Aplikacja może oznaczać chorobę Alzheimera z rozmów telefonicznych

Ktoś używający niebieskiego smartfona

  • Obecnie brakuje tanich, dostępnych i wiarygodnych testów do diagnozowania choroby Alzheimera na wczesnym etapie.
  • Osoby cierpiące na tę chorobę mają tendencję do wolniejszego mówienia i dłuższej przerwy.
  • W niedawnym badaniu naukowcy wykorzystali uczenie maszynowe do opracowania modeli, które wykorzystują akustyczne cechy rozmów danej osoby, aby określić, czy może ona mieć wczesną chorobę Alzheimera.
  • Jeśli dalsze testy okażą się skuteczne, modele mogą pomóc w identyfikacji wczesnych stadiów choroby za pośrednictwem aplikacji na smartfona lub online.

Choroba Alzheimera obejmuje postępującą degenerację części mózgu, które rządzą myślami, pamięcią i językiem.

Centra Kontroli i Prewencji Chorób (CDC) donoszą, że w 2020 r. z chorobą żyło do 5.8 miliona ludzi w Stanach Zjednoczonych.

Badania sugerują, że wczesna diagnoza jest ważna, ponieważ daje lekarzom możliwość jak najszybszego rozpoczęcia interwencji klinicznych w celu opanowania objawów danej osoby.

Jednak obecnie nie są dostępne żadne niedrogie, szeroko dostępne i niezawodne narzędzia do diagnozowania choroby Alzheimera w jej fazie przedklinicznej.

Jednym z możliwych wskaźników diagnostycznych może być to, że w codziennej rozmowie osoby z chorobą mają tendencję do wolniejszego mówienia, zatrzymując się, gdy próbują znaleźć właściwe słowa. W rezultacie ich mowa może nie być płynna w porównaniu z osobami bez tej choroby.

Naukowcy z McCann Healthcare Worldwide, Tokyo Medical and Dental University, Keio University i Kyoto University w Japonii stwierdzili, że w pełni zautomatyzowany model może wykorzystywać akustyczne cechy mowy, takie jak pauzy, wysokość i intensywność głosu, aby przewidzieć, kto może się rozwinąć Choroba Alzheimera.

Wykorzystali uczenie maszynowe do stworzenia modeli, które ich zdaniem mogą być tak samo dobre, a nawet lepsze niż standardowy test używany przez lekarzy do diagnozowania choroby.

Naukowcy przedstawili swoje wyniki w PLOS ONE.

Algorytmy uczenia maszynowego

Zespół wykorzystał trzy algorytmy uczenia maszynowego do analizy danych głosowych od 24 osób z chorobą Alzheimera i 99 osób bez tej choroby, z których wszystkie miały co najmniej 65 lat.

Nagrania dźwiękowe pochodziły z programu zdrowia publicznego w Hachioji, w ramach którego uczestnicy rozmawiali przez telefon o zmianach stylu życia w celu zmniejszenia ryzyka demencji.

W ramach programu uczestnicy przeszli również japońską wersję standardowego testu funkcjonowania poznawczego zwanego Wywiadem Telefonicznym dla Stanu Poznawczego (TICS-J).

W nowym badaniu naukowcy wykorzystali cechy wokalne z niektórych nagrań dźwiękowych, aby wytrenować algorytmy uczenia maszynowego w celu rozróżnienia między osobami z chorobą Alzheimera a grupą kontrolną.

Pozostałą część nagrań wykorzystali do oceny wydajności powstałych modeli.

Jeden z modeli, oparty na algorytmie zwanym ekstremalnym zwiększaniem gradientu (XGBoost), działał lepiej niż TICS-J, chociaż różnica między nimi nie osiągnęła progu istotności statystycznej.

Dostarczenie modelowi kilku plików audio z każdej osoby poprawiło wiarygodność jego przewidywań.

Zarówno XGBoost, jak i TICS-J uzyskały wynik 100% czułości, co oznacza, że ​​nie było wyników fałszywie ujemnych — wszyscy uczestnicy, których testy zidentyfikowały jako osoby bez choroby Alzheimera, nie mieli tej choroby.

XGBoost uzyskał również doskonały wynik za swoistość, co oznacza, że ​​nie było wyników fałszywie dodatnich, a wszystkie osoby, które zdefiniował jako mające chorobę Alzheimera, to rzeczywiście osoby z tą chorobą. Dla porównania, TICS-J uzyskał tylko 83.3%.

Innymi słowy, 16.7% uczestników, których TICS-J ocenił jako mających chorobę Alzheimera, faktycznie miało dobre zdrowie poznawcze.

Naukowcy twierdzą, że programiści mogliby włączyć swój model do stron internetowych lub aplikacji mobilnych, umożliwiając ogółowi społeczeństwa dostęp do niego dla siebie.

Uważają, że takie narzędzie prognostyczne może pomóc ludziom w najwcześniejszych stadiach choroby szukać profesjonalnej pomocy.

Wnioskują:

„Nasze osiągnięcie w dobrym przewidywaniu [choroby Alzheimera] przy użyciu wyłącznie cech głosowych z codziennych rozmów wskazuje na możliwość opracowania narzędzia wstępnego badania [choroby Alzheimera] wśród populacji ogólnej, które byłoby bardziej dostępne i tańsze”.

„Planujemy teraz przeprowadzić ten test ponownie z większą próbą w nowej dziedzinie do końca tego roku, aby jeszcze bardziej zweryfikować nasze wyniki” – powiedział główny autor Akihiro Shimoda z McCann Healthcare Worldwide w Tokio.

„McCann Health chce dalej ulepszać tę diagnostyczną metodę badań przesiewowych, aby rozwijać własną usługę o nazwie „Dearphone”, która ma przyczynić się do zapobiegania i wczesnego wykrywania demencji” – powiedział "Detonic.shop".

Powiedział, że wraz z aplikacjami i platformami internetowymi programiści mogą włączyć swój model do konwencjonalnej usługi telefonicznej dla osób starszych, które nie korzystają ze smartfona ani komputera.

„Właściwie szukamy partnera, który może z nami współpracować w celu opracowania i wdrożenia naszego modelu w społeczeństwie” – dodał.

Ograniczenia badania

Jednym z głównych ograniczeń badania było wykorzystanie danych dźwiękowych od osób, które już otrzymały diagnozę choroby Alzheimera.

Aby potwierdzić, że model działa, naukowcy musieliby przetestować go na większej próbie z populacji ogólnej, a następnie śledzić je w czasie, aby zobaczyć, kto rozwinął ten stan.

Autorzy zwracają uwagę na inne ograniczenia swojej pracy. Na przykład w badaniu nie dokonano rozróżnienia między osobami z chorobą Alzheimera a osobami z łagodnymi zaburzeniami poznawczymi, które mogą mieć różne cechy mowy. Ponadto liczebność próby była stosunkowo niewielka.

Zauważają również, że przyszły model może zawierać treść mowy i strukturę zdań, aby poprawić jego wydajność.