App kan Alzheimer signaleren via telefoongesprekken

Iemand die een blauwe smartphone gebruikt

  • Goedkope, toegankelijke en betrouwbare tests om de ziekte van Alzheimer in een vroeg stadium te diagnosticeren ontbreken momenteel.
  • Mensen met de aandoening hebben de neiging om langzamer en met langere pauzes te spreken.
  • In een recent onderzoek gebruikten onderzoekers machinaal leren om modellen te ontwikkelen die de akoestische kenmerken van iemands gesprekken gebruiken om te bepalen of ze mogelijk de vroege ziekte van Alzheimer hebben.
  • Als verdere tests succesvol blijken te zijn, kunnen de modellen helpen bij het identificeren van de vroege stadia van de aandoening via een smartphone-app of online.

De ziekte van Alzheimer omvat progressieve degeneratie in de delen van de hersenen die gedachten, geheugen en taal beheersen.

De Centers for Disease Control and Prevention (CDC) melden dat in 2020 tot 5.8 miljoen mensen in de Verenigde Staten met de ziekte leefden.

Onderzoek suggereert dat een vroege diagnose belangrijk is omdat het artsen de mogelijkheid biedt om zo snel mogelijk klinische interventies te starten om de symptomen van de persoon te beheersen.

Er zijn momenteel echter geen goedkope, algemeen toegankelijke en betrouwbare hulpmiddelen beschikbaar om de ziekte van Alzheimer te diagnosticeren tijdens de preklinische fase.

Een mogelijke diagnostische indicator kan zijn dat mensen met de ziekte in alledaagse conversaties de neiging hebben om langzamer te spreken en even te pauzeren als ze de juiste woorden proberen te vinden. Als gevolg hiervan kan hun spraak minder vloeiend zijn in vergelijking met mensen zonder de aandoening.

Wetenschappers van McCann Healthcare Worldwide, Tokyo Medical and Dental University, Keio University en Kyoto University in Japan redeneerden dat een volledig geautomatiseerd model akoestische kenmerken van spraak, zoals pauzes, toonhoogte en stemintensiteit, zou kunnen gebruiken om te voorspellen wie zich waarschijnlijk zal ontwikkelen. Ziekte van Alzheimer.

Ze gebruikten machine learning om modellen te maken waarvan ze denken dat ze uiteindelijk net zo goed of zelfs beter kunnen zijn dan een standaardtest die artsen gebruiken om de ziekte te diagnosticeren.

De wetenschappers hebben hun resultaten gerapporteerd in PLOS ONE.

Algoritmen voor machinaal leren

Het team gebruikte drie algoritmen voor machine learning om stemgegevens te analyseren van 24 mensen met de ziekte van Alzheimer en 99 mensen zonder, die allemaal 65 jaar of ouder waren.

De audio-opnames waren afkomstig van een volksgezondheidsprogramma in Hachioji waarbij deelnemers aan de telefoon praatten over veranderingen in levensstijl om hun risico op dementie te verminderen.

Als onderdeel van het programma ondergingen de deelnemers ook de Japanse versie van een standaardtest van cognitief functioneren, het telefooninterview voor cognitieve status (TICS-J).

Voor de nieuwe studie gebruikten de wetenschappers vocale kenmerken van sommige van de audio-opnames om de machine-learning-algoritmen te trainen om onderscheid te maken tussen mensen met de ziekte van Alzheimer en controles.

Ze gebruikten de rest van de opnames om de prestaties van de resulterende modellen te meten.

Een van de modellen, die was gebaseerd op een algoritme dat extreme gradiëntversterking (XGBoost) wordt genoemd, presteerde beter dan TICS-J, hoewel het verschil tussen de twee de drempel voor statistische significantie niet bereikte.

Door het model verschillende audiobestanden van elk individu te geven, werd de betrouwbaarheid van de voorspellingen verbeterd.

Zowel XGBoost als TICS-J hadden een gevoeligheidsscore van 100%, wat betekent dat er geen vals-negatieven waren - alle deelnemers van wie de tests identificeerden dat ze geen Alzheimer hadden, hadden de aandoening niet.

XGBoost kreeg ook een perfecte score voor specificiteit, wat betekent dat er geen valse positieven waren, en alle mensen die het definieerde als de ziekte van Alzheimer waren inderdaad mensen met deze aandoening. Ter vergelijking: TICS-J scoorde slechts 83.3%.

Met andere woorden, 16.7% van de deelnemers van wie TICS-J oordeelde dat ze de ziekte van Alzheimer hadden, had een goede cognitieve gezondheid.

De onderzoekers zeggen dat ontwikkelaars hun model kunnen opnemen in websites of mobiele apps, zodat het grote publiek er zelf toegang toe heeft.

Ze geloven dat een dergelijk voorspellend hulpmiddel mensen in de vroegste stadia van de ziekte zou kunnen begeleiden om professionele hulp te zoeken.

Ze concluderen:

"Onze prestatie bij het goed voorspellen van [de ziekte van Alzheimer] met alleen vocale kenmerken uit het dagelijkse gesprek, geeft de mogelijkheid aan om een ​​pre-screening tool voor [de ziekte van Alzheimer] onder de algemene bevolking te ontwikkelen die toegankelijker en goedkoper is."

"[W]e zijn nu van plan om deze test tegen het einde van dit jaar opnieuw uit te voeren met een grotere steekproefomvang in het nieuwe veld om onze resultaten verder te valideren", zei hoofdauteur Akihiro Shimoda van McCann Healthcare Worldwide in Tokio.

"McCann Health wil deze diagnostische screeningsmethode verder verbeteren om zijn eigen service genaamd 'Dearphone' te ontwikkelen, gericht op het bijdragen aan preventie en vroege detectie van dementie," vertelde hij "Detonic.shop".

Hij zei dat ontwikkelaars, naast apps en online platforms, hun model zouden kunnen integreren in een conventionele telefoondienst voor oudere mensen die geen smartphone of computer gebruiken.

"Eigenlijk zijn we op zoek naar een partner die met ons kan samenwerken om ons model te ontwikkelen en te implementeren in de samenleving", voegde hij eraan toe.

Limitaties van de studie

Een van de belangrijkste beperkingen van het onderzoek was dat het gebruik maakte van audiogegevens van mensen die al een diagnose van de ziekte van Alzheimer hadden gekregen.

Om te bevestigen dat het model werkt, zouden onderzoekers het moeten testen op een grotere steekproef uit de algemene bevolking en deze vervolgens in de loop van de tijd moeten volgen om te zien wie de aandoening heeft ontwikkeld.

De auteurs wijzen op enkele andere beperkingen van hun werk. De studie maakte bijvoorbeeld geen onderscheid tussen mensen met de ziekte van Alzheimer en mensen met een milde cognitieve stoornis, die mogelijk verschillende spraakkenmerken hebben. Bovendien was de steekproefomvang relatief klein.

Ze merken ook op dat een toekomstig model spraakinhoud en zinsstructuur zou kunnen bevatten om de prestaties te verbeteren.