Din stemme kan afsløre, om du har covid-19

Kunstig intelligens kan bruges til at detektere covid-19-infektion i folks stemmer ved hjælp af en mobiltelefon-app.

Det viser studiet, der blev præsenteret på lunge-kongressen ERS.

Forskeren bag studiet, Wafaa Aljbawi, der er dual data scientist ved Institute of Data Science, Maastricht University, Holland, peger på, at den kunstige intelligens (AI) var nøjagtig i 89 procent af tiden, hvorimod nøjagtigheden af ​​kviktest varierede meget afhængigt af mærket. Kviktest er også betydelig mindre nøjagtige til at påvise COVID-infektion hos mennesker, der ikke viser nogen symptomer.

”Disse lovende resultater tyder på, at simple stemmeoptagelser og finjusterede AI-algoritmer potentielt kan opnå høj præcision for at udpege, hvilke patienter der har covid-19-infektion. Sådanne tests kan leveres uden omkostninger og er nemme at fortolke. Desuden muliggør de virtuel test på afstand, ligesom de har en ekspeditionstid på mindre end et minut. De kunne for eksempel bruges ved indgangene til store forsamlinger, hvilket muliggør hurtig screening af befolkningen,” siger Wafaa Aljbawi. 

COVID-19-infektion påvirker normalt de øvre luftveje og stemmebåndene, hvilket fører til ændringer i en persons stemme. Derfor besluttede Wafaa Aljbawi og hendes vejledere, Dr. Sami Simons, lungespecialist ved Maastricht University Medical Centre, og Dr. Visara Urovi, ligeledes fra Institute of Data Science, at undersøge, om det var muligt at bruge AI til at analysere stemmer for at opdage COVID-19.

Installeres på brugeres mobiltelefon

Holdet brugte data fra University of Cambridges crowd-sourcing COVID-19 Sounds App, der indeholder 893 lydprøver fra 4.352 raske og ikke-raske deltagere, hvoraf 308 var testet positive for COVID-19. Appen installeres på brugerens mobiltelefon, hvorefter deltagerne oplyser nogle grundlæggende oplysninger om demografi, sygehistorie og rygestatus, hvorefter de bliver bedt om at optage nogle respiratoriske lyde. Disse omfatter at hoste tre gange, trække vejret dybt gennem munden tre til fem gange og læse en kort sætning, der vises på skærmen, tre gange.

Forskerne brugte en stemmeanalyseteknik kaldet Mel-spektrogramanalyse, som identificerer forskellige stemmeegenskaber såsom lydstyrke, kraft og variation over tid. 

”På den måde kan vi nedbryde de mange egenskaber ved deltagernes stemmer. Og for at skelne stemmen fra covid-19-patienter fra dem, der ikke havde sygdommen, byggede vi forskellige kunstige intelligens-modeller og evaluerede, hvilken der fungerede bedst til at klassificere COVID-19-tilfældene,” forklarer Aljbawi.

Forskerne fandt, at en model kaldet Long-Short Term Memory (LSTM) var bedre end de andre modeller. LSTM er baseret på neurale netværk, som efterligner den måde, den menneskelige hjerne fungerer og genkender de underliggende relationer i data. Den arbejder med sekvenser, hvilket gør den velegnet til at modellere signaler indsamlet over tid på grund af dens evne til at gemme data i sin hukommelse.

Dens samlede nøjagtighed var 89 procent, dens evne til korrekt at detektere positive tilfælde (den sande positive rate eller "følsomhed") var 89 procent, og dens evne til korrekt at identificere negative tilfælde (den sande negative rate eller "specificitet") var 83 procent.

Kunstig intelligens og KOL

I en anden undersøgelse har Henry Glyde, ph.d.-studerende ved fakultetet for ingeniørvidenskab ved University of Bristol, vist, at kunstig intelligens (AI) også kan benyttes til at forudsige, hvornår patienter med KOL får en forværring eller ligefrem en akut eksacerbation af deres sygdom. Det er den app, der hedder myCOPD, der kan forudsige forværringer.

”Vi ved, at tidlig identifikation og behandling af eksacerbationer kan forbedre patientens outcome, fortæller Glyde, som sammen med kolleger indsamlede real-life data for at optimere appens forudsigelsesevne.

Data inkluderede patienters egne optegnelser af deres helbred – både når det var godt, og når det var skidt. Data viste også, at forudsigelser af forværringerne skete en til otte dage før en selvrapporteret eksacerbation. Ud fra disse informationer trænede og testede Henry Glyde og kolleger AI-modeller.

”Den seneste AI-model, vi har udviklet, har en sensitivitet på 32 procent og en specificitet på 95 procent. Det betyder, at modellen er rigtig god til at fortælle patienterne, når de ikke er ved at opleve en eksacerbation, hvilket kan hjælpe dem til at undgå unødvendig behandling. Den er mindre god til at fortælle dem, hvornår de er ved at opleve en forværring. At forbedre denne del af AI-modellen vil være fokus i den næste fase af vores forskning,” lyder det fra Henry Glyde.

MyCOPD-appen er en cloud-baseret interaktiv app, udviklet af patienter og klinikere og er tilgængelig til brug i Storbritanniens National Health Service. Det blev etableret i 2016 og har indtil videre over 15.000 patienter med KOL, der bruger appen til at hjælpe dem med at håndtere deres sygdom.