ALS-diagnoosin sovelluksen kehittäminen

ALS-diagnoosin sovelluksen kehittäminen

Ajatuksen johtajaTohtori Jordan GreenKieli- ja syömishäiriölaboratorion johtajaMGH Institute for Health Professions

Tässä haastattelussa keskustelemme Dr. MGH Instituten Jordan Greenin kanssa hänen äskettäisestä tutkimuskumppanuudestaan ​​Modality.AI:n kanssa, joka tutki, voitaisiinko sovellusta käyttää ALS:n aiheuttaman kielenmenetyksen tehokkaaseen diagnosointiin.

Voisitko esitellä itsesi ja kertoa meille, mikä inspiroi amyotrofista lateraaliskleroosia (ALS) koskevaa tutkimustasi?

Olen johtava tieteellinen neuvonantaja, kuntoutustieteiden professori ja puhe- ja ravitsemushäiriölaboratorion johtaja MGH Institute of Health Professionsissa Bostonissa, Massachusettsissa. Olen sertifioitu puhekielen patologi ja innokas tutkija, joka tutkii puhe- ja nielemishäiriöitä läpi elämän.

Kun tutkin lasten puheen motorisen ohjauksen kehitystä ja kehitin tietokonepohjaisia ​​tekniikoita tämän puheen kvantifioimiseksi, aloin olla vuorovaikutuksessa ALS-klinikoita hoitavien lääkäreiden kanssa. He ilmoittivat tarvitsevansa samanlaista tekniikkaa kuin se, jota käytän mittaamaan paremmin puhetta ja nielemistä aikuisilla, joilla on ALS. Heillä oli oikeat tekniikat ja tekniikat raajojen liikkeiden ja kävelyn mittaamiseen, mutta heillä oli vaikeuksia mitata ja arvioida puhejärjestelmää, koska lihakset ovat niin pieniä ja suhteellisen vaikeapääsyisiä ja puheliikkeet ovat niin nopeita ja pieniä. Tämäntyyppinen mittaus vaati perinteisesti merkittävää asiantuntemusta ja vaati objektiivisempia mittauksia. Siitä lähtien aloin kehittää tietokonepohjaisia ​​arviointityökaluja erityisesti ALS:ää varten.

Kuva: Kateryna Kon/Shutterstock.com

Tällä hetkellä ALS-diagnoosin saaminen voi kestää jopa 18 kuukautta, ja kun näin tapahtuu, lääkehoidot eivät ole enää yhtä tehokkaita motoristen hermosolujen katoamisen vuoksi. Miksi on niin tärkeää pystyä havaitsemaan ALS potilailla aikaisemmin?

Kun kyseessä on ALS:n kaltainen sairaus, varhainen diagnoosi on välttämätöntä. Vain 15 prosentilla ihmisistä, joilla on ALS, on geneettinen merkki, jonka voimme tunnistaa. Siksi on tärkeää, että kliinikoilla on objektiivisia tapoja arvioida tila mahdollisimman varhain ja tarkasti. Koska neljänneksellä ALS-potilaista on puhehäiriö ensimmäinen oire, hienovaraisten muutosten seuranta voisi toimia varhaisvaroitusjärjestelmänä.

ALS:n edetessä puheesta, nielemisestä, hengityksestä ja kävelystä vastuussa olevat motoriset neuronit voivat huonontua nopeasti, mutta jos sairaus voidaan havaita sen varhaisessa vaiheessa motoristen hermosolujen ollessa vielä ehjiä, interventioiden hyödyt ovat todennäköisesti maksimoituja. Tällaiset oikeat tekniikat voivat myös havaita potilaissa tapahtuvat muutokset tarkemmin, mikä mahdollistaa viime kädessä taudin etenemisen paremman seurannan.

He ovat tällä hetkellä mukana tutkimuksessa, jossa testataan digitaalisen terveyssovelluksen tehokkuutta ALS:n hoidossa. Voitko kertoa lisää tästä tutkimuksesta ja sen tavoitteista?

National Institutes of Health (NIH) myönsi tiimilleni apurahan yhteistyössä sovelluskehittäjän Modality.AI:n kanssa selvittääkseen, ovatko sovelluksen keräämät puhetiedot yhtä tehokkaita tai tehokkaampia kuin ALS:n aiheuttamia puhe- ja nielemisongelmia arvioivien ja hoitavien kliinisten asiantuntijoiden havainnot.

Sovelluksen keräämiä tietoja verrataan uusimpien kielenmittauslaboratoriotekniikoiden tuloksiin, jotka ovat kalliita ja monimutkaisia ​​käyttää. Kun tulokset vastaavat kliinikoiden ja heidän huippuluokan laitteistonsa tuloksia, tiedämme, että heillä on oikea lähestymistapa.

Kuvan luotto: Modality.AI

Itse sovelluksessa on virtuaalinen agentti Tina. Kuinka tämä virtuaalinen agentti pystyy hankkimaan äänidatatietoja?

Sovelluksen käyttäminen on yhtä helppoa kuin linkin napsauttaminen. Potilas saa sähköpostin tai tekstiviestin, jossa ilmoitetaan, että on aika luoda tietue. Linkin napsauttaminen aktivoi kameran ja mikrofonin, ja Tina, virtuaalinen tekoälyagentti, alkaa antaa ohjeita. Sitten potilasta pyydetään tekemään asioita, kuten laskemaan numeroita, toistamaan lauseita ja lukemaan kappale. Sillä välin sovellus kerää dataa mitatakseen muuttujia video- ja äänisignaaleista, kuten: B. Huulten ja leuan liikkeiden nopeus, puhenopeus, äänenkorkeuden vaihtelut ja taukokuviot.

Tina purkaa puheakustiikasta ja puheliikkeistä tietoa, joka poimitaan automaattisesti arvioinnin aikana saaduista koko kasvot videotallenteista. Tietokonenäkötekniikat – kuten B. Facial Tracking – tarjoavat ei-invasiivisen tavan tallentaa ja laskea piirteitä tarkasti kasvojen liikkeiden suurista tietojoukoista puheen aikana.

Mitä tietoja tämä terveyssovellus voi tarjota potilaille? Mitä hyötyä potilaille on siitä, että kaikki nämä tiedot ovat käden ulottuvilla?

Puhemuutokset ovat yleisiä ALS:ssä, mutta ALS:n etenemisnopeus vaihtelee henkilöstä toiseen. Potilaat kertovat, että puhekyvyn menetys on yksi taudin pahimmista seurauksista. Sovelluksen avulla potilaat voivat dokumentoida kielihistoriansa etänä. Palveluntarjoajat käyttävät näitä tietoja auttaakseen potilaita ja heidän perheitään tekemään tietoisia päätöksiä koko taudin ajan.

Puheterapeutteina haluamme optimoida viestintää mahdollisimman pitkään. Ja potilaiden varhainen opettaminen käyttämään vaihtoehtoisia viestintätapoja on tehokkaampaa kuin odottaa, kunnes he ovat menettäneet puhekyvyn. Lisäksi diagnoosin varhainen varmistus antaa potilaille riittävästi aikaa aloittaa viesti- ja puhepankki, jotta heidän omaa ääntään voidaan käyttää tekstistä puheeksi (TTS) tai puhetta generoivassa laitteessa (SGD). Potilaille on lisäetuja, kuten kustannusten aleneminen ja se, että potilaiden ei tarvitse matkustaa klinikalle kieliarviointia varten.

Lopuksi, sovellus vaatii yleensä vain muutaman minuutin viikossa potilaiden sitoutumista, mikä säästää aikaa ja kustannuksia ja vaatii vähemmän energiaa kuin kliininen tutkimus, sekä ajan ja viivästyksiä, jotka liittyvät ajanvarauksen koordinointiin ja matkustamiseen terveydenhuoltolaitokseen. Varhaisen havaitsemisen ja objektiivisten toimenpiteiden puute ovat kaksi ongelmaa, jotka ovat estäneet hoidon edistymistä. Varhainen diagnoosi on ratkaisevan tärkeää nopeasti etenevälle taudille.

Mitä etuja se voisi tarjota potilaiden etujen lisäksi terveydenhuollon tarjoajille?

Sovellus antaa lääkäreille mahdollisuuden päästä etäkäyttöön potilaiden tietoihin ja sinänsä se seuraa puheen edistymistä, jolloin palveluntarjoaja voi hallita ja valvoa puhetta ilman toistuvia henkilökohtaisia ​​käyntejä. Tämän saavutettavuuden tason ansiosta lääkärit voivat seurata potilaita säännöllisemmin, tehdä tarkempia hoitopäätelmiä ja määrittää parhaan mahdollisen hoitosuunnitelman. Tämä yksinkertaistaa koko prosessia ja vähentää potilaiden ja palveluntarjoajien taakkaa samalla kun kliinisten palvelujen resurssien kulutus vähenee. Sovelluksen lisääntynyt tarkkuus ja tehokkuus houkuttelevat erityisesti kliinisiä tutkijoita ja yrityksiä, jotka käyttävät puhekuvioita ALS-lääkekokeiden tulosmittauksissa.

Tässä tutkimuksessa teet yhteistyötä teknologiayrityksen kanssa Modaliteetti.AI. Kuinka tärkeitä tämäntyyppiset yhteistyöt ovat uusien tieteellisten ideoiden ja teknologioiden tuomisessa maailmaan?

Tartuin tilaisuuteen työskennellä Modality.AI:n kanssa. Tiimin jäsenillä on ainutlaatuinen ja laaja historia tekoälyäänisovellusten kehittämisessä ja kaupallinen kiinnostus ottaa tämä tekniikka käyttöön yleisissä terveydenhuollossa ja kliinisissä kokeissa. Uudet teknologiat ovat erityisen vaarassa epäonnistua, jos kaupallinen yritys ei tue niitä. Siksi tämä suhde oli kriittinen tutkimuksen yleisten tavoitteiden kannalta.

Odotan tämän tyyppisten terveysteknologian yhteistyön kasvavan suosiollisesti ja vaikuttavan yhä enemmän tällaisiin tutkimuksiin.

Kuvan luotto: elenabsl/Shutterstock.com

Tekoälyn (AI) suosio on kasvanut valtavasti viime vuosina. Miksi näin on ja luuletko, että tekoälystä tulee jatkossakin olennainen osa terveydenhuoltoa?

Tekoälyllä on erittäin tärkeä rooli sellaisten tilojen tunnistamisessa, joita ihmismielemme on vaikea ymmärtää, koska useimmat terveysongelmat ovat moniulotteisia ja hyvin monimutkaisia, ja ne vaikuttavat usein useisiin kehon osiin ja erilaisiin oireisiin, jotka muuttuvat ajan myötä.

Koneoppiminen on täydellinen ratkaisu tiettyjen terveystilojen diagnosointiin ja seurantaan, koska omaksuttavaa dataa on niin paljon. Nämä koneet voivat käsitellä näitä tietoja ja määrittää kuvioita tavoilla, joita ihmisen silmät ja korvat eivät pysty havaitsemaan samalla tarkkuudella.

Tekoälyn ja koneoppimisen käyttäminen tällä tavalla on myös haastavaa. Jotta nämä mallit olisivat tarkkoja ja toimisivat tarkoitetulla tavalla, ne on koulutettava. Näiden mallien tarkkuuteen tarvittavien koulutustietojen hankkiminen on tärkeä tehtävä. Esimerkiksi koneen kouluttaminen tekemään tarkkoja arvioita voi vaatia satoja tai tuhansia esimerkkejä tietystä ehdosta, jotta algoritmi voi harjoitella ja "oppia" siitä. Tätä tarkoitusta varten nämä tiedot on kerättävä ja valittava erittäin huolellisesti. Tämä tiedon puute on osoittautunut pullonkaulaksi.

Vaikka tekoäly on osoittautunut korvaamattomaksi lääketieteen alalla, se ei korvaa kliinikkoja. Ammatinharjoittajat tarjoavat vertaansa vailla yksilöllistä hoitoa, päätöksentekoa ja kattavaa potilastukea, eikä niitä voida korvata.

Mitä sinulle ja opinnoillesi seuraavaksi?

Jotkut potilaiden edustajat testaavat parhaillaan sovellusta ja välittävät sitä potilaille. NIH:lta saamamme apurahan rakenteen perusteella jatkamme sovelluksen työstämistä, jotta se täyttää vahvistetut vertailuarvot seuraavien kolmen vuoden aikana apurahasyklin jatkamiseksi. Vaihe I kestää vuoden ja vaihe II kaksi vuotta.

Tietoja tohtori Jordan Greenistä

Dr. Green, joka on työskennellyt MGH-instituutissa vuodesta 2013, on puhepatologi, joka tutkii puhetuotannon biologisia näkökohtia. Hän opettaa jatko-opintoja puhefysiologiasta ja puheen, kielen ja kuulon hermoperustasta. IHP:n tutkimusosaston johtavana tieteellisenä neuvonantajana hän työskentelee Associate Provost for Researchin kanssa rekrytoinnin, strategisen suunnittelun ja useiden erityisprojektien parissa. Hän on myös instituutin puhe- ja ravitsemushäiriölaboratorion (SFDL) johtaja. Hänet nimettiin ensimmäiseksi Matina Souretis Hornerin kuntoutustieteiden professoriksi. Hänen tutkimuksensa keskittyy puheentuotantohäiriöihin, varhaisen puheen ja ruokinnan suumotoristen taitojen kehittämiseen sekä puhemotorisen suorituskyvyn kvantifiointiin. Hänen tutkimuksensa on julkaistu kansallisissa ja kansainvälisissä lehdissä, kuten Child Development, Journal of Neurophysiology, Journal of Speech and Hearing Research ja Journal of the Acoustical Society of America. Hän on toiminut useissa National Institutes of Healthin apurahojen arviointipaneeleissa. Vuonna 2012 hänet nimitettiin American Speech-Language-Hearing Associationin jäseneksi, ja vuonna 2015 Dr. Green sai Willard R. Zemlin -palkinnon puhetieteessä.

Hänen työtään on rahoittanut National Institutes of Health (NIH) vuodesta 2000. Hän osallistuu tuottavasti suuriin lehtiin yli 100 vertaisarvioidun julkaisun kanssa. Hän on esitellyt töitään kansainvälisesti ja kansallisesti. Hän on neuvonantajana useille IHP-tohtoriopiskelijoille, hänellä on kymmenen tohtorintutkintoa. väitöskirjaa ja ohjasi yhtätoista tohtoritutkijaa. Hän on myös useiden lehtien toimituksellinen konsultti ja toiminut useissa NIH:n apurahojen arviointipaneeleissa.

.