App könnte Alzheimer in Telefongesprächen anzeigen

Jemand benutzt ein blaues Smartphone

  • Günstige, zugängliche und zuverlässige Tests zur Früherkennung der Alzheimer-Krankheit fehlen derzeit.
  • Menschen mit dieser Erkrankung neigen dazu, langsamer und mit längeren Pausen zu sprechen.
  • In einer kürzlich durchgeführten Studie nutzten Forscher maschinelles Lernen, um Modelle zu entwickeln, die die akustischen Merkmale der Gespräche einer Person verwenden, um zu erkennen, ob sie möglicherweise eine frühe Alzheimer-Krankheit hat.
  • Sollten weitere Tests erfolgreich sein, könnten die Modelle über eine Smartphone-App oder online helfen, die Frühstadien der Erkrankung zu erkennen.

Die Alzheimer-Krankheit beinhaltet eine fortschreitende Degeneration der Teile des Gehirns, die Gedanken, Gedächtnis und Sprache steuern.

Die Centers for Disease Control and Prevention (CDC) berichten, dass im Jahr 2020 bis zu 5.8 Millionen Menschen in den Vereinigten Staaten mit der Krankheit lebten.

Die Forschung legt nahe, dass eine frühzeitige Diagnose wichtig ist, da sie Ärzten die Möglichkeit bietet, so schnell wie möglich mit klinischen Interventionen zu beginnen, um die Symptome der Person zu behandeln.

Derzeit stehen jedoch keine kostengünstigen, allgemein zugänglichen und zuverlässigen Werkzeuge zur Verfügung, um die Alzheimer-Krankheit im präklinischen Stadium zu diagnostizieren.

Ein möglicher diagnostischer Indikator könnte sein, dass Menschen mit der Krankheit in alltäglichen Gesprächen dazu neigen, langsamer zu sprechen und innezuhalten, während sie versuchen, die richtigen Worte zu finden. Infolgedessen kann ihre Rede im Vergleich zu Menschen ohne diese Erkrankung nicht fließend sein.

Wissenschaftler von McCann Healthcare Worldwide, Tokyo Medical and Dental University, Keio University und Kyoto University in Japan argumentierten, dass ein vollautomatisches Modell akustische Sprachmerkmale wie Pausen, Tonhöhe und Stimmintensität nutzen könnte, um vorherzusagen, wer sich voraussichtlich entwickeln wird Alzheimer-Erkrankung.

Sie nutzten maschinelles Lernen, um Modelle zu erstellen, von denen sie glauben, dass sie irgendwann genauso gut oder sogar besser sein könnten als ein Standardtest, mit dem Ärzte die Krankheit diagnostizieren.

Ihre Ergebnisse haben die Wissenschaftler in PLOS ONE veröffentlicht.

Machine-Learning-Algorithmen

Das Team verwendete drei Algorithmen für maschinelles Lernen, um die Sprachdaten von 24 Personen mit und 99 Personen ohne Alzheimer zu analysieren, die alle 65 Jahre oder älter waren.

Die Audioaufnahmen stammten von einem öffentlichen Gesundheitsprogramm in Hachioji, bei dem die Teilnehmer am Telefon über Änderungen des Lebensstils sprachen, um ihr Demenzrisiko zu verringern.

Als Teil des Programms durchliefen die Teilnehmer auch die japanische Version eines Standardtests für kognitive Funktionen, der als Telefoninterview für den kognitiven Status (TICS-J) bezeichnet wird.

Für die neue Studie verwendeten die Wissenschaftler Stimmmerkmale aus einigen der Audioaufnahmen, um die Algorithmen des maschinellen Lernens zu trainieren, um zwischen Menschen mit Alzheimer und Kontrollpersonen zu unterscheiden.

Sie verwendeten den Rest der Aufzeichnungen, um die Leistung der resultierenden Modelle zu messen.

Eines der Modelle, das auf einem Algorithmus namens Extreme Gradient Boosting (XGBoost) basierte, schnitt besser ab als TICS-J, obwohl der Unterschied zwischen den beiden nicht die Schwelle für die statistische Signifikanz erreichte.

Das Füttern des Modells mit mehreren Audiodateien von jedem Individuum verbesserte die Zuverlässigkeit seiner Vorhersagen.

Sowohl XGBoost als auch TICS-J hatten einen Sensitivitätswert von 100 %, was bedeutet, dass es keine falsch-negativen Ergebnisse gab – alle Teilnehmer, bei denen die Tests keine Alzheimer-Krankheit hatten, wiesen die Erkrankung nicht auf.

XGBoost erhielt auch einen perfekten Score für die Spezifität, was bedeutet, dass es keine falsch positiven Ergebnisse gab, und alle Menschen, die als Alzheimer-Krankheit definiert wurden, waren tatsächlich Menschen mit dieser Erkrankung. Im Vergleich dazu erreichte TICS-J nur 83.3%.

Mit anderen Worten, 16.7% der Teilnehmer, die von TICS-J als Alzheimer-Krankheit eingestuft wurden, hatten tatsächlich eine gute kognitive Gesundheit.

Die Forscher sagen, dass Entwickler ihr Modell in Websites oder mobile Apps integrieren könnten, damit die Öffentlichkeit selbst darauf zugreifen kann.

Sie glauben, dass ein solches Vorhersageinstrument Menschen in den frühesten Stadien der Krankheit dazu bringen könnte, professionelle Hilfe in Anspruch zu nehmen.

Sie schließen daraus:

„Unsere Leistung, [Alzheimer-Krankheit] gut vorherzusagen, indem wir nur Stimmmerkmale aus täglichen Gesprächen verwenden, zeigt die Möglichkeit, ein Vor-Screening-Tool für [Alzheimer-Krankheit] in der Allgemeinbevölkerung zu entwickeln, das leichter zugänglich und kostengünstiger ist.“

„[W]ie planen nun, diesen Test bis Ende dieses Jahres mit einer größeren Stichprobengröße in dem neuen Feld durchzuführen, um unsere Ergebnisse weiter zu validieren“, sagte Hauptautor Akihiro Shimoda von McCann Healthcare Worldwide in Tokio.

„McCann Health möchte diese diagnostische Screening-Methode weiter verbessern, um seinen eigenen Dienst namens ‚Dearphone‘ zu entwickeln, der zur Prävention und Früherkennung von Demenz beitragen soll“, sagte er gegenüber "Detonic.shop".

Er sagte, dass Entwickler ihr Modell neben Apps und Online-Plattformen in einen herkömmlichen Telefondienst für ältere Menschen integrieren könnten, die kein Smartphone oder Computer verwenden.

„Eigentlich suchen wir einen Partner, der mit uns zusammenarbeiten kann, um unser Modell zu entwickeln und in die Gesellschaft umzusetzen“, fügte er hinzu.

Einschränkungen der Studie

Eine der Haupteinschränkungen der Studie bestand darin, dass Audiodaten von Personen verwendet wurden, bei denen bereits Alzheimer diagnostiziert wurde.

Um zu bestätigen, dass das Modell funktioniert, müssten die Forscher es an einer größeren Stichprobe aus der allgemeinen Bevölkerung testen und sie dann im Laufe der Zeit verfolgen, um zu sehen, wer die Erkrankung entwickelt hat.

Die Autoren weisen auf einige andere Einschränkungen ihrer Arbeit hin. Die Studie unterschied beispielsweise nicht zwischen Menschen mit Alzheimer-Krankheit und Menschen mit leichter kognitiver Beeinträchtigung, die möglicherweise unterschiedliche Sprachmerkmale aufweisen. Außerdem war die Stichprobengröße relativ klein.

Sie weisen auch darauf hin, dass ein zukünftiges Modell Sprachinhalt und Satzstruktur einbeziehen könnte, um seine Leistung zu verbessern.