Az ALS diagnosztizálására szolgáló alkalmazás fejlesztése

Az ALS diagnosztizálására szolgáló alkalmazás fejlesztése

GondolatvezetőDr. Jordan GreenA Nyelvi és Étkezési Zavarok Laboratóriumának vezetőjeMGH Egészségügyi Szakmai Intézet

Ebben az interjúban Dr. MGH Institute Jordan Greennel beszélgetünk a Modality.AI-val folytatott közelmúltbeli kutatási együttműködéséről, amely azt vizsgálta, hogy egy alkalmazás használható-e az ALS miatti nyelvvesztés hatékony diagnosztizálására.

Kérem, mutatkozzon be, és mondja el, mi ihlette az amiotrófiás laterális szklerózissal (ALS) kapcsolatos kutatását?

Tudományos főtanácsadó, rehabilitációs tudományok professzora és a Massachusetts állambeli MGH Institute of Health Professions Beszéd- és Táplálkozási Zavarok Laboratóriumának igazgatója vagyok. Okleveles beszédnyelv-patológus és lelkes kutató vagyok, aki életem során a beszéd- és nyelési zavarokat tanulmányozza.

Miközben a gyermekek beszédmotoros vezérlésének fejlődését tanulmányoztam, és számítógépes technológiákat fejlesztettem ki ennek a beszédnek a számszerűsítésére, elkezdtem kapcsolatba lépni olyan orvosokkal, akik ALS-klinikákat vezetnek. Kifejezték, hogy olyan technológiára van szükségük, amely hasonló ahhoz, amelyet az ALS-ben szenvedő felnőttek beszéd- és nyelési képességének jobb mérésére használok. Megfelelő technológiájuk és technikájuk volt a végtagmozgások és a járás mérésére, de nehézséget okozott a beszédrendszer mérése és értékelése, mivel az izmok olyan kicsik és viszonylag hozzáférhetetlenek, a beszédmozgások pedig olyan gyorsak és aprólékosak. Ez a fajta mérés hagyományosan jelentős szakértelmet és objektívebb méréseket igényelt. Ettől kezdve a számítógépes értékelő eszközök fejlesztésén kezdtem el, kifejezetten az ALS-hez.

Fotó forrása: Kateryna Kon/Shutterstock.com

Jelenleg akár 18 hónapig is eltarthat az ALS diagnosztizálása, és amikor ez megtörténik, a gyógyszeres terápiák már nem olyan hatékonyak a motoros neuronok elvesztése miatt. Miért olyan fontos, hogy az ALS-t korábban észlelni lehessen a betegeknél?

Ha olyan betegségről van szó, mint az ALS, elengedhetetlen a korai diagnózis. Az ALS-t kifejlődő emberek mindössze 15 százalékának van olyan genetikai markere, amelyet azonosítani tudunk. Ezért kritikus fontosságú, hogy a klinikusok objektív módszerekkel rendelkezzenek az állapot lehető legkorábbi és pontosabb felmérésére. Mivel az ALS-betegek negyedének első tünete beszédzavar, a finom változások megfigyelése korai figyelmeztető rendszerként szolgálhat.

Az ALS előrehaladtával a beszédért, nyelésért, légzésért és járásért felelős motoros neuronok gyorsan leépülhetnek, de ha a betegség korai stádiumában észlelhető, miközben a motoros neuronok még érintetlenek, a beavatkozások előnyei valószínűleg maximalizálhatók. Az ehhez hasonló megfelelő technológiák a betegekben bekövetkezett változások pontosabb észlelésére is alkalmasak, ami végső soron a betegség progressziójának jobb nyomon követését teszi lehetővé.

Jelenleg egy olyan tanulmányban vesznek részt, amely egy digitális egészségügyi alkalmazás ALS-re való hatékonyságát teszteli. Tudna többet mondani erről a tanulmányról és céljairól?

A National Institutes of Health (NIH) a Modality.AI alkalmazásfejlesztővel együttműködve támogatásban részesítette csapatomat annak megállapítására, hogy egy alkalmazás által gyűjtött beszédadatok olyan hatékonyak-e vagy hatékonyabbak, mint az ALS miatti beszéd- és nyelési problémákat értékelő és kezelő klinikai szakértők megfigyelései.

Az alkalmazás által gyűjtött adatokat összehasonlítják a legmodernebb nyelvi mérési laboratóriumi technikák eredményeivel, amelyek költséges és bonyolultak a használata. Ha az eredmények megegyeznek a klinikusok és a legkorszerűbb berendezéseik eredményeivel, tudjuk, hogy érvényes megközelítést alkalmaznak.

A kép jóváírása: Modality.AI

Maga az alkalmazás egy virtuális ügynököt, Tinát tartalmaz. Hogyan tud ez a virtuális ügynök hangadatokat szerezni?

Az alkalmazás használata olyan egyszerű, mint egy hivatkozásra kattintva. A páciens e-mailt vagy szöveges üzenetet kap, amely jelzi, hogy ideje feljegyzést készíteni. A linkre kattintva aktiválja a kamerát és a mikrofont, és Tina, a virtuális AI-ügynök utasításokat kezd adni. Ezután a pácienst arra kérik, hogy számoljon számokat, ismételje meg a mondatokat és olvasson el egy bekezdést. Eközben az alkalmazás adatokat gyűjt a video- és audiojelek változóinak mérésére, mint például: B. Az ajak- és állkapocsmozgások sebessége, a beszédsebesség, a hangmagasság változása és a szünetminták.

Tina a beszédakusztikából és a beszédmozgásokból származó információkat dekódolja, amelyeket automatikusan kinyernek az értékelés során nyert teljes arcot felölelő videofelvételekből. A számítógépes látástechnológiák – például a B. Arckövetés – non-invazív módot biztosítanak a jellemzők pontos rögzítésére és kiszámítására a beszéd közbeni arcmozgások nagy adatkészleteiből.

Milyen információkkal szolgálhat ez az egészségügyi alkalmazás a betegeknek? Milyen előnyökkel jár a betegek számára, ha mindezek az információk kéznél vannak?

A beszédváltozások gyakoriak az ALS-ben, de az ALS progressziójának sebessége személyenként változik. A betegek arról számolnak be, hogy a beszédképesség elvesztése a betegség egyik legrosszabb következménye. Az alkalmazás lehetővé teszi a betegek számára, hogy távolról dokumentálják nyelvtörténetüket. A szolgáltatók ezeket az információkat arra használják fel, hogy segítsenek a betegeknek és családjaiknak tájékozott döntéseket hozni a betegség teljes időtartama alatt.

Logopédusként a lehető leghosszabb ideig szeretnénk optimalizálni a kommunikációt. Hatékonyabb a betegek korai tanítása az alternatív kommunikációs eszközök használatára, mint megvárni, amíg elveszítik a beszédkészségüket. Ezenkívül a diagnózis korai megerősítése elegendő időt biztosít a betegeknek az üzenet- és hangbanki kezelés megkezdésére, hogy saját hangjuk használható legyen szövegfelolvasó (TTS) vagy beszédgeneráló eszközben (SGD). További előnyökkel jár a betegek számára, beleértve a költségek csökkenését, valamint azt, hogy a betegeknek nem kell a klinikákra utazniuk nyelvi értékelés céljából.

Végül, az alkalmazás általában csak néhány percet igényel hetente a páciens bevonására, így időt és költséget takarít meg, és kevesebb energiát igényel, mint egy klinikai vizsgálat, valamint az időpont egyeztetéssel és az egészségügyi intézménybe való utazással kapcsolatos idő és késések. A korai felismerés és az objektív intézkedések hiánya két olyan probléma, amely hátráltatta a kezelés előrehaladását. A korai diagnózis kulcsfontosságú egy gyorsan fejlődő betegség esetén.

A betegeknek nyújtott előnyök mellett milyen előnyökkel járhat az egészségügyi szolgáltatók számára?

Az alkalmazás lehetővé teszi az orvosok számára, hogy távolról hozzáférjenek pácienseik adataihoz, és önmagában is nyomon követheti a beszéd előrehaladását, lehetővé téve a szolgáltatónak a beszéd kezelését és figyelemmel kísérését anélkül, hogy gyakori személyes látogatásra lenne szüksége. Ez a hozzáférhetőség lehetővé teszi az orvosok számára, hogy rendszeresebben ellenőrizzék a betegeket, pontosabb kezelési következtetéseket vonjanak le, és meghatározzák a lehető legjobb kezelési tervet. Ez leegyszerűsíti a teljes folyamatot, és csökkenti a betegek és a szolgáltatók terheit, miközben csökkenti a klinikai szolgáltatások erőforrás-felhasználását. Az alkalmazás megnövekedett pontossága és hatékonysága különösen vonzó lesz a klinikai tudósok és a vállalatok számára, akik beszédmintákat használnak az ALS-gyógyszer-tesztek kimenetelének mérésére.

Ebben a tanulmányban Ön egy technológiai céggel működött együtt Modalitás.AI. Mennyire fontosak az ilyen típusú együttműködések az új tudományos ötletek és technológiák világra hozatalában?

Megragadtam a lehetőséget, hogy a Modality.AI-val dolgozhassak. A csapat tagjai egyedülálló és kiterjedt múlttal rendelkeznek az AI hangalkalmazások fejlesztésében, és kereskedelmi érdekük fűződik ennek a technológiának az általános egészségügyi és klinikai vizsgálatokba történő bevezetéséhez. Az új technológiák különösen ki vannak téve a kudarc veszélyének, ha nem támogatja őket egy kereskedelmi vállalat. Ezért ez a kapcsolat kritikus volt a tanulmány általános célkitűzései szempontjából.

Arra számítok, hogy az ilyen típusú egészségügyi technológiai együttműködések egyre népszerűbbek lesznek, és egyre nagyobb hatással lesznek az ehhez hasonló tanulmányokra.

Fotó forrása: elenabsl/Shutterstock.com

A mesterséges intelligencia (AI) népszerűsége az elmúlt években óriásit nőtt. Miért van ez, és szerinted az AI továbbra is az egészségügy szerves részévé válik?

A mesterséges intelligencia nagyon fontos szerepet játszik az emberi elménk számára nehezen érthető állapotok azonosításában, mivel a legtöbb egészségügyi probléma többdimenziós és nagyon bonyolult, gyakran több testrészt érint, és számos tünetet érint, amelyek idővel változnak.

A gépi tanulás tökéletes megoldás bizonyos egészségügyi állapotok diagnosztizálására és megfigyelésére, mivel rengeteg adatot kell felszívni. Ezek a gépek képesek feldolgozni ezeket az adatokat és meghatározni a mintákat oly módon, hogy az emberi szem és fül nem tudja ugyanolyan pontossággal felismerni.

Az AI és a gépi tanulás ilyen módon történő használata szintén kihívást jelent majd. Ahhoz, hogy ezek a modellek pontosak legyenek és rendeltetésszerűen működjenek, ki kell képezni őket. A modellek pontosságához szükséges képzési adatok beszerzése nagy feladat lesz. Például egy gép pontos értékelésre való betanítása több száz vagy több ezer példát igényelhet egy adott feltételre, hogy az algoritmus betanítsa és „tanuljon” róla. Ebből a célból ezeket az adatokat össze kell gyűjteni, majd nagyon körültekintően kell kiválasztani. Az adatok hiánya szűk keresztmetszetnek bizonyul.

Bár a mesterséges intelligencia felbecsülhetetlen értékűnek bizonyult az orvosi területen, nem fogja helyettesíteni a klinikusokat. A humán orvosok páratlan, személyre szabott ellátást, döntéshozatalt és átfogó betegtámogatást nyújtanak, és nem helyettesíthetők.

Mi vár rád és a tanulmányaidra?

Egyes betegek képviselői jelenleg tesztelik az alkalmazást, és továbbadják a betegeknek. Az NIH-tól kapott támogatás szerkezete alapján továbbra is dolgozunk az alkalmazáson, hogy a következő három évben teljesítsük a megállapított referenciaértékeket a támogatási ciklus folytatásához. Az I. fázis egy évig, a II. fázis két évig tart.

Dr. Jordan Greenről

Dr. Green, aki 2013 óta dolgozik az MGH Intézetben, beszédpatológus, aki a beszédprodukció biológiai vonatkozásait tanulmányozza. Posztgraduális kurzusokat tart a beszédfiziológiáról és a beszéd, nyelv és hallás idegi alapjairól. Az IHP Kutatási Osztályának tudományos főtanácsadójaként a Kutatási Associate Provost-tal dolgozik a toborzáson, a stratégiai tervezésen és számos speciális projekten. Az intézetben a Beszéd- és Táplálkozási Zavarok Laboratóriumának (SFDL) is igazgatója. Őt nevezték ki Matina Souretis Horner rehabilitációs tudományok első professzorának. Kutatásai középpontjában a beszédprodukciós zavarok, a korai beszéd és táplálás oromotoros képességeinek fejlesztése, valamint a beszédmotoros teljesítmény számszerűsítése áll. Kutatásait hazai és nemzetközi folyóiratokban publikálták, köztük a Child Development, a Journal of Neurophysiology, a Journal of Speech and Hearing Research és a Journal of the Acoustical Society of America. Számos pályázati bizottságban dolgozott az Országos Egészségügyi Intézetben. 2012-ben az American Speech-Language-Hearing Association tagjává nevezték ki, 2015-ben Dr. Green megkapta a Willard R. Zemlin-díjat a beszédtudományban.

Munkáját 2000 óta a National Institutes of Health (NIH) finanszírozza. Több mint 100 lektorált publikációjával eredményesen járul hozzá a jelentősebb folyóiratokhoz. Munkásságát nemzetközi és hazai szinten is bemutatta. Több IHP doktorandusz tanácsadója, tíz Ph.D. disszertációkat és tizenegy posztdoktori kutatót irányított. Emellett számos folyóirat szerkesztői tanácsadója, és több NIH pályázati bizottságban is részt vett.

.