Aplikasi dapat menandakan Alzheimer dari perbualan telefon

Seseorang menggunakan telefon pintar biru

  • Ujian yang murah, mudah diakses dan boleh dipercayai untuk mendiagnosis penyakit Alzheimer pada tahap awal masih kurang.
  • Orang yang mempunyai keadaan cenderung bercakap dengan lebih perlahan dan berhenti sebentar.
  • Dalam satu kajian baru-baru ini, para penyelidik menggunakan pembelajaran mesin untuk mengembangkan model yang menggunakan ciri akustik percakapan seseorang untuk mengenal pasti sama ada mereka mungkin mempunyai penyakit Alzheimer awal.
  • Sekiranya ujian lebih lanjut berjaya, model dapat membantu mengenal pasti tahap awal keadaan melalui aplikasi telefon pintar atau dalam talian.

Penyakit Alzheimer melibatkan degenerasi progresif di bahagian otak yang mengatur pemikiran, ingatan, dan bahasa.

Pusat Kawalan dan Pencegahan Penyakit (CDC) melaporkan bahawa pada tahun 2020, sehingga 5.8 juta orang di Amerika Syarikat hidup dengan penyakit ini.

Penyelidikan menunjukkan bahawa diagnosis awal penting kerana memberi peluang kepada doktor untuk memulakan intervensi klinikal secepat mungkin untuk menguruskan gejala orang tersebut.

Walau bagaimanapun, tidak ada alat yang murah, mudah diakses, dan dipercayai pada masa ini untuk mendiagnosis penyakit Alzheimer semasa peringkat praklinikalnya.

Satu kemungkinan petunjuk diagnostik adalah bahawa dalam perbualan sehari-hari, orang yang menghidap penyakit ini cenderung untuk bercakap dengan lebih perlahan, berhenti ketika mereka berusaha mencari kata-kata yang tepat. Akibatnya, ucapan mereka kurang lancar berbanding dengan orang yang tidak mempunyai keadaan.

Para saintis dari McCann Healthcare Worldwide, Universiti Perubatan dan Pergigian Tokyo, Universiti Keio, dan Universiti Kyoto di Jepun berpendapat bahawa model automatik sepenuhnya dapat menggunakan ciri pertuturan akustik, seperti jeda, nada, dan intensiti suara, untuk meramalkan siapa yang cenderung berkembang Penyakit Alzheimer.

Mereka menggunakan pembelajaran mesin untuk membuat model yang mereka percaya akhirnya dapat menjadi sama baiknya, atau bahkan lebih baik daripada, ujian standard yang digunakan doktor untuk mendiagnosis penyakit tersebut.

Para saintis telah melaporkan hasilnya di PLOS ONE.

Algoritma pembelajaran mesin

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

Rakaman audio berasal dari program kesihatan awam di Hachioji yang melibatkan peserta bercakap di telefon mengenai perubahan gaya hidup untuk mengurangkan risiko demensia.

Sebagai sebahagian daripada program ini, para peserta juga menjalani ujian standar fungsi kognitif versi Jepun yang disebut Telephone Interview for Cognitive Status (TICS-J).

Untuk kajian baru, para saintis menggunakan ciri vokal dari beberapa rakaman audio untuk melatih algoritma pembelajaran mesin untuk membezakan antara orang dengan penyakit dan kawalan Alzheimer.

Mereka menggunakan rakaman selebihnya untuk mengukur prestasi model yang dihasilkan.

Salah satu model, yang didasarkan pada algoritma yang disebut peningkatan gradien ekstrim (XGBoost), berkinerja lebih baik daripada TICS-J, walaupun perbezaan antara keduanya tidak mencapai ambang untuk kepentingan statistik.

Memberi makan kepada model beberapa fail audio dari setiap individu meningkatkan kebolehpercayaan ramalannya.

Kedua-dua XGBoost dan TICS-J mempunyai skor sensitiviti 100%, yang bermaksud bahawa tidak ada negatif palsu - semua peserta yang ujian yang dikenal pasti tidak mempunyai penyakit Alzheimer tidak mempunyai keadaan.

XGBoost juga mendapat skor sempurna untuk kekhususan, yang bermaksud bahawa tidak ada positif palsu, dan semua orang yang ditakrifkan sebagai menghidap penyakit Alzheimer memang orang yang menghidap penyakit ini. Sebagai perbandingan, TICS-J hanya menjaringkan 83.3%.

Dengan kata lain, 16.7% peserta yang dinilai TICS-J menghidap penyakit Alzheimer sebenarnya mempunyai kesihatan kognitif yang baik.

Para penyelidik mengatakan bahawa pembangun dapat memasukkan model mereka ke dalam laman web atau aplikasi mudah alih, yang membolehkan masyarakat umum mengaksesnya sendiri.

Mereka percaya bahawa alat ramalan seperti itu dapat membimbing orang-orang di peringkat awal penyakit untuk mendapatkan bantuan profesional.

Mereka menyimpulkan:

"Pencapaian kami dalam meramalkan [penyakit Alzheimer] dengan baik hanya menggunakan fitur vokal dari perbualan harian menunjukkan kemungkinan mengembangkan alat pra-penyaringan untuk [penyakit Alzheimer] di kalangan penduduk umum yang lebih mudah diakses dan biaya yang lebih rendah."

"[W] kami sekarang berencana untuk melakukan ujian ini lagi dengan ukuran sampel yang lebih besar di bidang baru pada akhir tahun ini untuk mengesahkan hasil kami lebih lanjut," kata penulis utama Akihiro Shimoda dari McCann Healthcare Worldwide di Tokyo.

"McCann Health ingin meningkatkan kaedah pemeriksaan diagnostik ini untuk mengembangkan perkhidmatannya sendiri yang diberi nama 'Dearphone' yang bertujuan menyumbang kepada pencegahan dan pengesanan demensia awal," katanya kepada "Detonic.shop".

Dia mengatakan bahawa di samping aplikasi dan platform dalam talian, pemaju dapat memasukkan model mereka ke dalam perkhidmatan telefon konvensional untuk orang tua yang tidak menggunakan telefon pintar atau komputer.

"Sebenarnya, kami mencari pasangan yang dapat berkolaborasi dengan kami untuk mengembangkan dan menerapkan model kami kepada masyarakat," tambahnya.

Had kajian

Salah satu batasan utama dari kajian ini adalah bahawa ia menggunakan data audio dari orang-orang yang sudah menerima diagnosis penyakit Alzheimer.

Untuk mengesahkan bahawa model itu berfungsi, para penyelidik perlu mengujinya pada sampel yang lebih besar dari populasi umum dan kemudian mengikutinya dari masa ke masa untuk melihat siapa yang mengembangkan keadaan tersebut.

Penulis mencatatkan beberapa batasan kerja mereka yang lain. Sebagai contoh, kajian ini tidak membezakan antara orang dengan penyakit Alzheimer dan mereka yang mengalami gangguan kognitif ringan, yang mungkin mempunyai ciri-ciri pertuturan yang berbeza. Selain itu, ukuran sampelnya agak kecil.

Mereka juga memperhatikan bahawa model masa depan dapat menggabungkan kandungan ucapan dan struktur ayat untuk meningkatkan kinerjanya.