📱 2022, 09:05:18 – Париж/Франция.
Раннее выявление обострений ХОБЛ можно контролировать с помощью мобильного приложения myCOPD. Кредит: мое mHealth Ltd
Согласно исследованию, которое будет представлено на Международном конгрессе Европейского респираторного общества в понедельник в Барселоне, Испания, искусственный интеллект (ИИ) можно использовать для обнаружения инфекции COVID-19 по голосам людей через приложение для мобильных телефонов.
Модель искусственного интеллекта, используемая в этом исследовании, более точна, чем тестирование на антиген с латеральным/быстрым потоком, а также дешева, быстра и проста в использовании, что означает, что ее можно использовать в странах с низким уровнем дохода, где тестирование ПЦР дорого и/или трудно распространять. .
Г-жа Вафаа Альбави, исследователь из Института науки о данных Маастрихтского университета, Нидерланды, сообщила конгрессу, что модель ИИ была точной в 89% случаев, в то время как точность латеральных тестов потока значительно различалась в зависимости от бренда. Кроме того, тесты с боковым потоком были значительно менее точными при выявлении инфекции COVID у людей, у которых не было симптомов.
«Эти многообещающие результаты показывают, что простые записи голоса и точно настроенные алгоритмы искусственного интеллекта потенциально могут обеспечить высокую точность определения пациентов, инфицированных COVID-19», — сказала она. «Такие тесты могут быть предоставлены бесплатно и их легко интерпретировать. Кроме того, они позволяют проводить удаленное виртуальное тестирование, а время обработки составляет менее минуты. Их можно использовать, например, на входах в места массового скопления людей, что позволяет быстро проверять население.
Инфекция COVID-19 обычно поражает верхние дыхательные пути и голосовые связки, вызывая изменения голоса человека. Г-жа Альбави и ее руководители, доктор Сами Саймонс, пульмонолог из Медицинского центра Маастрихтского университета, и доктор Визара Урови, также из Института науки о данных, решили выяснить, можно ли использовать ИИ для анализа голосов для обнаружения COVID-19. ЖЕНСКИЙ РОД
Они использовали данные из приложения COVID-19 Sounds Кембриджского университета, которое содержит 893 аудиосэмпла от 4 здоровых и нездоровых участников, 352 из которых дали положительный результат на COVID-308. Приложение устанавливается на мобильный телефон пользователя, участники сообщают основную информацию о демографии, истории болезни и статусе курения, а затем их просят записать звуки дыхания. К ним относятся трехкратный кашель, три-пять глубоких вдохов через рот и трехкратное чтение короткого предложения на экране.
Исследователи использовали метод анализа голоса, называемый анализом спектрограммы Мела, который определяет различные характеристики голоса, такие как громкость, громкость и изменение во времени.
«Таким образом, мы можем разложить многие свойства голосов участников», — сказала г-жа Алджбави. «Чтобы отличить голос пациентов с COVID-19 от тех, кто не болел, мы построили разные модели искусственного интеллекта и оценили, какая из них лучше всего подходит для классификации случаев COVID-19.
Они обнаружили, что модель, называемая долговременной памятью (LSTM), превосходит другие модели. LSTM основан на нейронных сетях, которые имитируют работу человеческого мозга и распознают основные взаимосвязи в данных. Он работает с последовательностями, что делает его пригодным для моделирования сигналов, собранных с течением времени, таких как голос, благодаря его способности хранить данные в памяти.
Его общая точность составила 89 %, его способность правильно выявлять положительные случаи (истинная положительная частота или «чувствительность») — 89 %, а его способность правильно идентифицировать отрицательные случаи (истинная отрицательная частота или «специфичность») — 83 %. .
«Эти результаты показывают значительное улучшение диагностической точности COVID-19 по сравнению с самыми современными тестами, такими как тест бокового потока», — сказала г-жа Алджбави. «Тест бокового потока имеет чувствительность всего 56%, но более высокую степень специфичности — 99,5%. Это важно, потому что это означает, что тест на латеральный поток неправильно классифицирует инфицированных людей как отрицательных на COVID-19 чаще, чем наш тест. Другими словами, с моделью AI LSTM мы можем пропустить 11 из 100 случаев, которые продолжают распространять инфекцию, в то время как тест бокового потока пропустит 44 из 100 случаев.
«Высокая специфичность теста латерального потока означает, что только одному из 100 человек будет неправильно сообщено, что он положительный на COVID-19, когда на самом деле они не инфицированы, в то время как тест LSTM неправильно диагностирует 17 из 100 неинфицированных людей. положительный. Однако, поскольку этот тест практически бесплатный, можно пригласить людей на ПЦР-тесты, если тесты LSTM покажут их положительный результат.
Исследователи говорят, что их результаты должны быть подтверждены большим числом участников. С начала этого проекта было собрано 53 449 аудиосэмплов от 36 116 участников, которые можно использовать для улучшения и проверки точности модели. Они также проводят более глубокий анализ, чтобы понять, какие параметры голоса влияют на модель ИИ.
Во втором исследовании г-н Генри Глайд, аспирант инженерного факультета Бристольского университета, показал, что ИИ можно использовать с помощью приложения под названием myCOPD, чтобы предсказывать, когда пациенты с хронической обструктивной болезнью легких (ХОБЛ) могут страдать. обострение их болезни, иногда называемое острым обострением. Обострения ХОБЛ могут быть очень серьезными и связаны с повышенным риском госпитализации. Симптомы включают одышку, кашель и выделение большего количества мокроты (слизи).
«Острые обострения ХОБЛ имеют неблагоприятные исходы. Мы знаем, что раннее выявление и лечение обострений может улучшить эти результаты, поэтому мы хотели определить прогностическую способность широко используемого приложения для лечения ХОБЛ», — сказал он.
Приложение myCOPD — это интерактивное облачное приложение, разработанное пациентами и врачами и доступное в Национальной службе здравоохранения Великобритании. Он был создан в 2016 году, и на сегодняшний день более 15 000 пациентов с ХОБЛ используют его для лечения своего заболевания.
Исследователи собрали 45 636 записей о 183 пациентах в период с августа 2017 года по декабрь 2021 года. Из них 45 007 записей о стабильном заболевании и 629 обострениях. Прогнозы обострения были созданы за один-восемь дней до того, как пациенты сообщили об обострении. Глайд и его коллеги использовали эти данные для обучения моделей ИИ на 70% данных и их тестирования на 30%.
Пациенты были «активными пользователями», используя приложение еженедельно в течение месяцев или даже лет, чтобы регистрировать свои симптомы и другую информацию о здоровье, регистрировать лекарства, устанавливать напоминания и получать доступ к актуальной информации о здоровье и образе жизни. Врачи могут оценивать данные с помощью клинической приборной панели, что позволяет им осуществлять дистанционное наблюдение, совместное управление и мониторинг.
«Самая последняя разработанная нами модель ИИ имеет чувствительность 32% и специфичность 95%. Это означает, что модель очень хорошо дает понять пациентам, что у них не будет обострения, что может помочь им избежать ненужного лечения. . Гораздо хуже говорить им, когда они собираются его завести. Улучшение этого будет в центре внимания следующего этапа нашего исследования», — сказал Глайд.
Выступая на конгрессе, д-р Джеймс Додд, адъюнкт-профессор респираторной медицины Бристольского университета и руководитель проекта, сказал: «Насколько нам известно, это исследование является первым в своем роде, в котором моделируются реальные данные о пациентах с ХОБЛ, взятые из широко развернутое терапевтическое приложение. Таким образом, модели прогнозирования обострений, созданные в ходе этого исследования, потенциально могут быть применены к тысячам других пациентов с ХОБЛ после дальнейшего тестирования безопасности и эффективности. Это позволит пациентам иметь больше автономии и контроля над своим здоровьем. также является значительным преимуществом для их врачей, поскольку такая система, вероятно, уменьшит зависимость пациентов от первичной медико-санитарной помощи. Кроме того, более эффективное лечение обострений может предотвратить госпитализацию и снизить нагрузку на систему здравоохранения. Необходимо дальнейшее изучение участия пациентов, чтобы определить, какой уровень точности является приемлемым и как система оповещения об обострениях будет работать на практике. может еще больше улучшить мониторинг и повысить прогностическую эффективность моделей. »
Одним из ограничений исследования является небольшое количество частых пользователей приложения. Текущая модель требует, чтобы пациент ввел оценочный тест ХОБЛ, заполнил свой дневник приема лекарств, а затем точно сообщил, что у него произошло обострение через несколько дней. Обычно только пациенты, активно использующие приложение ежедневно или еженедельно, могут предоставить объем данных, необходимый для моделирования ИИ. Кроме того, поскольку дней, когда пользователи находятся в стабильном состоянии, намного больше, чем дней, когда у них наблюдается обострение, существует значительный дисбаланс между доступными данными об обострении и отсутствии обострения. Из-за этого моделям еще труднее правильно прогнозировать события после обучения на этих несбалансированных данных.
«Недавнее партнерство между пациентами, клиницистами и лицами, осуществляющими уход, для определения приоритетов исследований ХОБЛ показало, что вопрос с наивысшим баллом заключался в том, как определить лучшие способы предотвращения обострений. Мы сосредоточились на этом вопросе и будем тесно сотрудничать с пациентами для разработки и внедрения системы», — заключил Глайд.
Председатель Научного совета ERS Профессор Крис Брайтлинг является главным исследователем Национального института исследований в области здравоохранения и ухода (NIHR) в Университете Лестера, Великобритания, и не принимал участия в исследовании. Он прокомментировал: «Эти два исследования показывают потенциал искусственного интеллекта и приложений для мобильных телефонов и других цифровых устройств, чтобы изменить ситуацию к лучшему в лечении заболеваний. Наличие большего количества данных для обучения этих моделей ИИ, включая соответствующие контрольные группы, а также проверка в нескольких исследованиях повысят их точность и надежность. Цифровое здравоохранение с использованием моделей ИИ представляет собой захватывающую возможность и, вероятно, повлияет на здравоохранение в будущем.
Врачи первичного звена нуждаются в оптимизированном лечении и лучшей поддержке пациентов с ХОБЛ
Дополнительная информация:
[1] Резюме №: OA1626, «Разработка многомерной прогностической модели для обнаружения COVID-19 на основе данных респираторного голоса из краудсорсинга», представленный Вафаа Альджбави на сессии «Цифровая медицина для COVID-19», 08:15- 09:30 CEST, понедельник, 5 сентября 2022 г., https://k4.ersnet.org/prod/v2/Front/Program/Session?e=377&session=14843
[2] Резюме №. PA2728, «Прогнозное моделирование обострения с использованием реальных данных из приложения myCOPD», представленный Генри Глайдом, тематический постер «Цифровые медицинские вмешательства в респираторной практике», 13:00–14:00 CEST, понедельник, 5 сентября 2022 г., https: //к4. ersnet.org/prod/v2/Front/Program/Session?e=377&session=14775
...
ИСТОЧНИК: Отзывы Новости
Не стесняйтесь поделиться нашей статьей в социальных сетях, чтобы дать нам солидный импульс. 📱