Utvikling av en app for å diagnostisere ALS

Utvikling av en app for å diagnostisere ALS

TankelederDr. Jordan GreenLeder for Språk- og spiseforstyrrelseslaboratorietMGH Institutt for helseprofesjoner

I dette intervjuet snakker vi med Jordan Green fra Dr. MGH Institute om hans nylige forskningssamarbeid med Modality.AI, som undersøkte om en app kunne brukes til effektivt å diagnostisere språktap på grunn av ALS.

Kan du introdusere deg selv og fortelle oss hva som inspirerte forskningen din på amyotrofisk lateral sklerose (ALS)?

Jeg er Chief Scientific Advisor, professor i rehabiliteringsvitenskap og direktør for Speech and Nutrition Disorders Laboratory ved MGH Institute of Health Professions i Boston, Massachusetts. Jeg er sertifisert logopedolog og en entusiastisk forsker som studerer tale- og svelgeforstyrrelser gjennom hele livet.

Da jeg studerte utviklingen av motorisk kontroll for tale hos barn og utviklet datamaskinbaserte teknologier for å kvantifisere denne talen, begynte jeg å samhandle med leger som driver ALS-klinikker. De uttrykte et behov for teknologi lik den jeg bruker for å bedre måle tale og svelging hos voksne med ALS. De hadde de riktige teknologiene og teknikkene for å måle lemmerbevegelser og gange, men hadde problemer med å måle og vurdere talesystemet fordi musklene er så små og relativt utilgjengelige og talebevegelsene er så raske og små. Denne typen målinger krevde tradisjonelt betydelig kompetanse og krevde mer objektive tiltak. Fra da av begynte jeg å jobbe med å utvikle datamaskinbaserte vurderingsverktøy spesielt for ALS.

Fotokreditt: Kateryna Kon/Shutterstock.com

Foreløpig kan det ta opptil 18 måneder å bli diagnostisert med ALS, og når dette skjer, er medikamentell behandling ikke lenger like effektiv på grunn av tap av motoriske nevroner. Hvorfor er det så viktig å kunne oppdage ALS tidligere hos pasienter?

Når det gjelder en sykdom som ALS, er tidlig diagnose avgjørende. Bare 15 prosent av personer som utvikler ALS har en genetisk markør som vi kan identifisere. Derfor er det avgjørende at klinikere har objektive måter å vurdere tilstanden så tidlig og nøyaktig som mulig. Siden en fjerdedel av ALS-pasienter har en taleforstyrrelse som sitt første symptom, kan overvåking av subtile endringer tjene som et tidlig varslingssystem.

Etter hvert som ALS utvikler seg, kan motoriske nevroner som er ansvarlige for tale, svelging, pusting og gange forverres raskt, men hvis sykdommen kan oppdages i sine tidlige stadier mens motorneuronene fortsatt er intakte, vil fordelene med intervensjoner sannsynligvis bli maksimert. De riktige teknologiene som disse kan også oppdage endringer hos pasienter mer presist, og til slutt muliggjøre bedre overvåking av sykdomsprogresjonen.

De er for tiden involvert i en studie for å teste effektiviteten til en digital helseapp for ALS. Kan du fortelle oss mer om denne studien og dens mål?

National Institutes of Health (NIH) tildelte teamet mitt et stipend i samarbeid med apputvikleren Modality.AI for å avgjøre om taledata som samles inn av en app er like effektive eller mer effektive enn observasjonene fra kliniske eksperter som vurderer og behandler tale- og svelgeproblemer på grunn av ALS.

Dataene som samles inn av appen, sammenlignes med resultater hentet fra avanserte laboratorieteknikker for språkmåling, som er kostbare og kompliserte å bruke. Når resultatene samsvarer med klinikere og deres toppmoderne utstyr, vet vi at de har en gyldig tilnærming.

Bildekreditt: Modality.AI

Selve appen har en virtuell agent, Tina. Hvordan er denne virtuelle agenten i stand til å skaffe taledatainformasjon?

Å bruke applikasjonen er like enkelt som å klikke på en lenke. Pasienten mottar en e-post eller tekstmelding som indikerer at det er på tide å opprette en journal. Ved å klikke på en lenke aktiveres kameraet og mikrofonen, og Tina, den virtuelle AI-agenten, begynner å gi instruksjoner. Pasienten blir deretter bedt om å gjøre ting som å telle tall, gjenta setninger og lese et avsnitt. I mellomtiden samler appen inn data for å måle variabler fra video- og lydsignalene, for eksempel: B. Hastighet på leppe- og kjevebevegelser, talehastighet, tonehøydevariasjon og pausemønstre.

Tina dekoder informasjon fra taleakustikk og talebevegelser som automatisk hentes ut fra full-face videoopptak som er tatt under vurderingen. Datasynsteknologier – for eksempel B. Ansiktssporing – gir en ikke-invasiv måte å nøyaktig registrere og beregne funksjoner fra store datasett med ansiktsbevegelser under tale.

Hvilken informasjon kan denne helseappen gi pasienter? Hva er fordelene for pasienter ved å ha all denne informasjonen til fingerspissene?

Taleforandringer er vanlige ved ALS, men frekvensen av progresjon av ALS varierer fra person til person. Pasienter rapporterer at tap av evnen til å snakke er en av de verste konsekvensene av sykdommen. Appen lar pasienter dokumentere språkhistorien sin eksternt. Leverandører vil bruke denne informasjonen til å hjelpe pasienter og deres familier med å ta informerte beslutninger gjennom sykdomsforløpet.

Som logopeder ønsker vi å optimalisere kommunikasjonen så lenge som mulig. Og å lære pasienter tidlig å bruke alternative kommunikasjonsmidler er mer effektivt enn å vente til de har mistet evnen til å snakke. I tillegg gir tidlig bekreftelse av en diagnose pasienter tilstrekkelig tid til å begynne meldings- og talebank slik at deres egen stemme kan brukes i en tekst-til-tale (TTS) eller talegenererende enhet (SGD). Det er ytterligere fordeler for pasienter, inkludert reduserte kostnader og eliminering av behovet for pasienter å reise til klinikker for en språkvurdering.

Til slutt krever appen vanligvis bare noen få minutter per uke med pasientengasjement, sparer tid og kostnader og krever mindre energi enn en klinisk undersøkelse, samt tiden og forsinkelsene knyttet til avtalekoordinering og reise til et helseinstitusjon. Mangel på tidlig oppdagelse og objektive tiltak er to problemer som har hindret behandlingsfremdriften. Tidlig diagnose er avgjørende for en raskt progredierende sykdom.

I tillegg til fordeler for pasienter, hvilke fordeler kan det gi for helsepersonell?

Appen vil tillate leger å eksternt få tilgang til pasientenes data og vil i seg selv spore talefremgang, slik at leverandøren kan administrere og overvåke tale uten behov for hyppige personlige besøk. Dette tilgjengelighetsnivået gjør det mulig for leger å overvåke pasienter mer regelmessig, gjøre mer nøyaktige behandlingskonklusjoner og bestemme den best mulige behandlingsplanen. Dette forenkler hele prosessen og reduserer belastningen på pasienter og tilbydere samtidig som ressursforbruket til kliniske tjenester reduseres. Appens økte presisjon og effektivitet vil også være spesielt attraktiv for kliniske forskere og selskaper som bruker talemønstre som utfallsmål i ALS-medisinutprøvinger.

I denne studien samarbeidet du med et teknologiselskap Modalitet.AI. Hvor viktig er denne typen samarbeid for å bringe nye vitenskapelige ideer og teknologier ut i verden?

Jeg grep muligheten til å jobbe med Modality.AI. Teammedlemmene har en unik og omfattende historie innen utvikling av AI-stemmeapplikasjoner og en kommersiell interesse i å implementere denne teknologien i ordinære helsetjenester og kliniske studier. Nye teknologier er spesielt utsatt for feil hvis de ikke støttes av et kommersielt selskap. Derfor var dette forholdet avgjørende for våre overordnede mål for studien.

Jeg forventer at denne typen helseteknologisamarbeid vil bli stadig mer populære og ha en stadig større innvirkning på studier som dette.

Bildekreditt: elenabsl/Shutterstock.com

Kunstig intelligens (AI) har opplevd enorm vekst i popularitet de siste årene. Hvorfor er dette, og tror du AI vil fortsette å bli en integrert del av helsevesenet?

AI spiller en svært viktig rolle i å identifisere forhold som er vanskelige for våre menneskelige sinn å forstå, ettersom de fleste helseproblemer er flerdimensjonale og svært kompliserte, og ofte påvirker flere kroppsdeler og en rekke symptomer som endrer seg over tid.

Maskinlæring er en perfekt løsning for å diagnostisere og overvåke visse helsetilstander fordi det er så mye data å absorbere. Disse maskinene kan behandle disse dataene og definere mønstre på måter som menneskelige øyne og ører ikke kan skjelne med samme grad av nøyaktighet.

Å bruke AI og maskinlæring på denne måten vil også være utfordrende. For at disse modellene skal være nøyaktige og fungere etter hensikten, må de være opplært. Å skaffe treningsdataene som trengs for å gjøre disse modellene nøyaktige vil være en stor oppgave. For eksempel kan det å trene en maskin til å gjøre nøyaktige vurderinger kreve hundrevis eller tusenvis av eksempler på en bestemt tilstand for at algoritmen skal trene og "lære" om den. For dette formålet må disse dataene samles inn og deretter velges svært nøye. Denne mangelen på data viser seg å være en flaskehals.

Selv om AI har vist seg uvurderlig i det medisinske feltet, vil det ikke erstatte klinikere. Menneskelige utøvere gir uovertruffen personlig omsorg, beslutningstaking og omfattende pasientstøtte og kan ikke erstattes.

Hva er det neste for deg og studiene dine?

Noen pasientrepresentanter tester for tiden appen og sender den videre til pasientene. Basert på strukturen til tilskuddet vi mottok fra NIH, vil vi fortsette å jobbe med appen for å møte etablerte referanser i løpet av de neste tre årene for å fortsette tilskuddssyklusen. Fase I varer i ett år og fase II varer i to år.

Om Dr. Jordan Green

Dr. Green, som har jobbet ved MGH Institute siden 2013, er en logoped som studerer biologiske aspekter ved taleproduksjon. Han underviser i hovedfagskurs i talefysiologi og det nevrale grunnlaget for tale, språk og hørsel. Som Chief Scientific Advisor i IHPs forskningsavdeling jobber han med Associate Provost for Research om rekruttering, strategisk planlegging og en rekke spesialprosjekter. Han er også direktør for Speech and Nutrition Disorders Laboratory (SFDL) ved instituttet. Han ble kåret til den første Matina Souretis Horner-professoren i rehabiliteringsvitenskap. Forskningen hans fokuserer på taleproduksjonsforstyrrelser, utvikling av oromotoriske ferdigheter for tidlig tale og mating, og kvantifisering av talemotorisk ytelse. Forskningen hans har blitt publisert i nasjonale og internasjonale tidsskrifter, inkludert Child Development, Journal of Neurophysiology, Journal of Speech and Hearing Research og Journal of the Acoustical Society of America. Han har sittet i flere granskingspaneler ved National Institutes of Health. I 2012 ble han utnevnt til stipendiat i American Speech-Language-Hearing Association og i 2015 mottok Dr. Green Willard R. Zemlin Award in Speech Science.

Arbeidet hans har blitt finansiert av National Institutes of Health (NIH) siden 2000. Han bidrar produktivt til store tidsskrifter med over 100 fagfellevurderte publikasjoner. Han har presentert sitt arbeid internasjonalt og nasjonalt. Han er rådgiver for flere IHP doktorgradsstudenter, har ti Ph.D. avhandlinger og veiledet elleve postdoktorer. Han er også redaksjonell konsulent for en rekke tidsskrifter og har sittet i flere NIH-granskingspaneler.

.