Αναλύοντας μοτίβα ομιλίας, ερευνητές του Πανεπιστημίου της Βοστώνης ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης που μπορεί να προβλέψει με ακρίβεια σχεδόν 80% αν κάποιος με ήπια γνωστική εξασθένηση θα αναπτύξει νόσο Αλτσχάιμερ εντός έξι ετών.

Η μελέτη, που δημοσιεύθηκε στο περιοδικό Alzheimer’s & Dementia, χρησιμοποιεί την τεχνητή νοημοσύνη για να εξάγει πολύτιμες διαγνωστικές πληροφορίες από τις γνωστικές αξιολογήσεις, επιταχύνοντας τη διάγνωση της νόσου Αλτσχάιμερ και, με τη σειρά της, τη θεραπεία.

Το μοντέλο τεχνητής νοημοσύνης της ομάδας πέτυχε ακρίβεια 78,5% και ευαισθησία 81,1% στην πρόβλεψη της εξέλιξης από την ήπια γνωστική εξασθένηση (MCI) στη νόσο Αλτσχάιμερ εντός εξαετίας. Αυτό ξεπερνά άλλες παραδοσιακές και μη επεμβατικές εξετάσεις.

Το κρίσιμο, όμως, είναι ότι το σύστημα βασίζεται αποκλειστικά σε δεδομένα που μπορούν να αποκτηθούν εύκολα: ομιλία που απομαγνητοφωνείται από γνωστικές αξιολογήσεις και βασικές δημογραφικές πληροφορίες όπως η ηλικία, το φύλο και το επίπεδο εκπαίδευσης.

Οι γνωστικές αξιολογήσεις, όπως το Boston Naming Test, περιλαμβάνουν την ομιλία του κλινικού ιατρού στον ασθενή. Ο ήχος από αυτές τις δοκιμασίες συχνά καταγράφεται για περαιτέρω ανάλυση.

“Θέλαμε να προβλέψουμε τι θα συμβεί τα επόμενα έξι χρόνια – και διαπιστώσαμε ότι μπορούμε λογικά να κάνουμε αυτή την πρόβλεψη με σχετικά καλή ακρίβεια“, δήλωσε ο Ιωάννης (Γιάννης) Πασχαλίδης, διευθυντής του Ινστιτούτου Πληροφορικής και Υπολογιστικής Επιστήμης και Μηχανικής του BU Rafik B. Hariri και ένας από τους επικεφαλής ερευνητές της μελέτης.

“Αν μπορείς να προβλέψεις τι θα συμβεί, έχεις μεγαλύτερη ευκαιρία και χρονικό περιθώριο να παρέμβεις με φάρμακα και τουλάχιστον να προσπαθήσεις να διατηρήσεις τη σταθερότητα της κατάστασης και να αποτρέψεις τη μετάβαση σε πιο σοβαρές μορφές άνοιας”.

Περισσότερα για τη μελέτη

Ακολουθεί ανάλυση του τρόπου λειτουργίας της μελέτης:

• Η ερευνητική ομάδα ξεκίνησε συλλέγοντας ηχογραφήσεις γνωστικών αξιολογήσεων από 166 συμμετέχοντες που είχαν διαγνωστεί με ήπια γνωστική εξασθένηση (MCI). Στη συνέχεια παρακολούθησαν αυτά τα άτομα για μια περίοδο έξι ετών για να καθορίσουν ποιοι προχώρησαν σε νόσο Αλτσχάιμερ και ποιοι παρέμειναν σταθεροί.
• Η ομάδα χρησιμοποίησε προηγμένη τεχνολογία αναγνώρισης ομιλίας για την απομαγνητοφώνηση των ηχογραφήσεων και την προετοιμασία των δεδομένων για ανάλυση.
• Στη συνέχεια, οι ερευνητές εφάρμοσαν εξελιγμένες τεχνικές επεξεργασίας φυσικής γλώσσας για να εξάγουν ένα ευρύ φάσμα γλωσσικών χαρακτηριστικών και μοτίβων που πίστευαν ότι θα μπορούσαν ενδεχομένως να χρησιμεύσουν ως δείκτες κινδύνου για τη νόσο Αλτσχάιμερ.
• Στη συνέχεια χρησιμοποίησαν τα χαρακτηριστικά της ομιλίας και τις δημογραφικές πληροφορίες για να αναπτύξουν πολλαπλά μοντέλα μηχανικής μάθησης.
• Αυτά τα μοντέλα τεχνητής νοημοσύνης σχεδιάστηκαν για να προβλέψουν την πιθανότητα ένα συγκεκριμένο άτομο να εξελιχθεί από την ήπια γνωστική εξασθένηση στη νόσο Αλτσχάιμερ με βάση τα μοναδικά μοτίβα ομιλίας και τα προσωπικά του χαρακτηριστικά.
• Τα μοντέλα πέτυχαν ακρίβεια 78,5% και ευαισθησία 81,1% στην πρόβλεψη των συμμετεχόντων που θα εμφάνιζαν νόσο Αλτσχάιμερ εντός της εξαετούς περιόδου μελέτης.
• Σε μια τελική ανάλυση, η ερευνητική ομάδα εντόπισε τις γνωστικές δοκιμασίες με τη μεγαλύτερη προβλεπτική δύναμη για τον κίνδυνο εμφάνισης Αλτσχάιμερ, όπως το Boston Naming Test, τα τεστ ομοιότητας και η κλίμακα νοημοσύνης Wechsler Adult Intelligence Scale.

Μία από τις πιο ενδιαφέρουσες πτυχές της μελέτης διαπίστωσε ότι ορισμένα μέρη των γνωστικών αξιολογήσεων ήταν ιδιαίτερα προγνωστικά για τον μελλοντικό κίνδυνο εμφάνισης της νόσου Αλτσχάιμερ.

“Η ανάλυσή μας αποκάλυψε ότι οι υποδοκιμασίες που σχετίζονται με δημογραφικές ερωτήσεις, το Boston Naming Test, τα τεστ ομοιότητας και η κλίμακα νοημοσύνης Wechsler Adult Intelligence Scale αναδείχθηκαν ως τα κορυφαία χαρακτηριστικά που οδήγησαν στην απόδοση του μοντέλου μας”, σημειώνουν οι ερευνητές.

Αυτό θα μπορούσε να δώσει πληροφορίες για την ανάπτυξη πιο στοχευμένων γνωστικών αξιολογήσεων, βελτιώνοντας περαιτέρω τη διαδικασία διαλογής.

Αν και τα αποτελέσματα είναι ελπιδοφόρα, οι ερευνητές παραδέχονται την ανάγκη περαιτέρω επικύρωσης σε μεγαλύτερους και διαφορετικούς πληθυσμούς.

Η αναγνώριση ομιλίας μπορεί να ανοίξει την πόρτα στην έγκαιρη διάγνωση

Η ανάλυση ομιλίας έχει αποδειχθεί πολύτιμη τεχνική για την πρόβλεψη της νόσου Αλτσχάιμερ και άλλων ασθενειών.

Σε μια μελέτη του 2020 παρόμοια με τη μελέτη του Πανεπιστημίου της Βοστώνης, οι ερευνητές του Πανεπιστημίου του Σέφιλντ απέδειξαν την ικανότητα της τεχνητής νοημοσύνης τους να διακρίνει μεταξύ των συμμετεχόντων με νόσο Αλτσχάιμερ ή ήπια γνωστική εξασθένηση και εκείνων με λειτουργική γνωστική διαταραχή ή υγιείς μάρτυρες με ακρίβεια 86,7%.

Οι ερευνητές της Klick Labs ανέπτυξαν επίσης ένα μοντέλο τεχνητής νοημοσύνης που μπορεί να ανιχνεύσει τον διαβήτη τύπου 2 χρησιμοποιώντας σύντομες ηχογραφήσεις φωνής διάρκειας μόλις 6 έως 10 δευτερολέπτων. Ο προχωρημένος διαβήτης μπορεί να επηρεάσει τη φωνή μέσω νευρικής βλάβης, μειωμένης ροής του αίματος και ξηροστομίας, με αποτέλεσμα ανιχνεύσιμες αλλαγές.

Η μελέτη ανέλυσε 18.000 ηχογραφήσεις για να εντοπίσει λεπτές ακουστικές διαφορές μεταξύ διαβητικών και μη διαβητικών ατόμων.

Σε συνδυασμό με παράγοντες όπως η ηλικία και ο ΔΜΣ, το μοντέλο πέτυχε μέγιστη ακρίβεια δοκιμής 89% για τις γυναίκες και 86% για τους άνδρες.

Μαζί, οι μελέτες αυτές αποδεικνύουν ότι οι μη επεμβατικές εξετάσεις και οι διαγνωστικές μέθοδοι που υποστηρίζονται από την τεχνητή νοημοσύνη θα μπορούσαν να οδηγήσουν σε ταχύτερη και αποτελεσματικότερη θεραπεία, ακόμη και όταν απουσιάζουν εξειδικευμένοι γιατροί και εξοπλισμός.