Ερευνητές από τον Καναδά έχουν εκπαιδεύσει ένα εργαλείο Τεχνητής Νοημοσύνης που μπορεί να προβλέψει με ακρίβεια τον διαβήτη τύπου 2 βασιζόμενο σε μόλις έξι έως 10 δευτερόλεπτα ομιλίας του ασθενούς. Αυτό επετεύχθη αφού το μοντέλο προσδιόρισε 14 διαφορετικά ακουστικά χαρακτηριστικά μεταξύ μη διαβητικών και ασθενών με διαβήτη τύπου 2.
Η AI επικεντρώθηκε σε ένα σύνολο φωνητικών χαρακτηριστικών, συμπεριλαμβανομένων ελαφρών αλλαγών στον τόνο και τη φωνητική ένταση που δεν μπορεί να αντιληφθεί το ανθρώπινο αυτί, και αντιστοίχισε αυτά τα δεδομένα με βασικές πληροφορίες για την υγεία, όπως η ηλικία, το φύλο, το ύψος και το βάρος του ασθενούς. Το φύλο αποδείχθηκε ότι είναι καθοριστικό, σύμφωνα με τους ερευνητές, καθώς η Τεχνητή Νοημοσύνη μπορεί να διαγνώσει την ασθένεια με 89% στις γυναίκες, και με λίγο μικρότερη ακρίβεια, 86% στους άνδρες.
Το μοντέλο ΑΙ υπόσχεται να μειώσει δραματικά το κόστος για τους απλούς ανθρώπους που ταλαιπωρούνται από τη χρόνια πάθηση, η οποία παραδοσιακά απαιτεί προσωπική εξέταση. Μια απομακρυσμένη, αυτοματοποιημένη διάγνωση θα μπορούσε να βοηθήσει εκατομμύρια ανθρώπους να κρίνουν από τα δεδομένα που συλλέγονται από τη Διεθνή Ομοσπονδία Διαβήτη, η οποία αναφέρει πως σχεδόν οι μισοί ενήλικες που ζουν με διαβήτη, ή 240 εκατομμύρια ενήλικες, δεν γνωρίζουν καν ότι έχουν τη συγκεκριμένη πάθηση.
«Η έρευνά μας αναδεικνύει σημαντικές φωνητικές διαφοροποιήσεις μεταξύ ατόμων με ή χωρίς διαβήτη τύπου 2», δήλωσε η Jaycee Kaufman, επικεφαλής συγγραφέας της μελέτης και ερευνητής της Klick Labs, η οποία σχεδιάζει να διαθέσει το λογισμικό στην αγορά. Η Kaufman ευελπιστεί ότι η Τεχνητή Νοημοσύνη της εταιρείας θα μπορούσε να «αλλάξει τον τρόπο με τον οποίο η ιατρική κοινότητα πραγματοποιεί εξετάσεις για τον διαβήτη».
Στο παρελθόν απαιτούνταν δαπανηρές προσωπικές διαγνωστικές εξετάσεις, συμπεριλαμβανομένων των αιματολογικών εξετάσεων, για τον έλεγχο του προδιαβήτη και του διαβήτη τύπου 2. Μεταξύ των πιο συνηθισμένων εξετάσεων που διενεργούνται συγκαταλέγονται η εξέταση γλυκοζυλιωμένης αιμοσφαιρίνης (A1C), η εξέταση γλυκόζης αίματος (FBG) και οι εξετάσεις ανοχής γλυκόζης από το στόμα (OGTT), οι οποίες απαιτούν από τους ασθενείς να μεταβούν σε κάποιο εργαστήριο.
Οι σημερινές μέθοδοι διάγνωσης ενδέχεται να χρειάζονται χρόνο, μετακινήσεις και έξοδα. Η φωνητική τεχνολογία έχει τη δυνατότητα να εξαλείψει πλήρως αυτά τα εμπόδια.
Πως διενεργήθηκε η έρευνα
Σε συνεργασία με καθηγητές του Ontario Tech University στον Καναδά, οι επιστήμονες της Klick Labs εκπαίδευσαν την Τεχνητή Νοημοσύνη χρησιμοποιώντας ηχογραφήσεις που έγιναν από 267 συμμετέχοντες στην Ινδία.
Περίπου το 72%, μια ομάδα ελέγχου 79 γυναικών και 113 ανδρών, είχαν διαγνωστεί στο παρελθόν ως μη διαβητικοί, ενώ 18 γυναίκες και 57 άνδρες είχαν διαγνωστεί με διαβήτη τύπου 2. Η επιλογή έγινε με τήρηση των κατευθυντήριων οδηγιών της Αμερικανικής Διαβητολογικής Εταιρείας, σύμφωνα με τους ερευνητές της Klick Labs.
Οι 267 συμμετέχοντες κλήθηκαν να ηχογραφήσουν μια φράση στο κινητό τους τηλέφωνο έξι φορές καθημερινά για δύο εβδομάδες. Από τις 18.000 ατομικές ηχογραφήσεις που προέκυψαν, οι ερευνητές της Klick εστίασαν σε 14 ακουστικά χαρακτηριστικά αναζητώντας επαναλαμβανόμενες, σταθερές διαφορές μεταξύ δύο ομάδων. Τέσσερα από αυτά τα ακουστικά χαρακτηριστικά αποδείχθηκαν τα πιο χρήσιμα για την ακριβή πρόβλεψη του ποιος είχε και ποιος δεν είχε διαβήτη.
Ο «τόνος» και η «τυπική απόκλιση από τον τόνο» αποδείχθηκαν χρήσιμα τόσο για τους άνδρες όσο και για τις γυναίκες ασθενείς, ενώ ένα χαρακτηριστικό που ονομάζεται «σχετικός μέσος όρος διαταραχών» ήταν πιο χρήσιμο για την διάγνωση της νόσου στις γυναίκες. Για τους άνδρες, τα ακουστικά χαρακτηριστικά που ονομάζονταν «ένταση» και το «τρεμόπαιγμα σε 11 σημεία» είναι σοβαρές ενδείξεις πως πάσχουν.
Η τεχνητή νοημοσύνη της εταιρείας έγινε πιο ακριβής όταν ενσωματώθηκαν στο μοντέλο πρόβλεψης η ηλικία και ο δείκτης μάζας σώματος (ΔΜΣ) των συμμετεχόντων στην ηχογραφήσεις.
Σύμφωνα με τον Yan Fossat, αντιπρόεδρο της Klick Labs, κύριο ερευνητή της νέας μελέτης και καθηγητή του Ontario Tech University,
Η έρευνα μας υπογραμμίζει τις τεράστιες δυνατότητες της φωνητικής τεχνολογίας στον εντοπισμό του διαβήτη τύπου 2 και άλλων παθήσεων υγείας. Θα μπορούσε να φέρει επανάσταση στις πρακτικές υγειονομικής περίθαλψης ως προσιτό ψηφιακό εργαλείο διάγνωσης.
Το επόμενο βήμα για τους ερευνητές είναι να επαναλάβουν τις δοκιμές με ακόμη μεγαλύτερη βάση εθελοντών και να επεκταθούν και σε άλλους τομείς, όπως η υπέρταση.
techgear.gr