9 سپتامبر 2024- تحقیقات جدید ارائه شده در نشست سالانه انجمن اروپایی مطالعه دیابت (EASD)، پتانسیل استفاده از تجزیه و تحلیل صدا را برای شناسایی موارد تشخیص داده نشده دیابت نوع 2 (T2D) برجسته نمود.
در این مطالعه محققان به طور متوسط از 25 ثانیه صدای ضبط شده ی افراد به همراه داده های اولیه ی سلامت از جمله سن، جنس، شاخص توده بدنی (BMI) و وضعیت فشار خون بالا استفاده کردند، تا یک مدل هوش مصنوعی را توسعه دهند که می تواند با 66٪ دقت در زنان و 71 درصد در مردان تشخیص دهد که آیا یک فرد مبتلا بهT2D است یا خیر.
دکتر Abir Elbeji ، نویسنده ی ارشد این مقاله از موسسه بهداشت لوکزامبورگ، توضیح داد: بیشتر روش‌های کنونی غربالگری دیابت نوع 2 به زمان زیادی نیاز دارند و تهاجمی، مبتنی بر آزمایشگاه و پرهزینه هستند.ترکیب هوش مصنوعی با فناوری صدا این پتانسیل را دارد که با از بین بردن این موانع، این آزمایش را در دسترس افراد بیشتری قرار دهد. این مطالعه اولین گام در جهت استفاده از تجزیه و تحلیل صدا به عنوان خط اول و بسیار مقیاس پذیر استراتژی غربالگری دیابت نوع 2 است.
حدود نیمی از بزرگسالان مبتلا به دیابت (حدود 240 میلیون نفر در سراسر جهان) از ابتلای خود به این بیماری بی اطلاع هستند، زیرا علائم آن می تواند کلی یا غیرقابل مشاهده باشد و حدود 90٪ از این افراد مبتلا به T2D هستند. اما تشخیص و درمان به موقع می تواند به جلوگیری از عوارض جدی دیابت کمک کند. کاهش موارد T2D تشخیص داده نشده در سراسر جهان یک چالش فوری بهداشت عمومی است .این مطالعه با هدف توسعه و ارزیابی عملکرد یک الگوریتم هوش مصنوعی مبتنی بر صدا برای شناسایی بزرگسالان مبتلا به T2D انجام شد.
محققان از 607 بزرگسال در مطالعهColive Voice (با تشخیصT2D یا بدون T2D)خواستند تا صدای خود را در حال خواندن چند جمله ی ارائه شده، مستقیماً با تلفن هوشمند یا لپ تاپ خود ضبط و ارسال کنند.
هم زنان و هم مردان مبتلا به T2D نسبت به افراد بدون دیابت نوع 2، مسن‌تر بودند (متوسط سن زنان 49.5 در مقابل 40.0 سال و مردان 47.6 در مقابل 41.6 سال) و احتمال بیشتری داشت که چاق باشند(میانگین BMI در زنان 35.8 در مقابل 28.0 کیلوگرم بر متر مربع و مردان 32.8 در مقابل 26.6 کیلوگرم بر متر مربع).
از مجموع 607 صدای ضبط شده، الگوریتم هوش مصنوعی ویژگی‌های صوتی مختلف مانند تغییرات زیر و بم، شدت و لحن صدا را برای شناسایی تفاوت‌های بین افراد مبتلا به دیابت و بدون دیابت تجزیه و تحلیل کرد.این کار با استفاده از دو تکنیک پیشرفته انجام شد: یکی که تا 6000 ویژگی صوتی دقیق را ثبت می‌کرد، و یک رویکرد یادگیری عمیق پیچیده‌تر که بر مجموعه‌ای از 1024 ویژگی کلیدی متمرکز بود.
عملکرد بهترین مدل ها بر اساس چندین عامل خطر دیابت از جمله سن،BMI و فشار خون بالا گروه بندی شد و با ابزار معتبر انجمن دیابت آمریکا (ADA) برای ارزیابی خطرT2D مقایسه شد.
الگوریتم‌های مبتنی بر صدا ظرفیت پیش‌بینی کلی خوبی را نشان دادند و 71 درصد از مواردT2D را در مردان و 66 درصد را در زنان به درستی شناسایی کردند. این مدل در زنان 60 ساله یا بالاتر و در افراد مبتلا به فشار خون بالا، حتی بهتر عمل کرد.
علاوه بر این، 93٪ با امتیاز ریسک ADA مبتنی بر پرسشنامه، موافقت داشت که عملکردی معادل بین تجزیه و تحلیل صدا و یک ابزار غربالگری پذیرفته شده را نشان می دهد.
دکترGuy Fagherazzi ، از مؤسسه بهداشت لوکزامبورگ، گفت: در حالی که یافته های ما امیدوارکننده هستند، قبل از اینکه این رویکرد بتواند به یک استراتژی غربالگری دیابت خط اول تبدیل شود و به کاهش تعداد افراد مبتلا به دیابت نوع 2 تشخیص داده نشده کمک کند، تحقیقات و اعتبار سنجی بیشتری لازم است. گام های بعدی ما این است که به طور خاص موارد دیابت نوع 2 و پیش دیابت را در مراحل اولیه هدف قرار دهیم.
منبع:
https://medicalxpress.com/news/2024-09-voice-analysis-screen-people-diabetes.html