Az alkalmazás megjelölheti az Alzheimer-kórt a telefonbeszélgetésekből

Valaki kék okos telefont használ

  • Az Alzheimer-kór korai diagnosztizálásához jelenleg nincsenek olcsó, hozzáférhető és megbízható vizsgálatok.
  • A betegségben szenvedők általában lassabban és hosszabb szünetekkel beszélnek.
  • Egy friss tanulmányban a kutatók a gépi tanulással olyan modelleket fejlesztettek ki, amelyek az ember beszélgetéseinek akusztikai jellemzőit használják fel annak megállapítására, hogy korai Alzheimer-kórban szenvedhetnek-e.
  • Ha további tesztek sikeresnek bizonyulnak, a modellek segíthetnek a betegség korai szakaszainak azonosításában egy okostelefonos alkalmazáson keresztül vagy online.

Az Alzheimer-kór fokozatos degenerációval jár az agy azon részeiben, amelyek a gondolatokat, az emlékezetet és a nyelvet irányítják.

A Centers for Disease Control and Prevention (CDC) jelentése szerint 2020-ban az Egyesült Államokban legfeljebb 5.8 millió ember élt a betegségben.

A kutatások szerint a korai diagnózis azért fontos, mert lehetőséget nyújt az orvosok számára a klinikai beavatkozások mielőbbi megkezdésére az ember tüneteinek kezelése érdekében.

Jelenleg azonban nem állnak rendelkezésre olcsó, széles körben hozzáférhető és megbízható eszközök az Alzheimer-kór preklinikai stádiumának diagnosztizálására.

Az egyik lehetséges diagnosztikai mutató az lehet, hogy a mindennapi beszélgetések során a betegségben szenvedők hajlamosak lassabban beszélni, szünetet tartva, miközben megpróbálják megtalálni a megfelelő szavakat. Ennek eredményeként beszédükből hiányzik a folyékonyság, összehasonlítva a betegség nélküli emberekkel.

A McCann Healthcare Worldwide, a Tokiói Orvosi és Fogorvosi Egyetem, a Keio Egyetem és a japán Kiotói Egyetem tudósai úgy vélekedtek, hogy egy teljesen automatizált modell felhasználhatja a beszéd akusztikai jellemzőit, például a szüneteket, a hangmagasságot és a hang intenzitását annak előrejelzésére, hogy ki fejlődik ki valószínűleg Alzheimer kór.

A gépi tanulással olyan modelleket hoztak létre, amelyek véleményük szerint végül ugyanolyan jók lehetnek, vagy akár jobbak is, mint egy szokásos teszt, amelyet az orvosok használnak a betegség diagnosztizálásához.

A tudósok a PLOS ONE-ban jelentették eredményeiket.

Gépi tanulási algoritmusok

A csapat három gépi tanulási algoritmust használt 24 Alzheimer-kórban szenvedő és 99 anélkül szenvedő ember hangadatainak elemzésére, akik 65 éves vagy annál idősebbek voltak.

A hangfelvételek egy Hachioji-i közegészségügyi programból származnak, amelyben a résztvevők telefonon beszéltek életmódbeli változásokról a demencia kockázatának csökkentése érdekében.

A program részeként a résztvevők elvégezték a kognitív működés standard tesztjének japán változatát is, a Telefonos Interjú a kognitív állapotért (TICS-J) néven.

Az új tanulmányhoz a tudósok néhány hangfelvétel hangjellemzőit használták a gépi tanulási algoritmusok képzésére, hogy megkülönböztessék az Alzheimer-kórban szenvedő embereket és a kontrollokat.

A felvételek fennmaradó részét felhasználták a kapott modellek teljesítményének felmérésére.

Az egyik modell, amely az extrém gradiens növelésnek (XGBoost) nevezett algoritmuson alapult, jobban teljesített, mint a TICS-J, bár a kettő közötti különbség nem érte el a statisztikai szignifikancia küszöbét.

A modell több audio fájljának etetése javította az előrejelzések megbízhatóságát.

Az XGBoost és a TICS-J érzékenységi pontszáma egyaránt 100% volt, ami azt jelenti, hogy nem voltak hamis negatívumok - mindazok a résztvevők, akiket a tesztek szerint Alzheimer-kórban nem szenvedtek, nem voltak ilyen állapotban.

Az XGBoost tökéletes pontosságot kapott a specifitás szempontjából is, ami azt jelenti, hogy nem voltak hamis pozitív eredmények, és mindazok, akiket Alzheimer-kórként definiált, valóban olyan emberek voltak ebben a betegségben. Ehhez képest a TICS-J csak 83.3% -ot ért el.

Más szavakkal, a résztvevők 16.7% -ának, akiknek a TICS-J úgy ítélte meg, hogy Alzheimer-kórban szenvednek, jó kognitív egészségi állapota volt.

A kutatók szerint a fejlesztők beépíthetik modelljüket weboldalakba vagy mobilalkalmazásokba, lehetővé téve a nagyközönség számára, hogy saját maga is hozzáférjen ehhez.

Úgy vélik, hogy egy ilyen prediktív eszköz arra irányíthatja az embereket, hogy a betegség legkorábbi szakaszában szakszerű segítséget kérjenek.

Megállapítják:

"Az [Alzheimer-kór] jó előrejelzésében elért eredményünk, amely csak a napi beszélgetés hangjellemzőit használja, jelzi annak lehetőségét, hogy az [Alzheimer-kór] előszűrő eszköze kifejlesztésre kerüljön az általános lakosság körében, amely elérhetőbb és olcsóbb."

"[Most] azt tervezzük, hogy ez év végéig újra elvégezzük ezt a tesztet nagyobb mintamérettel az új területen, hogy tovább érvényesítsük eredményeinket" - mondta Akihiro Shimoda, a tokiói McCann Healthcare Worldwide vezető szerzője.

"A McCann Health tovább akarja fejleszteni ezt a diagnosztikai szűrési módszert, hogy kifejlessze saját" Dearphone "nevű szolgáltatását, amelynek célja a demencia megelőzése és korai felismerése." - mondta a "Detonic.shop"-nak.

Elmondta, hogy az alkalmazások és az online platformok mellett a fejlesztők beépíthetik modelljüket egy hagyományos telefonszolgáltatásba az idősebb emberek számára, akik nem használnak okostelefont vagy számítógépet.

"Valójában olyan partnert keresünk, amely együttműködhet velünk modellünk kidolgozásában és megvalósításában a társadalom számára" - tette hozzá.

A tanulmány korlátozásai

A vizsgálat egyik fő korlátja az volt, hogy olyan emberek hangadatait használta fel, akik már megkapták az Alzheimer-kór diagnózisát.

A modell működésének megerősítéséhez a kutatóknak az általános populáció nagyobb mintáján kell tesztelniük, majd az idők során követniük kell őket, hogy kiderüljön, ki fejlesztette ki az állapotot.

A szerzők megjegyzik munkájuk néhány egyéb korlátozását. Például a tanulmány nem tett különbséget az Alzheimer-kórban szenvedők és az enyhe kognitív károsodásban szenvedők között, akiknek eltérő beszédjellemzői lehetnek. Ezenkívül a minta nagysága viszonylag kicsi volt.

Megjegyzik azt is, hogy egy jövőbeni modell beépítheti beszédtartalmat és mondatszerkezetet annak teljesítményének javítása érdekében.