Développement d'une application pour diagnostiquer la SLA

Développement d'une application pour diagnostiquer la SLA

Leader d'opinionDr Jordan GreenResponsable du Laboratoire des Troubles du Langage et de l'AlimentationInstitut MGH des Professions de la Santé

Dans cette interview, nous discutons avec Jordan Green, du Dr MGH Institute, de son récent partenariat de recherche avec Modality.AI, qui a examiné si une application pouvait être utilisée pour diagnostiquer efficacement la perte de langage due à la SLA.

Pourriez-vous s'il vous plaît vous présenter et nous dire ce qui a inspiré vos recherches sur la sclérose latérale amyotrophique (SLA) ?

Je suis conseiller scientifique en chef, professeur de sciences de la réadaptation et directeur du laboratoire des troubles de la parole et de la nutrition au MGH Institute of Health Professions de Boston, Massachusetts. Je suis orthophoniste certifiée et chercheuse enthousiaste qui étudie les troubles de la parole et de la déglutition tout au long de la vie.

Alors que j'étudiais le développement du contrôle moteur de la parole chez les enfants et que je développais des technologies informatiques pour quantifier cette parole, j'ai commencé à interagir avec des médecins qui dirigent des cliniques de SLA. Ils ont exprimé le besoin d’une technologie similaire à celle que j’utilise pour mieux mesurer la parole et la déglutition chez les adultes atteints de SLA. Ils disposaient des technologies et techniques appropriées pour mesurer les mouvements des membres et la marche, mais avaient des difficultés à mesurer et à évaluer le système vocal car les muscles sont si petits et relativement inaccessibles et les mouvements de la parole sont si rapides et infimes. Ce type de mesure nécessitait traditionnellement une expertise importante et nécessitait des mesures plus objectives. À partir de ce moment-là, j’ai commencé à travailler au développement d’outils d’évaluation informatisés spécifiquement pour la SLA.

Crédit photo : Kateryna Kon/Shutterstock.com

Actuellement, le diagnostic de SLA peut prendre jusqu'à 18 mois, et lorsque cela se produit, les traitements médicamenteux ne sont plus aussi efficaces en raison de la perte de motoneurones. Pourquoi est-il si important de pouvoir détecter la SLA plus tôt chez les patients ?

Lorsqu’il s’agit d’une maladie comme la SLA, un diagnostic précoce est essentiel. Seulement 15 pour cent des personnes qui développent la SLA possèdent un marqueur génétique que nous pouvons identifier. Par conséquent, il est essentiel que les cliniciens disposent de moyens objectifs pour évaluer la maladie aussi tôt et avec précision que possible. Étant donné qu’un quart des patients SLA ont un trouble de la parole comme premier symptôme, la surveillance de changements subtils pourrait servir de système d’alerte précoce.

À mesure que la SLA progresse, les motoneurones responsables de la parole, de la déglutition, de la respiration et de la marche peuvent se détériorer rapidement, mais si la maladie peut être détectée à ses débuts alors que les motoneurones sont encore intacts, les bénéfices des interventions seront probablement maximisés. Les bonnes technologies comme celles-ci peuvent également détecter plus précisément les changements chez les patients, permettant ainsi un meilleur suivi de la progression de la maladie.

Ils participent actuellement à une étude visant à tester l’efficacité d’une application de santé numérique pour la SLA. Pouvez-vous nous en dire plus sur cette étude et ses objectifs ?

Les National Institutes of Health (NIH) ont accordé à mon équipe une subvention en collaboration avec le développeur d'applications Modality.AI pour déterminer si les données vocales collectées par une application sont aussi efficaces ou plus efficaces que les observations d'experts cliniques qui évaluent et traitent les problèmes d'élocution et de déglutition dus à la SLA.

Les données collectées par l'application sont comparées aux résultats obtenus à partir de techniques de laboratoire de mesure du langage de pointe, coûteuses et compliquées à utiliser. Lorsque les résultats correspondent à ceux des cliniciens et de leur équipement de pointe, nous savons qu’ils ont une approche valable.

Crédit image : Modalité.AI

L'application elle-même dispose d'un agent virtuel, Tina. Comment cet agent virtuel peut-il obtenir des informations sur les données vocales ?

Utiliser l’application est aussi simple que de cliquer sur un lien. Le patient reçoit un e-mail ou un SMS lui indiquant qu'il est temps de créer un dossier. Cliquer sur un lien active la caméra et le microphone, et Tina, l'agent virtuel d'IA, commence à donner des instructions. On demande ensuite au patient de faire des choses comme compter des nombres, répéter des phrases et lire un paragraphe. Pendant ce temps, l'application collecte des données pour mesurer les variables des signaux vidéo et audio, telles que : B. Vitesse des mouvements des lèvres et de la mâchoire, débit de parole, variation de hauteur et schémas de pause.

Tina décode les informations sur l'acoustique de la parole et les mouvements de la parole qui sont automatiquement extraites des enregistrements vidéo complets obtenus lors de l'évaluation. Les technologies de vision par ordinateur – telles que le suivi facial B. – offrent un moyen non invasif d'enregistrer et de calculer avec précision les caractéristiques à partir de grands ensembles de données de mouvements du visage pendant la parole.

Quelles informations cette application de santé peut-elle fournir aux patients ? Quels sont les avantages pour les patients d’avoir toutes ces informations à portée de main ?

Les modifications de la parole sont courantes dans la SLA, mais le taux de progression de la SLA varie d'une personne à l'autre. Les patients rapportent que la perte de la capacité de parler est l’un des pires effets de la maladie. L'application permet aux patients de documenter à distance leur historique linguistique. Les prestataires utiliseront ces informations pour aider les patients et leurs familles à prendre des décisions éclairées tout au long de l'évolution de la maladie.

En tant qu'orthophoniste, nous souhaitons optimiser la communication le plus longtemps possible. Et apprendre très tôt aux patients à utiliser des moyens de communication alternatifs est plus efficace que d’attendre qu’ils perdent la capacité de parler. De plus, la confirmation précoce d'un diagnostic donne aux patients suffisamment de temps pour commencer la banque de messages et de voix afin que leur propre voix puisse être utilisée dans une synthèse vocale (TTS) ou un dispositif de génération de parole (SGD). Il existe des avantages supplémentaires pour les patients, notamment une réduction des coûts et l'élimination de la nécessité pour les patients de se rendre dans des cliniques pour une évaluation linguistique.

Enfin, l'application ne nécessite généralement que quelques minutes par semaine d'engagement du patient, ce qui permet d'économiser du temps et des coûts et nécessite moins d'énergie qu'un examen clinique, ainsi que le temps et les retards associés à la coordination des rendez-vous et aux déplacements vers un établissement de santé. Le manque de détection précoce et de mesures objectives sont deux problèmes qui ont entravé les progrès du traitement. Un diagnostic précoce est crucial pour une maladie à évolution rapide.

Outre les avantages pour les patients, quels avantages cela pourrait-il apporter aux prestataires de soins de santé ?

L'application permettra aux médecins d'accéder à distance aux données de leurs patients et, en elle-même, suivra la progression de la parole, permettant ainsi au prestataire de gérer et de surveiller la parole sans avoir besoin de visites fréquentes en personne. Ce niveau d'accessibilité permet aux médecins de surveiller les patients plus régulièrement, de tirer des conclusions thérapeutiques plus précises et de déterminer le meilleur plan de traitement possible. Cela simplifie l'ensemble du processus et réduit le fardeau des patients et des prestataires tout en réduisant la consommation de ressources pour les services cliniques. La précision et l'efficacité accrues de l'application seront également particulièrement attractives pour les scientifiques cliniciens et les entreprises qui utilisent les modèles de parole comme mesures de résultats dans les essais de médicaments contre la SLA.

Dans cette étude, vous avez établi un partenariat avec une entreprise technologique Modalité.AI. Quelle est l’importance de ces types de collaborations pour faire connaître de nouvelles idées et technologies scientifiques au monde ?

J'ai sauté sur l'opportunité de travailler avec Modality.AI. Les membres de l’équipe ont une expérience unique et étendue dans le développement d’applications vocales d’IA et un intérêt commercial dans la mise en œuvre de cette technologie dans les soins de santé traditionnels et les essais cliniques. Les nouvelles technologies risquent particulièrement d’échouer si elles ne sont pas soutenues par une entreprise commerciale. Par conséquent, cette relation était essentielle à nos objectifs généraux de l’étude.

Je m’attends à ce que ces types de collaborations en matière de technologies de la santé deviennent de plus en plus populaires et aient un impact toujours croissant sur des études comme celle-ci.

Crédit photo : elenabsl/Shutterstock.com

L’intelligence artificielle (IA) a connu une énorme croissance en popularité ces dernières années. Pourquoi et pensez-vous que l’IA continuera à faire partie intégrante des soins de santé ?

L’IA joue un rôle très important dans l’identification des conditions difficiles à comprendre pour notre esprit humain, car la plupart des problèmes de santé sont multidimensionnels et très complexes, affectant souvent plusieurs parties du corps et une variété de symptômes qui changent au fil du temps.

L’apprentissage automatique est une solution parfaite pour diagnostiquer et surveiller certains problèmes de santé car il y a une grande quantité de données à absorber. Ces machines peuvent traiter ces données et définir des modèles d’une manière que les yeux et les oreilles humains ne peuvent pas discerner avec le même degré de précision.

Utiliser l’IA et l’apprentissage automatique de cette manière sera également un défi. Pour que ces modèles soient précis et fonctionnent comme prévu, ils doivent être formés. L’acquisition des données de formation nécessaires pour rendre ces modèles précis constituera une tâche majeure. Par exemple, entraîner une machine à effectuer des évaluations précises peut nécessiter des centaines ou des milliers d’exemples d’une condition particulière pour que l’algorithme puisse s’entraîner et « apprendre ». À cette fin, ces données doivent être collectées puis sélectionnées avec le plus grand soin. Ce manque de données s’avère être un goulot d’étranglement.

Même si l’IA s’est révélée inestimable dans le domaine médical, elle ne remplacera pas les cliniciens. Les praticiens humains fournissent des soins personnalisés, une prise de décision et un soutien complet aux patients sans précédent et ne peuvent être remplacés.

Quelle est la prochaine étape pour vous et vos études ?

Certains représentants des patients testent actuellement l’application et la transmettent aux patients. Sur la base de la structure de la subvention que nous avons reçue du NIH, nous continuerons à travailler sur l'application pour répondre aux critères établis au cours des trois prochaines années afin de poursuivre le cycle de subvention. La phase I dure un an et la phase II dure deux ans.

À propos du Dr Jordan Green

Le Dr Green, qui travaille à l'Institut MGH depuis 2013, est un orthophoniste qui étudie les aspects biologiques de la production de la parole. Il enseigne des cours d'études supérieures sur la physiologie de la parole et les bases neuronales de la parole, du langage et de l'audition. En tant que conseiller scientifique en chef du département de recherche de l'IHP, il travaille avec le vice-recteur à la recherche sur le recrutement, la planification stratégique et une variété de projets spéciaux. Il est également directeur du Laboratoire des troubles de la parole et de la nutrition (SFDL) de l'institut. Il a été nommé premier professeur Matina Souretis Horner des sciences de la réadaptation. Ses recherches portent sur les troubles de la production de la parole, le développement des compétences oromotrices pour la parole et l'alimentation précoces, et la quantification des performances motrices de la parole. Ses recherches ont été publiées dans des revues nationales et internationales, notamment Child Development, Journal of Neurophysiology, Journal of Speech and Hearing Research et Journal of the Acoustical Society of America. Il a siégé à plusieurs comités d'examen des subventions aux National Institutes of Health. En 2012, il a été nommé membre de l'American Speech-Language-Hearing Association et en 2015, le Dr Green a reçu le prix Willard R. Zemlin en science de la parole.

Ses travaux sont financés par les National Institutes of Health (NIH) depuis 2000. Il contribue de manière productive à de grandes revues avec plus de 100 publications évaluées par des pairs. Il a présenté son travail à l'échelle internationale et nationale. Il est conseiller auprès de plusieurs doctorants de l'IHP et possède dix doctorats. thèses et encadré onze chercheurs postdoctoraux. Il est également consultant éditorial pour de nombreuses revues et a siégé à plusieurs comités d'examen des subventions du NIH.

.