Διαβήτης τύπου 2: Η τεχνητή νοημοσύνη επιχειρεί να τον εντοπίσει μέσα από τη φωνή

Μια σύντομη ηχογράφηση διάρκειας μόλις 20 δευτερολέπτων θα μπορούσε στο μέλλον να συμβάλει στον εντοπισμό ανθρώπων που χρειάζονται περαιτέρω έλεγχο για διαβήτη τύπου 2.

Ερευνητική ομάδα ανέπτυξε ένα μοντέλο τεχνητής νοημοσύνης που εξετάζει συγκεκριμένα χαρακτηριστικά της ομιλίας, αναζητώντας ενδείξεις που ενδέχεται να συνδέονται με τη νόσο.

Τα αποτελέσματα παρουσιάστηκαν στο ετήσιο συνέδριο της Ευρωπαϊκής Ένωσης για τη Μελέτη του Διαβήτη (EASD), στο Μιλάνο.

Η τεχνολογία βρίσκεται ακόμη υπό αξιολόγηση και δεν προορίζεται να αντικαταστήσει τις καθιερωμένες διαγνωστικές εξετάσεις, αλλά να λειτουργήσει ως ένα επιπλέον εργαλείο για την επιλογή ατόμων που θα πρέπει να υποβληθούν σε εργαστηριακό έλεγχο.

Πώς μπορεί η φωνή να συνδεθεί με τον διαβήτη

Προηγούμενες μελέτες έχουν εξετάσει πιθανές συσχετίσεις μεταξύ του διαβήτη τύπου 2 και αλλαγών στην ομιλία, όπως η βραχνάδα, η τραχύτητα της φωνής και οι διαφοροποιήσεις στον έλεγχο της αναπνοής κατά την ομιλία.

Αυτές τις παραμέτρους αξιοποιεί το μοντέλο που αναπτύχθηκε από την εταιρεία Thymia, σε συνεργασία με το Πανεπιστήμιο RMIT της Αυστραλίας.

Στόχος των ερευνητών είναι να διαπιστώσουν κατά πόσο η ανάλυση της φωνής μπορεί να προσφέρει χρήσιμες πληροφορίες για την εκτίμηση του κινδύνου.

Για την εκπαίδευση του συστήματος χρησιμοποιήθηκαν 63.283 δείγματα φωνής από 21.129 ανθρώπους στο Ηνωμένο Βασίλειο και τις ΗΠΑ. Οι συμμετέχοντες είχαν δηλώσει εάν είχαν διαγνωστεί με διαβήτη.

Στη συνέχεια, το μοντέλο δοκιμάστηκε σε ηχογραφήσεις ανθρώπων που διάβαζαν έναν μύθο του Αισώπου, ώστε να εξεταστεί η δυνατότητά του να αναγνωρίζει χαρακτηριστικά της φωνής που σχετίζονται με τη νόσο.

Τι έδειξαν οι πρώτες δοκιμές

Η πρώτη αξιολόγηση πραγματοποιήθηκε σε 7.319 ενήλικες στο Ηνωμένο Βασίλειο, εκ των οποίων οι 217 ανέφεραν ότι είχαν διαβήτη τύπου 2.

Στις συγκρίσεις μεταξύ ατόμων με και χωρίς δηλωμένη διάγνωση, το μοντέλο έδωσε υψηλότερη βαθμολογία κινδύνου στους συμμετέχοντες με διαβήτη στο 80% των περιπτώσεων που εξετάστηκαν.

Σε δεύτερη αξιολόγηση, οι εκτιμήσεις της τεχνητής νοημοσύνης συγκρίθηκαν με τις τιμές της γλυκοζυλιωμένης αιμοσφαιρίνης (HbA1c) σε ομάδα 801 συμμετεχόντων.

Η συγκεκριμένη εξέταση αποτυπώνει τη μέση συγκέντρωση γλυκόζης στο αίμα κατά τους προηγούμενους δύο έως τρεις μήνες και αποτελεί βασικό εργαλείο για τη διάγνωση και την παρακολούθηση του διαβήτη.

Σύμφωνα με τα αποτελέσματα, το μοντέλο εντόπισε το 82% των συμμετεχόντων των οποίων οι τιμές HbA1c βρίσκονταν στο διαβητικό εύρος. Ωστόσο, κατέταξε επίσης ως υψηλού κινδύνου το 47% των ατόμων που δεν είχαν τιμές σε αυτό το εύρος.

Το εύρημα αυτό αναδεικνύει έναν σημαντικό περιορισμό: αρκετοί άνθρωποι θα μπορούσαν να λάβουν ένδειξη αυξημένου κινδύνου χωρίς να έχουν τιμές που αντιστοιχούν σε διαβήτη. Επομένως, η βαθμολογία της φωνής δεν μπορεί από μόνη της να επιβεβαιώσει ή να αποκλείσει τη νόσο.

Σε ποιες περιπτώσεις δυσκολεύεται το μοντέλο

Η απόδοση του συστήματος ήταν χαμηλότερη σε συμμετέχοντες με καρδιαγγειακή νόσο, υπέρταση ή παχυσαρκία.

Οι ερευνητές εκτιμούν ότι οι συγκεκριμένες καταστάσεις μπορεί να συνδέονται με φωνητικές μεταβολές παρόμοιες με εκείνες που επιχειρεί να αναγνωρίσει η τεχνητή νοημοσύνη, δυσχεραίνοντας την ακριβή εκτίμηση του κινδύνου.

Ένας ακόμη περιορισμός είναι ότι η έρευνα βασίστηκε σε αγγλόφωνους πληθυσμούς. Δεν έχει αποδειχθεί ότι το ίδιο μοντέλο θα παρουσιάζει αντίστοιχη απόδοση σε άλλες γλώσσες ή σε διαφορετικές ομάδες ανθρώπων.

Τα αποτελέσματα έχουν δημοσιευθεί και στο medRxiv ως προδημοσίευση, χωρίς να έχει ολοκληρωθεί η αξιολόγησή τους από ανεξάρτητους επιστήμονες μέσω της διαδικασίας κρίσης από ομοτίμους.

Πώς θα μπορούσε να αξιοποιηθεί στην πράξη

Η ερευνητική ομάδα εξετάζει το ενδεχόμενο η διαδικασία να πραγματοποιείται μέσω τηλεφωνικής κλήσης ή εφαρμογής, με την καταγραφή ενός σύντομου δείγματος ομιλίας.

Όσοι συγκεντρώνουν υψηλή βαθμολογία κινδύνου θα μπορούσαν στη συνέχεια να παραπέμπονται για αιματολογικές εξετάσεις.

Μια τέτοια προσέγγιση θα μπορούσε να διευκολύνει την πρόσβαση στον προληπτικό έλεγχο, ιδιαίτερα για ανθρώπους που δεν επισκέπτονται τακτικά γιατρό.

Για να συμβεί αυτό, ωστόσο, θα πρέπει να αποδειχθεί ότι η μέθοδος προσφέρει ουσιαστικό όφελος στην κλινική πράξη.

Η ερευνήτρια Giedrė Čepukaitytė, η οποία παρουσιάζει τα ευρήματα, επισημαίνει ότι το μοντέλο δεν αντικαθιστά την εξέταση αίματος και δεν πρέπει να αποτρέπει κάποιον από το να αναζητήσει ιατρική αξιολόγηση όταν τη χρειάζεται.

Το επόμενο βήμα είναι η δοκιμή της τεχνολογίας σε πραγματικές συνθήκες υγειονομικής περίθαλψης και σε ευρύτερους πληθυσμούς. Το ζητούμενο είναι να διαπιστωθεί εάν η ανάλυση της φωνής μπορεί να συμβάλει στον έγκαιρο εντοπισμό του διαβήτη τύπου 2, περιορίζοντας παράλληλα τις λανθασμένες ενδείξεις και τον κίνδυνο να παραμείνει αδιάγνωστη η νόσος.