = {DIGITAL HEALTH},
year = {2025},
volume = {11},
doi = {10.1177/20552076251376533}
}
EUVIMED