Η εφαρμογή θα μπορούσε να επισημάνει το Αλτσχάιμερ από τηλεφωνικές συνομιλίες

Κάποιος χρησιμοποιεί μπλε έξυπνο τηλέφωνο

  • Επί του παρόντος λείπουν φθηνές, προσιτές και αξιόπιστες δοκιμές για τη διάγνωση της νόσου του Αλτσχάιμερ σε πρώιμο στάδιο.
  • Τα άτομα με την πάθηση τείνουν να μιλούν πιο αργά και με μεγαλύτερες παύσεις.
  • Σε μια πρόσφατη μελέτη, οι ερευνητές χρησιμοποίησαν τη μηχανική μάθηση για να αναπτύξουν μοντέλα που χρησιμοποιούν τα ακουστικά χαρακτηριστικά των συνομιλιών ενός ατόμου για να προσδιορίσουν εάν μπορεί να έχουν πρώιμη νόσο του Αλτσχάιμερ.
  • Εάν αποδειχθούν επιτυχείς περαιτέρω δοκιμές, τα μοντέλα θα μπορούσαν να βοηθήσουν στον εντοπισμό των πρώτων σταδίων της κατάστασης μέσω μιας εφαρμογής smartphone ή μέσω διαδικτύου.

Η νόσος του Alzheimer περιλαμβάνει προοδευτικό εκφυλισμό στα μέρη του εγκεφάλου που διέπουν τις σκέψεις, τη μνήμη και τη γλώσσα.

Τα Κέντρα Ελέγχου και Πρόληψης Νοσημάτων (CDC) αναφέρουν ότι το 2020, περίπου 5.8 εκατομμύρια άνθρωποι στις Ηνωμένες Πολιτείες ζούσαν με την ασθένεια.

Η έρευνα δείχνει ότι η έγκαιρη διάγνωση είναι σημαντική επειδή παρέχει την ευκαιρία στους γιατρούς να ξεκινήσουν κλινικές παρεμβάσεις το συντομότερο δυνατό για τη διαχείριση των συμπτωμάτων του ατόμου.

Ωστόσο, προς το παρόν δεν υπάρχουν φθηνά, ευρέως προσβάσιμα και αξιόπιστα εργαλεία για τη διάγνωση της νόσου του Αλτσχάιμερ κατά το προκλινικό της στάδιο.

Ένας πιθανός διαγνωστικός δείκτης μπορεί να είναι ότι στην καθημερινή συζήτηση, τα άτομα με την ασθένεια τείνουν να μιλούν πιο αργά, σταματώντας καθώς προσπαθούν να βρουν τις σωστές λέξεις. Ως αποτέλεσμα, η ομιλία τους μπορεί να στερείται ευχέρειας σε σύγκριση με άτομα χωρίς την πάθηση.

Επιστήμονες από το McCann Healthcare Worldwide, το Ιατρικό και Οδοντιατρικό Πανεπιστήμιο του Τόκιο, το Πανεπιστήμιο Keio και το Πανεπιστήμιο του Κιότο στην Ιαπωνία αιτιολόγησαν ότι ένα πλήρως αυτοματοποιημένο μοντέλο θα μπορούσε να χρησιμοποιεί ακουστικά χαρακτηριστικά ομιλίας, όπως παύσεις, βήματα και ένταση φωνής, για να προβλέψει ποιος είναι πιθανό να αναπτυχθεί Η ασθένεια Αλτσχάϊμερ.

Χρησιμοποίησαν τη μηχανική εκμάθηση για να δημιουργήσουν μοντέλα που πιστεύουν ότι θα μπορούσαν τελικά να είναι εξίσου καλά ή ακόμα καλύτερα από ένα τυπικό τεστ που χρησιμοποιούν οι γιατροί για τη διάγνωση της νόσου.

Οι επιστήμονες έχουν αναφέρει τα αποτελέσματά τους στο PLOS ONE.

Αλγόριθμοι μηχανικής μάθησης

Η ομάδα χρησιμοποίησε τρεις αλγόριθμους μηχανικής μάθησης για την ανάλυση δεδομένων φωνής από 24 άτομα με νόσο του Αλτσχάιμερ και 99 άτομα χωρίς, όλοι τους ηλικίας 65 ετών και άνω.

Οι ηχογραφήσεις προήλθαν από ένα πρόγραμμα δημόσιας υγείας στο Hachioji, στο οποίο συμμετείχαν συμμετέχοντες που μιλούσαν στο τηλέφωνο για αλλαγές στον τρόπο ζωής για να μειώσουν τον κίνδυνο άνοιας.

Στο πλαίσιο του προγράμματος, οι συμμετέχοντες υποβλήθηκαν επίσης στην ιαπωνική έκδοση ενός τυπικού τεστ γνωστικής λειτουργίας που ονομάζεται Telephone Interview for Cognitive Status (TICS-J).

Για τη νέα μελέτη, οι επιστήμονες χρησιμοποίησαν φωνητικά χαρακτηριστικά από μερικές από τις ηχογραφήσεις για να εκπαιδεύσουν τους αλγόριθμους μηχανικής μάθησης ώστε να διαφοροποιηθούν μεταξύ των ατόμων με νόσο του Αλτσχάιμερ και ελέγχου.

Χρησιμοποίησαν το υπόλοιπο των ηχογραφήσεων για να μετρήσουν την απόδοση των μοντέλων που προέκυψαν.

Ένα από τα μοντέλα, που βασίστηκε σε έναν αλγόριθμο που ονομάζεται ακραία ενίσχυση κλίσης (XGBoost), είχε καλύτερη απόδοση από το TICS-J, αν και η διαφορά μεταξύ των δύο δεν έφτασε το κατώφλι για στατιστική σημασία.

Η τροφοδοσία του μοντέλου με πολλά αρχεία ήχου από κάθε άτομο βελτίωσε την αξιοπιστία των προβλέψεών του.

Τόσο το XGBoost όσο και το TICS-J είχαν βαθμολογία ευαισθησίας 100%, πράγμα που σημαίνει ότι δεν υπήρχαν ψευδώς αρνητικά - όλοι οι συμμετέχοντες στους οποίους οι δοκιμές αναγνώρισαν ότι δεν είχαν νόσο του Αλτσχάιμερ δεν είχαν την κατάσταση.

Το XGBoost πήρε επίσης ένα τέλειο σκορ για εξειδίκευση, πράγμα που σημαίνει ότι δεν υπήρχαν ψευδώς θετικά και όλα τα άτομα που ορίστηκε ότι είχαν νόσο του Αλτσχάιμερ ήταν πράγματι άτομα με αυτήν την πάθηση. Συγκριτικά, το TICS-J σημείωσε μόνο 83.3%.

Με άλλα λόγια, το 16.7% των συμμετεχόντων που ο TICS-J έκρινε ότι είχε νόσο του Αλτσχάιμερ είχε πραγματικά καλή γνωστική υγεία.

Οι ερευνητές λένε ότι οι προγραμματιστές θα μπορούσαν να ενσωματώσουν το μοντέλο τους σε ιστότοπους ή εφαρμογές για κινητά, επιτρέποντας στο ευρύ κοινό να έχει πρόσβαση σε αυτό μόνοι του.

Πιστεύουν ότι ένα τέτοιο προγνωστικό εργαλείο θα μπορούσε να καθοδηγήσει τους ανθρώπους στα πρώτα στάδια της νόσου να αναζητήσουν επαγγελματική βοήθεια.

Καταλήγουν:

«Το επίτευγμά μας στην πρόβλεψη της [νόσου του Αλτσχάιμερ] με τη χρήση μόνο φωνητικών χαρακτηριστικών από την καθημερινή συνομιλία δείχνει την πιθανότητα ανάπτυξης ενός εργαλείου προεπισκόπησης για τη νόσο [Αλτσχάιμερ] μεταξύ του γενικού πληθυσμού που είναι πιο προσιτό και χαμηλότερο κόστος.»

«[W] σχεδιάζουμε τώρα να πραγματοποιήσουμε αυτήν τη δοκιμή ξανά με μεγαλύτερο μέγεθος δείγματος στο νέο πεδίο μέχρι το τέλος του τρέχοντος έτους, προκειμένου να επικυρώσουμε περαιτέρω τα αποτελέσματά μας», δήλωσε ο επικεφαλής συγγραφέας Akihiro Shimoda της McCann Healthcare Worldwide στο Τόκιο.

«Η McCann Health θέλει να βελτιώσει αυτήν τη μέθοδο διαγνωστικού ελέγχου για να αναπτύξει τη δική της υπηρεσία με την ονομασία« Dearphone »με στόχο τη συμβολή στην πρόληψη και την έγκαιρη ανίχνευση της άνοιας», είπε στο "Detonic.shop".

Είπε ότι παράλληλα με τις εφαρμογές και τις διαδικτυακές πλατφόρμες, οι προγραμματιστές θα μπορούσαν να ενσωματώσουν το μοντέλο τους σε μια συμβατική τηλεφωνική υπηρεσία για ηλικιωμένους που δεν χρησιμοποιούν smartphone ή υπολογιστή.

«Στην πραγματικότητα, αναζητούμε έναν συνεργάτη που μπορεί να συνεργαστεί μαζί μας για να αναπτύξει και να εφαρμόσει το μοντέλο μας στην κοινωνία», πρόσθεσε.

Περιορισμοί της μελέτης

Ένας από τους κύριους περιορισμούς της μελέτης ήταν ότι χρησιμοποίησε δεδομένα ήχου από άτομα που είχαν ήδη λάβει διάγνωση της νόσου του Αλτσχάιμερ.

Για να επιβεβαιώσουν ότι το μοντέλο λειτουργεί, οι ερευνητές θα πρέπει να το δοκιμάσουν σε ένα μεγαλύτερο δείγμα από τον γενικό πληθυσμό και στη συνέχεια να τα ακολουθήσουν με την πάροδο του χρόνου για να δουν ποιος ανέπτυξε την κατάσταση.

Οι συγγραφείς σημειώνουν κάποιους άλλους περιορισμούς της δουλειάς τους. Για παράδειγμα, η μελέτη δεν έκανε διάκριση μεταξύ ατόμων με νόσο του Αλτσχάιμερ και ατόμων με ήπια γνωστική εξασθένηση, τα οποία μπορεί να έχουν διαφορετικά χαρακτηριστικά ομιλίας. Επιπλέον, το μέγεθος του δείγματος ήταν σχετικά μικρό.

Σημειώνουν επίσης ότι ένα μελλοντικό μοντέλο θα μπορούσε να ενσωματώσει περιεχόμενο ομιλίας και δομή προτάσεων για να βελτιώσει την απόδοσή του.