PixelCatchers / Getty-afbeeldingen
Belangrijkste leerpunten
- COVID-19-infecties hebben invloed op de ademhaling en spraak.
- Onderzoekers van MIT ontwikkelden een op kunstmatige intelligentie gebaseerde tool die audio-opnames van gedwongen hoest analyseert om COVID-19 te diagnosticeren.
- De tool zou mogelijk bestaande COVID-19 diagnostische tests kunnen aanvullen of vervangen, maar niet zonder zijn eigen nadelen.
Zullen temperatuurcontroles en pijnlijke neusuitstrijkjes binnenkort tot het verleden behoren? Door de sonische kenmerken van een gedwongen hoest te analyseren, toont een stukje geavanceerde kunstmatige-intelligentiesoftware veelbelovend bij het identificeren van mensen met COVID-19, volgens de resultaten van een onderzoek uitgevoerd door een team van drie onderzoekers van het Massachusetts Institute of Technology (MIT). De studie van september werd gepubliceerd in deIEEE Open Journal of Engineering in Medicine and Biology.
Zoals alle aandoeningen van de luchtwegen, richt COVID-19 zich op organen en weefsels zoals de longen, het strottenhoofd (of strottenhoofd) en de luchtpijp (of luchtpijp) en valt het deze aan, waardoor de zuurstofopname wordt beperkt en overeenkomstige veranderingen in ademhaling en spraak worden veroorzaakt. In ernstige gevallen kunnen deze veranderingen "resulteren in ademhalingsmoeilijkheden die maanden kunnen duren om te verbeteren", vertelt Katherine Herz, MPH, adjunct-instructeur van wereldwijde gezondheidsstudies aan de Universiteit van Iowa die niet bij het onderzoek betrokken was, tegen Verywell, daarbij verwijzend naar Johns Hopkins University In milde gevallen kunnen deze veranderingen te subtiel zijn voor het menselijk oor - maar niet voor geavanceerde (en supergevoelige) AI-technologie - om te detecteren.
"De geluiden van praten en hoesten worden beide beïnvloed door de stembanden en de omliggende organen", vertelde Brian Subirana, PhD, directeur van het MIT Auto-ID lab en een van de auteurs van de studie.ScienceAlert"Dit betekent dat wanneer je praat, een deel van je praten is als hoesten en vice versa. Het betekent ook dat dingen die we gemakkelijk afleiden uit vloeiend spreken, AI eenvoudig kan oppikken door hoesten, inclusief zaken als het geslacht van de persoon, de moedertaal of zelfs emotionele toestand. "
Wat dit voor u betekent
Uw COVID-19-infectiestatus kan worden weerspiegeld in uw vocale kenmerken. Hoewel een COVID-19-hoesttest veelbelovend lijkt, moet er meer onderzoek worden gedaan. In de tussentijd kunt u de website van uw staats- of lokale gezondheidsafdeling bezoeken om de nieuwste lokale informatie over testen te zoeken. Bel uw zorgverzekeraar als u COVID-19-symptomen ervaart.
Hoe is het model ontwikkeld?
De onderzoekers ontwikkelden het MIT Open Voice Brain Model (MOVBM), een op AI gebaseerd "spraakverwerkingsraamwerk" dat dient als een COVID-19 diagnostische test. De MOVBM vertrouwt op een set van vijf biomarkers, of kenmerken die vaak worden geassocieerd met een bepaalde ziekte of aandoening, om ademhalingsstoornissen van de kenmerken van infectie met COVID-19 te onderscheiden. Deze biomarkers zijn onder meer:
- Spierafbraak
- Veranderingen in stembanden
- Veranderingen in sentiment / stemming
- Veranderingen in de longen en luchtwegen
"De fysieke structuur van de longen en luchtwegen verandert door luchtweginfecties, en in de vroege dagen van de COVID-19 [pandemie] luisterden epidemiologen naar de longen terwijl patiënten moesten hoesten als onderdeel van hun diagnostische methoden", schreven de auteurs. , waarin wordt beschreven hoe COVID-19 de kwaliteit van vocalisaties beïnvloedt.
Door een drietalige (Engels, Spaans en Catalaans) audio-opname-engine te maken, waren de auteurs in staat om audio-opnames te verzamelen van gedwongen hoest door 5.320 deelnemers, evenals alle relevante medische informatie. Gegevens van 4.256 van de deelnemers werden vervolgens ingevoerd in het model om het te 'trainen' om onderscheid te maken tussen de gedwongen hoest van degenen die negatief hadden getest op COVID-19 en de gedwongen hoest van degenen die positief hadden getest op COVID-19; gegevens van de overige 1.064 deelnemers werden gebruikt om te testen of dit in staat was.
Over het algemeen identificeerde het model 100% van de asymptomatische COVID-19-positieve audio-opnames, 98,5% van alle COVID-19-positieve audio-opnames en 88% van alle audio-opnames correct.
Heeft het model toekomst in de gezondheidszorg?
Deze resultaten, zo schreven de auteurs, suggereren dat de MOVBM "een groot potentieel heeft om parallel te werken met gezondheidszorgsystemen om de huidige benaderingen om de verspreiding van de pandemie te beheersen te versterken". Ze wijzen op de voordelen van het model ten opzichte van bestaande COVID-19-detectietools als bewijs voor hun bewering. In tegenstelling tot de huidige virologie- en serologietests, die gemiddeld $ 23 per stuk kosten en enkele dagen nodig hebben om te verwerken, is de MOVBM bijvoorbeeld volledig gratis, biedt onmiddellijke resultaten en heeft een hogere mate van nauwkeurigheid om op te starten.
Artsen zien echter zowel functionele als praktische obstakels voor de brede implementatie ervan. Joshua O. Benditt, MD, professor in de afdeling pulmonale, kritieke zorg en slaapgeneeskunde aan de University of Washington School of Medicine, zegt tegen Verywell dat “het een interessant idee is, maar getest zou moeten worden op een populatie van mensen die zijn symptomatisch maar met een andere ziekte. "
"In mijn gedachten is de echte vraag: 'Kan dit programma de hoest van iemand met COVID-19 onderscheiden van iemand met verkoudheid (ook [a] coronavirus), griep, bacteriële longontsteking en andere veel voorkomende aandoeningen?' ' hij zegt.
Herz gelooft dat het model potentieel heeft, maar dat zijn technologische verfijning zijn ondergang kan bewijzen.
“Hoewel de hoestopnamen hoopvol klinken, is het niet duidelijk hoeveel tijd er nodig zal zijn om goedkeuring van de FDA te krijgen, om meer machines te produceren die hoestpatronen kunnen analyseren, zoals de studie beschrijft, en om mensen te trainen zodat [zij] in staat zijn om hoestpatronen te analyseren. om de apparatuur correct te gebruiken, zodat er zo min mogelijk fout-positieven en fout-negatieven zijn wanneer mensen worden getest ”, zegt ze. Het is tenslotte veel eenvoudiger om de binnenkant van iemands mond schoon te vegen dan om een analyse uit te voeren op een audio-opname.
