Udvikling af en app til diagnosticering af ALS

Udvikling af en app til diagnosticering af ALS

TankelederDr. Jordan GreenLeder af Laboratoriet for Sprog og SpiseforstyrrelserMGH Institut for Sundhedsprofessionelle

I dette interview taler vi med Dr. MGH Institutes Jordan Green om hans nylige forskningspartnerskab med Modality.AI, som undersøgte, om en app kunne bruges til effektivt at diagnosticere sprogtab på grund af ALS.

Vil du venligst præsentere dig selv og fortælle os, hvad der inspirerede din forskning om amyotrofisk lateral sklerose (ALS)?

Jeg er Chief Scientific Advisor, professor i rehabiliteringsvidenskab og direktør for Speech and Nutrition Disorders Laboratory ved MGH Institute of Health Professions i Boston, Massachusetts. Jeg er certificeret tale-sprog-patolog og en entusiastisk forsker, der studerer tale- og synkeforstyrrelser gennem hele livet.

Da jeg studerede udviklingen af ​​motorisk kontrol til tale hos børn og udviklede computerbaserede teknologier til at kvantificere denne tale, begyndte jeg at interagere med læger, der driver ALS-klinikker. De udtrykte et behov for teknologi svarende til den, jeg bruger til bedre at måle tale og synke hos voksne med ALS. De havde de rigtige teknologier og teknikker til at måle lemmerbevægelser og gang, men havde svært ved at måle og vurdere talesystemet, fordi musklerne er så små og relativt utilgængelige, og talebevægelserne er så hurtige og små. Denne type måling krævede traditionelt betydelig ekspertise og krævede mere objektive foranstaltninger. Fra da af begyndte jeg at arbejde med at udvikle computerbaserede vurderingsværktøjer specifikt til ALS.

Fotokredit: Kateryna Kon/Shutterstock.com

I øjeblikket kan det tage op til 18 måneder at blive diagnosticeret med ALS, og når dette sker, er lægemiddelbehandlinger ikke længere så effektive på grund af tabet af motoriske neuroner. Hvorfor er det så vigtigt at kunne opdage ALS tidligere hos patienter?

Når det kommer til en sygdom som ALS, er tidlig diagnose afgørende. Kun 15 procent af mennesker, der udvikler ALS, har en genetisk markør, som vi kan identificere. Derfor er det afgørende, at klinikere har objektive måder at vurdere tilstanden så tidligt og præcist som muligt. Da en fjerdedel af ALS-patienter har en taleforstyrrelse som deres første symptom, kan overvågning for subtile ændringer tjene som et tidligt advarselssystem.

Efterhånden som ALS skrider frem, kan motorneuroner, der er ansvarlige for tale, synke, vejrtrækning og gang, forværres hurtigt, men hvis sygdommen kan opdages i dens tidlige stadier, mens motorneuronerne stadig er intakte, vil fordelene ved indgreb sandsynligvis blive maksimeret. De rigtige teknologier som disse kan også registrere ændringer hos patienter mere præcist, hvilket i sidste ende muliggør bedre overvågning af sygdomsprogression.

De er i øjeblikket involveret i en undersøgelse for at teste effektiviteten af ​​en digital sundhedsapp til ALS. Kan du fortælle os mere om denne undersøgelse og dens mål?

National Institutes of Health (NIH) tildelte mit team et tilskud i samarbejde med app-udvikleren Modality.AI for at afgøre, om taledata indsamlet af en app er lige så effektive eller mere effektive end observationerne fra kliniske eksperter, der vurderer og behandler tale- og synkeproblemer på grund af ALS.

De data, der indsamles af appen, sammenlignes med resultater opnået fra avancerede sprogmålingslaboratorieteknikker, som er dyre og komplicerede at bruge. Når resultaterne matcher klinikernes og deres avancerede udstyr, ved vi, at de har en gyldig tilgang.

Billedkredit: Modality.AI

Selve appen har en virtuel agent, Tina. Hvordan er denne virtuelle agent i stand til at få taledataoplysninger?

Det er lige så nemt at bruge applikationen som at klikke på et link. Patienten modtager en e-mail eller sms, der angiver, at det er tid til at oprette en journal. Ved at klikke på et link aktiveres kameraet og mikrofonen, og Tina, den virtuelle AI-agent, begynder at give instruktioner. Patienten bliver derefter bedt om at gøre ting som at tælle tal, gentage sætninger og læse et afsnit. I mellemtiden indsamler appen data for at måle variabler fra video- og lydsignalerne, såsom: B. Hastighed af læbe- og kæbebevægelser, talehastighed, tonehøjdevariation og pausemønstre.

Tina afkoder information fra taleakustik og talebevægelser, der automatisk udvindes fra videooptagelser i fuld ansigt, der er opnået under vurderingen. Computersynsteknologier – såsom B. Ansigtssporing – giver en ikke-invasiv måde at nøjagtigt optage og beregne funktioner fra store datasæt af ansigtsbevægelser under tale.

Hvilke oplysninger kan denne sundhedsapp give patienterne? Hvad er fordelene for patienterne ved at have al denne information lige ved hånden?

Taleændringer er almindelige ved ALS, men hastigheden af ​​progression af ALS varierer fra person til person. Patienter rapporterer, at tabet af evnen til at tale er en af ​​de værste følger af sygdommen. Appen giver patienter mulighed for at dokumentere deres sproghistorie på afstand. Udbydere vil bruge disse oplysninger til at hjælpe patienter og deres familier med at træffe informerede beslutninger gennem hele sygdomsforløbet.

Som logopæder ønsker vi at optimere kommunikationen så længe som muligt. Og at lære patienterne tidligt at bruge alternative kommunikationsmidler er mere effektivt end at vente, indtil de har mistet evnen til at tale. Derudover giver tidlig bekræftelse af en diagnose patienter tilstrækkelig tid til at begynde besked- og stemmebanking, så deres egen stemme kan bruges i en tekst-til-tale (TTS) eller talegenererende enhed (SGD). Der er yderligere fordele for patienterne, herunder reducerede omkostninger og eliminering af behovet for patienter til at rejse til klinikker for en sprogvurdering.

Endelig kræver appen generelt kun et par minutter om ugen af ​​patientengagement, hvilket sparer tid og omkostninger og kræver mindre energi end en klinisk undersøgelse, samt den tid og forsinkelser, der er forbundet med aftalekoordinering og rejser til en sundhedsfacilitet. Manglende tidlig opsporing og objektive foranstaltninger er to problemer, der har hindret behandlingens fremskridt. Tidlig diagnose er afgørende for en hurtigt udviklende sygdom.

Ud over fordele for patienter, hvilke fordele kan det give for sundhedsudbydere?

Appen vil give læger mulighed for fjernadgang til deres patienters data og vil i sig selv spore talefremskridt, hvilket giver udbyderen mulighed for at administrere og overvåge tale uden behov for hyppige personlige besøg. Dette tilgængelighedsniveau gør det muligt for læger at overvåge patienter mere regelmæssigt, foretage mere nøjagtige behandlingskonklusioner og bestemme den bedst mulige behandlingsplan. Dette forenkler hele processen og reducerer byrden for patienter og udbydere, samtidig med at ressourceforbruget til kliniske ydelser reduceres. Appens øgede præcision og effektivitet vil også være særligt attraktiv for kliniske forskere og virksomheder, der bruger talemønstre som resultatmål i ALS-lægemiddelforsøg.

I denne undersøgelse samarbejdede du med en teknologivirksomhed Modalitet.AI. Hvor vigtige er disse typer samarbejder for at bringe nye videnskabelige ideer og teknologier til verden?

Jeg kastede mig over muligheden for at arbejde med Modality.AI. Holdmedlemmerne har en unik og omfattende historie med at udvikle AI-stemmeapplikationer og en kommerciel interesse i at implementere denne teknologi i mainstream sundhedspleje og kliniske forsøg. Nye teknologier er særligt udsat for fejl, hvis de ikke understøttes af en kommerciel virksomhed. Derfor var dette forhold afgørende for vores overordnede mål for undersøgelsen.

Jeg forventer, at disse typer af sundhedsteknologiske samarbejder bliver stadig mere populære og har en stadig større indflydelse på undersøgelser som denne.

Fotokredit: elenabsl/Shutterstock.com

Kunstig intelligens (AI) har oplevet en enorm vækst i popularitet i de seneste år. Hvorfor er dette, og tror du, at kunstig intelligens vil fortsætte med at blive en integreret del af sundhedsvæsenet?

AI spiller en meget vigtig rolle i at identificere tilstande, som er svære for vores menneskelige sind at forstå, da de fleste sundhedsproblemer er multidimensionelle og meget komplicerede, ofte påvirker flere kropsdele og en række symptomer, der ændrer sig over tid.

Machine learning er en perfekt løsning til at diagnosticere og overvåge visse sundhedstilstande, fordi der er så mange data at absorbere. Disse maskiner kan behandle disse data og definere mønstre på måder, som menneskelige øjne og ører ikke kan skelne med samme grad af nøjagtighed.

At bruge AI og maskinlæring på denne måde vil også være udfordrende. For at disse modeller skal være nøjagtige og fungere efter hensigten, skal de trænes. At erhverve de træningsdata, der er nødvendige for at gøre disse modeller nøjagtige, vil være en stor opgave. For eksempel kan træning af en maskine til at foretage nøjagtige vurderinger kræve hundredvis eller tusindvis af eksempler på en bestemt tilstand, for at algoritmen kan træne og "lære" om det. Til dette formål skal disse data indsamles og derefter vælges meget omhyggeligt. Denne mangel på data viser sig at være en flaskehals.

Selvom kunstig intelligens har vist sig at være uvurderlig på det medicinske område, vil den ikke erstatte klinikere. Menneskelige praktiserende læger yder uovertruffen personlig pleje, beslutningstagning og omfattende patientstøtte og kan ikke erstattes.

Hvad er det næste for dig og dine studier?

Nogle patientrepræsentanter tester i øjeblikket appen og giver den videre til patienterne. Baseret på strukturen af ​​det tilskud, vi modtog fra NIH, vil vi fortsætte med at arbejde på appen for at opfylde etablerede benchmarks over de næste tre år for at fortsætte tilskudscyklussen. Fase I varer et år og fase II varer to år.

Om Dr. Jordan Green

Dr. Green, som har arbejdet på MGH Instituttet siden 2013, er en talepatolog, der studerer biologiske aspekter af taleproduktion. Han underviser i kandidatkurser i talefysiologi og det neurale grundlag for tale, sprog og hørelse. Som Chief Scientific Advisor i IHP's Research Department arbejder han sammen med Associate Provost for Research om rekruttering, strategisk planlægning og en række særlige projekter. Han er også direktør for Speech and Nutrition Disorders Laboratory (SFDL) på instituttet. Han blev udnævnt til den første Matina Souretis Horner professor i rehabiliteringsvidenskab. Hans forskning fokuserer på taleproduktionsforstyrrelser, udvikling af oromotoriske færdigheder til tidlig tale og fodring og kvantificering af talemotoriske præstationer. Hans forskning er blevet publiceret i nationale og internationale tidsskrifter, herunder Child Development, Journal of Neurophysiology, Journal of Speech and Hearing Research og Journal of the Acoustical Society of America. Han har tjent i flere granskningspaneler ved National Institutes of Health. I 2012 blev han udnævnt til Fellow i American Speech-Language-Hearing Association, og i 2015 modtog Dr. Green Willard R. Zemlin Award i Speech Science.

Hans arbejde er blevet finansieret af National Institutes of Health (NIH) siden 2000. Han bidrager produktivt til store tidsskrifter med over 100 peer-reviewede publikationer. Han har præsenteret sit arbejde internationalt og nationalt. Han er rådgiver for flere IHP-ph.d.-studerende, har ti ph.d. afhandlinger og vejledte elleve postdoktorale forskere. Han er også redaktionel konsulent for adskillige tidsskrifter og har tjent i adskillige NIH-grantpaneler.

.