Aplikasi dapat menandai Alzheimer dari percakapan telepon

Seseorang menggunakan ponsel pintar biru

  • Tes yang murah, mudah diakses, dan andal untuk mendiagnosis penyakit Alzheimer pada tahap awal saat ini masih kurang.
  • Orang dengan kondisi tersebut cenderung berbicara lebih lambat dan dengan jeda yang lebih lama.
  • Dalam sebuah studi baru-baru ini, para peneliti menggunakan pembelajaran mesin untuk mengembangkan model yang menggunakan fitur akustik dari percakapan seseorang untuk mengidentifikasi apakah mereka mungkin memiliki penyakit Alzheimer dini.
  • Jika tes lebih lanjut terbukti berhasil, model dapat membantu mengidentifikasi tahap awal kondisi melalui aplikasi smartphone atau online.

Penyakit Alzheimer melibatkan degenerasi progresif di bagian otak yang mengatur pikiran, memori, dan bahasa.

Pusat Pengendalian dan Pencegahan Penyakit (CDC) melaporkan bahwa pada tahun 2020, hingga 5.8 juta orang di Amerika Serikat hidup dengan penyakit ini.

Penelitian menunjukkan bahwa diagnosis dini penting karena memberikan kesempatan bagi dokter untuk memulai intervensi klinis sesegera mungkin untuk mengelola gejala orang tersebut.

Namun, tidak ada alat yang murah, dapat diakses secara luas, dan andal saat ini tersedia untuk mendiagnosis penyakit Alzheimer selama tahap praklinisnya.

Salah satu indikator diagnostik yang mungkin adalah bahwa dalam percakapan sehari-hari, penderita penyakit cenderung berbicara lebih lambat, berhenti sejenak ketika mereka mencoba menemukan kata yang tepat. Akibatnya, bicara mereka bisa kurang lancar dibandingkan dengan orang tanpa kondisi tersebut.

Para ilmuwan dari McCann Healthcare Worldwide, Tokyo Medical and Dental University, Keio University, dan Kyoto University di Jepang beralasan bahwa model yang sepenuhnya otomatis dapat menggunakan fitur akustik ucapan, seperti jeda, nada, dan intensitas suara, untuk memprediksi siapa yang mungkin berkembang. penyakit alzheimer.

Mereka menggunakan pembelajaran mesin untuk membuat model yang mereka yakini pada akhirnya bisa sebaik, atau bahkan lebih baik dari, tes standar yang digunakan dokter untuk mendiagnosis penyakit.

Para ilmuwan telah melaporkan hasil mereka di PLOS ONE.

Algoritma pembelajaran mesin

Tim menggunakan tiga algoritma pembelajaran mesin untuk menganalisis data suara dari 24 orang dengan penyakit Alzheimer dan 99 orang tanpa penyakit, semuanya berusia 65 tahun atau lebih.

Rekaman audio berasal dari program kesehatan masyarakat di Hachioji yang melibatkan peserta berbicara di telepon tentang perubahan gaya hidup untuk mengurangi risiko demensia.

Sebagai bagian dari program, para peserta juga menjalani tes standar fungsi kognitif versi Jepang yang disebut Wawancara Telepon untuk Status Kognitif (TICS-J).

Untuk studi baru, para ilmuwan menggunakan fitur vokal dari beberapa rekaman audio untuk melatih algoritma pembelajaran mesin untuk membedakan antara orang dengan penyakit Alzheimer dan kontrol.

Mereka menggunakan sisa rekaman untuk mengukur kinerja model yang dihasilkan.

Salah satu model, yang didasarkan pada algoritma yang disebut peningkatan gradien ekstrim (XGBoost), berkinerja lebih baik daripada TICS-J, meskipun perbedaan antara keduanya tidak mencapai ambang batas signifikansi statistik.

Memberi makan model beberapa file audio dari masing-masing individu meningkatkan keandalan prediksinya.

Baik XGBoost dan TICS-J memiliki skor sensitivitas 100%, yang berarti bahwa tidak ada negatif palsu — semua peserta yang tes diidentifikasi tidak memiliki penyakit Alzheimer tidak memiliki kondisi tersebut.

XGBoost juga mendapat skor sempurna untuk spesifisitas, artinya tidak ada hasil positif palsu, dan semua orang yang didefinisikan menderita penyakit Alzheimer memang orang dengan kondisi ini. Sebagai perbandingan, TICS-J hanya mencetak 83.3%.

Dengan kata lain, 16.7% dari peserta yang dinilai TICS-J memiliki penyakit Alzheimer sebenarnya memiliki kesehatan kognitif yang baik.

Para peneliti mengatakan bahwa pengembang dapat memasukkan model mereka ke dalam situs web atau aplikasi seluler, yang memungkinkan masyarakat umum untuk mengaksesnya sendiri.

Mereka percaya bahwa alat prediksi semacam itu dapat memandu orang pada tahap awal penyakit untuk mencari bantuan profesional.

Mereka menyimpulkan:

“Pencapaian kami dalam memprediksi [penyakit Alzheimer] dengan baik hanya menggunakan fitur vokal dari percakapan sehari-hari menunjukkan kemungkinan mengembangkan alat pra-skrining untuk [penyakit Alzheimer] di antara populasi umum yang lebih mudah diakses dan biaya lebih rendah.”

“[Kami] sekarang berencana untuk melakukan tes ini lagi dengan ukuran sampel yang lebih besar di bidang baru pada akhir tahun ini untuk lebih memvalidasi hasil kami,” kata penulis utama Akihiro Shimoda dari McCann Healthcare Worldwide di Tokyo.

“McCann Health ingin meningkatkan metode skrining diagnostik ini lebih lanjut untuk mengembangkan layanannya sendiri bernama 'Dearphone' yang bertujuan untuk berkontribusi pada pencegahan dan deteksi dini demensia,” katanya kepada "Detonic.shop".

Dia mengatakan bahwa di samping aplikasi dan platform online, pengembang dapat memasukkan model mereka ke dalam layanan telepon konvensional untuk orang tua yang tidak menggunakan smartphone atau komputer.

“Sebenarnya kami sedang mencari mitra yang bisa berkolaborasi dengan kami untuk mengembangkan dan mengimplementasikan model kami ke masyarakat,” tambahnya.

Keterbatasan penelitian

Salah satu keterbatasan utama penelitian ini adalah menggunakan data audio dari orang-orang yang telah menerima diagnosis penyakit Alzheimer.

Untuk memastikan bahwa model tersebut bekerja, peneliti perlu mengujinya pada sampel yang lebih besar dari populasi umum dan kemudian mengikuti mereka dari waktu ke waktu untuk melihat siapa yang mengembangkan kondisi tersebut.

Para penulis mencatat beberapa keterbatasan lain dari pekerjaan mereka. Misalnya, penelitian ini tidak membedakan antara orang dengan penyakit Alzheimer dan mereka yang memiliki gangguan kognitif ringan, yang mungkin memiliki karakteristik bicara yang berbeda. Selain itu, ukuran sampel yang relatif kecil.

Mereka juga mencatat bahwa model masa depan dapat menggabungkan konten ucapan dan struktur kalimat untuk meningkatkan kinerjanya.