Forskere fra sundhedsforskningsfirmaet Klick Labs har udviklet en maskinlæringsmodel, der kan bestemme tilstedeværelsen af type 2-diabetes ud fra en kort stemmeoptagelse på kun 6 til 10 sekunder.
Modellen viser en maksimal testnøjagtighed på 89% for kvinder og 86% for mænd, når den kombineres med andre parametre som body mass index (BMI).
"Vores forskning fremhæver betydelige vokale variationer mellem personer med og uden type 2-diabetes og kan ændre den måde, det medicinske samfund screener for diabetes på", siger Jaycee Kaufman, der er forsker ved Klick Labs.
Metoden, udgivet i Mayo Clinic Proceedingskræver et kort smartphone-optaget lydklip.
"De nuværende opsporingsmetoder kan kræve en masse tid, rejser og omkostninger. Stemmeteknologi har potentiale til helt at fjerne disse barrierer," tilføjer Kaufman.
Undersøgelsen omfattede analyse af 18.000 optagelser med det formål at identificere unikke akustiske træk, der adskiller diabetikere fra ikke-diabetikere, ved at opdage subtile forskelle i tonehøjde og intensitet, der er umærkelige for det menneskelige øre.
Senere eller fremskreden diabetes kan påvirke stemmen ved at forårsage nerveskader og forringe blodgennemstrømningen, hvilket fører til tilstande som neuropati, der påvirker stemmebåndene. Det kan resultere i en svag, hæs eller træt klingende stemme.
Derudover kan diabetes føre til mundtørhed på grund af nedsat spytproduktion, hvilket yderligere bidrager til stemmeproblemer.
Forskerne understreger AI's voksende rolle i sundhedsvæsenet og mener, at denne stemmeteknologi kan udvides til at diagnosticere andre sundhedstilstande.
Yan Fossat, vicepræsident for Klick Labs, sagde: "Vores forskning understreger stemmeteknologiens enorme potentiale til at identificere type 2-diabetes og andre sundhedsproblemer. Stemmeteknologi kan revolutionere sundhedspraksis som et tilgængeligt og overkommeligt digitalt screeningsværktøj."
Mere om undersøgelsen
Det er et fascinerende studie, men er det metodisk robust?
Stikprøvestørrelsen er relativt lille, og der er begrænset information om, hvor fremskreden diabetes er i diabetikergruppen, og kun lidt information om kontrolgruppen.
Ikke desto mindre synes det at være muligt at forudsige de subtile tonale kvaliteter i tale hos diabetikere med fremskredne eller ukontrollerede former for sygdommen.
Her er et nærmere kig:
- Målsætning: Studiet forsøger at undersøge, om stemmeanalyse kan hjælpe med at forhåndsscreene eller overvåge type 2-diabetes mellitus (T2DM). Forskerne fokuserede på at identificere forskelle i stemmeoptagelser mellem personer med og uden T2DM.
- Metodologi: 267 deltagere, både mænd og kvinder, herunder ikke-diabetikere og T2DM-personer, optog en fast sætning flere gange dagligt i to uger ved hjælp af en smartphone-app. Denne proces genererede over 18.000 optagelser. Holdet udtrak 14 forskellige akustiske træk fra disse optagelser for at analysere og sammenligne stemmerne hos deltagere uden diabetes og T2DM.
- Resultater: Forskerne opdagede betydelige forskelle i stemmeoptagelser fra både mænd og kvinder, når de sammenlignede ikke-diabetiske deltagere med dem med T2DM. De identificerede specifikke stemmefunktioner, som præcist forudsagde T2DM-status, især når de blev kombineret med data om alder og BMI. Den maksimale testnøjagtighed nåede 89% for kvinder og 86% for mænd.
- Konsekvenser: Disse resultater indikerer, at stemmeanalyse har potentiale som et værktøj til forscreening eller overvågning af T2DM. Denne metode kan især være nyttig i fjerntliggende samfund, hvor den giver en tilgængelig og ikke-invasiv mulighed for tidlig opsporing og løbende overvågning.
Konceptet med at diagnosticere sygdom gennem en stemmeoptagelse kan virke langt ude, og det er vigtigt at erkende, at de bedste resultater kun blev opnået, når optagelserne blev kombineret med BMI.
