App voor mobiele telefoons detecteert nauwkeurig COVID-19-infectie in de stemmen van mensen met behulp van AI

Vroege identificatie van COPD-exacerbaties kan worden beheerd via de mobiele myCOPD-app. Krediet: mijn mHealth Ltd

Kunstmatige intelligentie (AI) kan worden gebruikt om COVID-19-infectie in de stemmen van mensen te detecteren door middel van een app voor mobiele telefoons, blijkt uit onderzoek dat maandag wordt gepresenteerd op het European Respiratory Society International Congress in Barcelona, ​​​​Spanje.

Het AI-model dat in dit onderzoek wordt gebruikt, is nauwkeuriger dan laterale flow/rapid antigeentesten en is goedkoop, snel en gemakkelijk te gebruiken, wat betekent dat het kan worden gebruikt in lage-inkomenslanden waar PCR-tests duur en/of moeilijk te distribueren.

Mevr. Wafaa Aljbawi, een onderzoeker aan het Institute of Data Science, Universiteit Maastricht, Nederland, vertelde het congres dat het AI-model 89% van de tijd nauwkeurig was, terwijl de nauwkeurigheid van laterale flow-tests sterk varieerde, afhankelijk van het merk . Ook waren laterale flowtests aanzienlijk minder nauwkeurig bij het detecteren van COVID-infectie bij mensen die geen symptomen vertoonden.

“Deze veelbelovende resultaten suggereren dat eenvoudige spraakopnames en verfijnde AI-algoritmen mogelijk een hoge precisie kunnen bereiken bij het bepalen welke patiënten een COVID-19-infectie hebben”, zei ze. “Dergelijke tests kunnen gratis worden uitgevoerd en zijn eenvoudig te interpreteren. Bovendien maken ze virtueel testen op afstand mogelijk en hebben ze een doorlooptijd van minder dan een minuut. Ze kunnen bijvoorbeeld worden gebruikt bij de toegangspunten voor grote bijeenkomsten, waardoor een snelle screening van de bevolking mogelijk is.”

COVID-19-infectie treft meestal de bovenste luchtwegen en stembanden, wat leidt tot veranderingen in de stem van een persoon. Mevrouw Aljbawi en haar begeleiders, dr. Sami Simons, longarts aan het Maastricht Universitair Medisch Centrum, en dr. Visara Urovi, eveneens van het Institute of Data Science, besloten te onderzoeken of het mogelijk was om AI te gebruiken om stemmen te analyseren om zo de COVID-19.

Ze gebruikten gegevens van de crowdsourcing COVID-19 Sounds-app van de Universiteit van Cambridge die 893 audiosamples bevat van 4.352 gezonde en niet-gezonde deelnemers, van wie 308 positief waren getest op COVID-19. De app wordt geïnstalleerd op de mobiele telefoon van de gebruiker, de deelnemers rapporteren wat basisinformatie over demografie, medische geschiedenis en rookstatus, en worden vervolgens gevraagd om enkele ademhalingsgeluiden op te nemen. Deze omvatten drie keer hoesten, drie tot vijf keer diep ademhalen door hun mond en drie keer een korte zin op het scherm lezen.

De onderzoekers gebruikten een stemanalysetechniek genaamd Mel-spectrogram-analyse, die verschillende stemkenmerken identificeert, zoals luidheid, kracht en variatie in de tijd.

“Op deze manier kunnen we de vele eigenschappen van de stemmen van de deelnemers ontleden”, zei mevrouw Aljbawi. “Om de stem van COVID-19-patiënten te onderscheiden van degenen die de ziekte niet hadden, hebben we verschillende kunstmatige-intelligentiemodellen gebouwd en geëvalueerd welke het beste werkte bij het classificeren van de COVID-19-gevallen.”

Ze ontdekten dat een model genaamd Long-Short Term Memory (LSTM) beter presteerde dan de andere modellen. LSTM is gebaseerd op neurale netwerken, die de werking van het menselijk brein nabootsen en de onderliggende relaties in data herkennen. Het werkt met sequenties, waardoor het geschikt is voor het modelleren van signalen die in de loop van de tijd zijn verzameld, zoals van de stem, vanwege het vermogen om gegevens in het geheugen op te slaan.

De algehele nauwkeurigheid was 89%, het vermogen om positieve gevallen correct te detecteren (het echte positieve percentage of “gevoeligheid”) was 89% en het vermogen om negatieve gevallen correct te identificeren (het echte negatieve percentage of “specificiteit”) was 83%.

“Deze resultaten laten een significante verbetering zien in de nauwkeurigheid van de diagnose van COVID-19 in vergelijking met state-of-the-art tests zoals de laterale flow-test”, zei mevrouw Aljbawi. “De laterale flow-test heeft een gevoeligheid van slechts 56%, maar een hogere specificiteit van 99,5%. Dit is belangrijk omdat het betekent dat de laterale flow-test geïnfecteerde mensen vaker verkeerd classificeert als COVID-19-negatief dan onze test. woorden, met het AI LSTM-model zouden we 11 van de 100 gevallen kunnen missen die de infectie zouden verspreiden, terwijl de laterale flowtest 44 van de 100 gevallen zou missen.

“De hoge specificiteit van de laterale flow-test betekent dat slechts één op de 100 mensen ten onrechte zou worden verteld dat ze COVID-19-positief waren, terwijl ze in feite niet besmet waren, terwijl de LSTM-test 17 op de 100 niet-geïnfecteerde mensen ten onrechte zou diagnosticeren als positief. Aangezien deze test echter vrijwel gratis is, is het mogelijk om mensen uit te nodigen voor PCR-tests als de LSTM-tests aantonen dat ze positief zijn.”

De onderzoekers zeggen dat hun resultaten met grote aantallen moeten worden gevalideerd. Sinds de start van dit project zijn er nu 53.449 audiosamples van 36.116 deelnemers verzameld die kunnen worden gebruikt om de nauwkeurigheid van het model te verbeteren en te valideren. Ze voeren ook verdere analyses uit om te begrijpen welke parameters in de stem het AI-model beïnvloeden.

In een tweede onderzoek toonde de heer Henry Glyde, een doctoraatsstudent aan de technische faculteit van de Universiteit van Bristol, aan dat AI kan worden gebruikt via een app genaamd myCOPD om te voorspellen wanneer patiënten met chronische obstructieve longziekte (COPD) kunnen een opflakkering van hun ziekte krijgen, soms acute exacerbatie genoemd. COPD-exacerbaties kunnen zeer ernstig zijn en gaan gepaard met een verhoogd risico op ziekenhuisopname. Symptomen zijn onder meer kortademigheid, hoesten en het produceren van meer slijm (slijm).

“Acute exacerbaties van COPD hebben slechte resultaten. We weten dat vroege identificatie en behandeling van exacerbaties deze resultaten kan verbeteren en daarom wilden we het voorspellend vermogen van een veelgebruikte COPD-app bepalen,” zei hij.

De myCOPD-app is een cloudgebaseerde interactieve app, ontwikkeld door patiënten en clinici en is beschikbaar voor gebruik in de Britse National Health Service. Het werd opgericht in 2016 en heeft tot nu toe meer dan 15.000 COPD-patiënten die het gebruiken om hun ziekte te beheersen.

De onderzoekers verzamelden tussen augustus 2017 en december 2021 45.636 records voor 183 patiënten. Hiervan waren 45.007 records van stabiele ziekte en 629 waren exacerbaties. Exacerbatievoorspellingen werden één tot acht dagen vóór een zelfgerapporteerde exacerbatie-gebeurtenis gegenereerd. De heer Glyde en collega’s gebruikten deze gegevens om AI-modellen op 70% van de gegevens te trainen en op 30% te testen.

De patiënten waren ‘hoogbegaafd’, die de app gedurende maanden of zelfs jaren wekelijks gebruikten om hun symptomen en andere gezondheidsinformatie te registreren, medicatie te registreren, herinneringen in te stellen en toegang te hebben tot up-to-date gezondheids- en levensstijlinformatie. Artsen kunnen de gegevens beoordelen via een clinicusdashboard, waardoor ze toezicht, medebeheer en bewaking op afstand kunnen bieden.

“Het meest recente AI-model dat we hebben ontwikkeld, heeft een sensitiviteit van 32% en een specificiteit van 95%. Dit betekent dat het model heel goed is in het vertellen van patiënten wanneer ze geen exacerbatie zullen ervaren, wat hen kan helpen onnodige behandeling te voorkomen. Het is minder goed om ze te vertellen wanneer ze er een gaan ervaren. Verbetering hiervan zal de focus zijn van de volgende fase van ons onderzoek, “zei de heer Glyde.

Dr. James Dodd, universitair hoofddocent respiratoire geneeskunde aan de Universiteit van Bristol en projectleider, zei voor het congres: “Voor zover wij weten, is deze studie de eerste in zijn soort die real-world gegevens van COPD-patiënten modelleert, verkregen uit een wijdverbreide therapeutische app. Als gevolg hiervan hebben de voorspellende modellen voor exacerbatie die uit dit onderzoek zijn gegenereerd het potentieel om te worden ingezet bij duizenden COPD-patiënten na verdere veiligheids- en werkzaamheidstests. Het zou patiënten in staat stellen meer autonomie en controle over hun gezondheid te krijgen. is ook een aanzienlijk voordeel voor hun artsen, aangezien een dergelijk systeem waarschijnlijk de afhankelijkheid van patiënten van eerstelijnszorg zou verminderen.Bovendien zouden beter beheerde exacerbaties ziekenhuisopname kunnen voorkomen en de belasting van het gezondheidszorgsysteem kunnen verlichten.Er is verder onderzoek nodig naar de betrokkenheid van patiënten om te bepalen welk nauwkeurigheidsniveau acceptabel is en hoe een exacerbatiewaarschuwingssysteem in de praktijk zou werken. kan de monitoring verder verbeteren en de voorspellende prestaties van modellen verbeteren.”

Een van de beperkingen van het onderzoek is het kleine aantal frequente gebruikers van de app. Het huidige model vereist dat een patiënt een COPD-beoordelingstestscore invoert, zijn medicatiedagboek invult en vervolgens dagen later nauwkeurig meldt dat hij een exacerbatie heeft. Gewoonlijk kunnen alleen patiënten die zeer betrokken zijn bij de app, deze dagelijks of wekelijks gebruiken, de hoeveelheid gegevens leveren die nodig zijn voor de AI-modellering. Omdat er aanzienlijk meer dagen zijn dat de gebruikers stabiel zijn dan wanneer ze een exacerbatie hebben, is er bovendien een aanzienlijke onbalans tussen de beschikbare gegevens over exacerbaties en niet-exacerbaties. Dit resulteert in nog meer moeilijkheden in de modellen om gebeurtenissen correct te voorspellen na training op deze onevenwichtige gegevens.

“Uit een recent partnerschap tussen patiënten, clinici en zorgverleners om onderzoeksprioriteiten bij COPD te stellen, bleek dat de hoogst gewaardeerde vraag was hoe betere manieren te identificeren om exacerbaties te voorkomen. We hebben ons op deze vraag geconcentreerd en we zullen nauw samenwerken met patiënten om en het systeem implementeren”, besloot dhr. Glyde.

De voorzitter van de ERS Science Council, professor Chris Brightling, is de senior onderzoeker van het National Institute for Health and Care Research (NIHR) aan de Universiteit van Leicester, VK, en was niet betrokken bij het onderzoek. Hij merkte op: “Deze twee onderzoeken tonen het potentieel aan van kunstmatige intelligentie en apps op mobiele telefoons en andere digitale apparaten om een ​​verschil te maken in de manier waarop ziekten worden behandeld. Meer gegevens beschikbaar hebben voor het trainen van deze kunstmatige-intelligentiemodellen, inclusief geschikte controlegroepen, als validatie in meerdere onderzoeken, zal hun nauwkeurigheid en betrouwbaarheid verbeteren. Digitale gezondheid met behulp van AI-modellen biedt een geweldige kans en zal waarschijnlijk van invloed zijn op toekomstige gezondheidszorg.”


Huisartsen hebben geoptimaliseerde behandelingen en betere ondersteuning voor patiënten met COPD nodig


Meer informatie:
[1] Samenvatting nr: OA1626, “Ontwikkeling van een multivariaat voorspellingsmodel voor de detectie van COVID-19 uit crowd-sourced respiratoire stemgegevens”, gepresenteerd door Wafaa Aljbawi in de sessie “Digital medicine for COVID-19”, 08.15-09.30 uur CEST op maandag 5 September 2022, https://k4.ersnet.org/prod/v2/Front/Program/Session?e=377&session=14843

[2] Samenvatting nr. PA2728, “Exacerbation predictive modeling using real-world data from the myCOPD app”, gepresenteerd door Henry Glyde, thematische poster “Digitale gezondheidsinterventies in de ademhalingspraktijk”, 13.00-14.00 uur CEST op maandag 5 september 2022, https://k4. ersnet.org/prod/v2/Front/Program/Session?e=377&session=14775

Geleverd door European Lung Foundation

Citaat: App voor mobiele telefoons detecteert nauwkeurig COVID-19-infectie in de stemmen van mensen met behulp van AI (2022, 5 september) opgehaald op 5 september 2022 van https://medicalxpress.com/news/2022-09-mobile-app-accurately-covid -infectie.html

Op dit document rust copyright. Afgezien van een eerlijke handel ten behoeve van eigen studie of onderzoek, mag niets worden gereproduceerd zonder schriftelijke toestemming. De inhoud wordt uitsluitend ter informatie verstrekt.

Leave a Comment