Rozwój aplikacji do diagnozowania ALS

Rozwój aplikacji do diagnozowania ALS

Lider myśliDoktor Jordan GreenKierownik Pracowni Zaburzeń Języka i OdżywianiaInstytut Zawodów Zdrowotnych MGH

W tym wywiadzie rozmawiamy z Jordanem Greenem z Instytutu Doktora MGH na temat jego niedawnej współpracy badawczej z firmą Modality.AI, w ramach której sprawdzano, czy aplikacja może zostać wykorzystana do skutecznego diagnozowania utraty języka spowodowanej ALS.

Czy mógłbyś się przedstawić i powiedzieć nam, co zainspirowało Twoje badania nad stwardnieniem zanikowym bocznym (ALS)?

Jestem głównym doradcą naukowym, profesorem nauk o rehabilitacji i dyrektorem laboratorium zaburzeń mowy i odżywiania w MGH Institute of Health Professions w Bostonie w stanie Massachusetts. Jestem certyfikowanym logopedą i zapalonym badaczem badającym zaburzenia mowy i połykania na przestrzeni całego życia.

Studiując rozwój kontroli motorycznej mowy u dzieci i opracowując technologie komputerowe umożliwiające ilościową ocenę tej mowy, zacząłem kontaktować się z lekarzami prowadzącymi kliniki ALS. Wyrazili zapotrzebowanie na technologię podobną do tej, której używam do lepszego pomiaru mowy i połykania u dorosłych chorych na ALS. Mieli odpowiednie technologie i techniki do pomiaru ruchów kończyn i chodu, ale mieli trudności z pomiarem i oceną systemu mowy, ponieważ mięśnie były tak małe i stosunkowo niedostępne, a ruchy mowy były tak szybkie i drobne. Ten rodzaj pomiaru tradycyjnie wymagał znacznej wiedzy specjalistycznej i wymagał bardziej obiektywnych środków. Od tego czasu zacząłem pracować nad opracowaniem komputerowych narzędzi oceny specjalnie dla ALS.

Źródło zdjęcia: Kateryna Kon/Shutterstock.com

Obecnie rozpoznanie ALS może zająć do 18 miesięcy, a kiedy to nastąpi, terapie lekowe nie są już tak skuteczne ze względu na utratę neuronów ruchowych. Dlaczego możliwość wcześniejszego wykrycia ALS u pacjentów jest tak ważna?

W przypadku choroby takiej jak ALS niezbędna jest wczesna diagnoza. Tylko 15 procent osób, u których rozwinęło się ALS, ma marker genetyczny, który możemy zidentyfikować. Dlatego niezwykle ważne jest, aby klinicyści dysponowali obiektywnymi sposobami oceny stanu pacjenta tak wcześnie i dokładnie, jak to możliwe. Ponieważ u jednej czwartej pacjentów z ALS pierwszym objawem są zaburzenia mowy, monitorowanie pod kątem subtelnych zmian może służyć jako system wczesnego ostrzegania.

W miarę postępu ALS stan neuronów ruchowych odpowiedzialnych za mowę, połykanie, oddychanie i chodzenie może szybko się pogorszyć, ale jeśli chorobę uda się wykryć we wczesnym stadium, gdy neurony ruchowe są nadal nienaruszone, korzyści z interwencji prawdopodobnie zostaną zmaksymalizowane. Odpowiednie technologie, takie jak te, mogą również dokładniej wykrywać zmiany u pacjentów, co ostatecznie umożliwi lepsze monitorowanie postępu choroby.

Obecnie biorą udział w badaniu mającym na celu sprawdzenie skuteczności cyfrowej aplikacji zdrowotnej w leczeniu ALS. Czy możesz powiedzieć nam więcej o tym badaniu i jego celach?

Narodowy Instytut Zdrowia (NIH) przyznał mojemu zespołowi grant we współpracy z twórcą aplikacji Modality.AI w celu ustalenia, czy dane dotyczące mowy zbierane przez aplikację są równie skuteczne, czy bardziej skuteczne, niż obserwacje ekspertów klinicznych, którzy oceniają i leczą problemy z mową i połykaniem spowodowane ALS.

Dane zebrane przez aplikację są porównywane z wynikami uzyskanymi przy użyciu najnowocześniejszych technik laboratoryjnych pomiaru języka, które są drogie i skomplikowane w użyciu. Kiedy wyniki odpowiadają wynikom klinicystów i ich najnowocześniejszemu sprzętowi, wiemy, że mają słuszne podejście.

Źródło obrazu: Modality.AI

Sama aplikacja zawiera wirtualną agentkę Tinę. W jaki sposób ten wirtualny agent może uzyskać informacje głosowe?

Korzystanie z aplikacji jest tak proste, jak kliknięcie linku. Pacjent otrzymuje e-mail lub SMS z informacją, że nadszedł czas na utworzenie zapisu. Kliknięcie linku aktywuje kamerę i mikrofon, a Tina, wirtualna agentka AI, zaczyna wydawać instrukcje. Następnie pacjent jest proszony o wykonanie takich czynności, jak policzenie liczb, powtórzenie zdań i przeczytanie akapitu. Tymczasem aplikacja zbiera dane w celu pomiaru zmiennych z sygnałów wideo i audio, takich jak: B. Szybkość ruchów warg i szczęki, tempo mowy, zmienność tonu i wzorce pauz.

Tina dekoduje informacje z akustyki mowy i ruchów mowy, które są automatycznie wyodrębniane z nagrań wideo obejmujących całą twarz, uzyskanych podczas oceny. Technologie widzenia komputerowego – takie jak śledzenie twarzy B. – zapewniają nieinwazyjny sposób dokładnego rejestrowania i obliczania cech na podstawie dużych zbiorów danych dotyczących ruchów twarzy podczas mowy.

Jakie informacje może zapewnić pacjentom ta aplikacja zdrowotna? Jakie korzyści płyną dla pacjentów z posiadania wszystkich tych informacji w zasięgu ręki?

Zmiany w mowie są częste w ALS, ale tempo postępu ALS jest różne u różnych osób. Pacjenci zgłaszają, że jednym z najgorszych skutków choroby jest utrata zdolności mówienia. Aplikacja umożliwia pacjentom zdalne dokumentowanie historii językowej. Świadczeniodawcy będą wykorzystywać te informacje, aby pomóc pacjentom i ich rodzinom w podejmowaniu świadomych decyzji przez cały czas trwania choroby.

Jako logopedzi zależy nam na jak najdłuższej optymalizacji komunikacji. A wczesne uczenie pacjentów korzystania z alternatywnych środków komunikacji jest skuteczniejsze niż czekanie, aż stracą zdolność mówienia. Dodatkowo wczesne potwierdzenie diagnozy zapewnia pacjentom wystarczającą ilość czasu na rozpoczęcie gromadzenia wiadomości i głosu, tak aby ich własny głos mógł być używany w urządzeniu przetwarzającym tekst na mowę (TTS) lub urządzeniu generującym mowę (SGD). Istnieją dodatkowe korzyści dla pacjentów, w tym obniżone koszty i eliminacja konieczności udawania się pacjentów do klinik w celu oceny znajomości języka.

Wreszcie aplikacja zazwyczaj wymaga jedynie kilku minut tygodniowo zaangażowania pacjenta, oszczędzając czas i koszty oraz wymagając mniej energii niż badanie kliniczne, a także czasu i opóźnień związanych z koordynacją wizyt i podróżą do placówki opieki zdrowotnej. Brak wczesnego wykrywania i obiektywnych środków to dwa problemy utrudniające postęp leczenia. Wczesna diagnoza jest kluczowa w przypadku szybko postępującej choroby.

Oprócz korzyści dla pacjentów, jakie korzyści mogłoby to zapewnić podmiotom świadczącym opiekę zdrowotną?

Aplikacja umożliwi lekarzom zdalny dostęp do danych pacjentów i sama w sobie będzie śledzić postęp mowy, umożliwiając lekarzowi zarządzanie mową i jej monitorowanie bez konieczności częstych wizyt osobistych. Taki poziom dostępności pozwala lekarzom na częstsze monitorowanie pacjentów, wyciąganie trafniejszych wniosków dotyczących leczenia i ustalanie najlepszego możliwego planu leczenia. Upraszcza to cały proces i zmniejsza obciążenie pacjentów i świadczeniodawców, jednocześnie zmniejszając zużycie zasobów na usługi kliniczne. Zwiększona precyzja i wydajność aplikacji będzie również szczególnie atrakcyjna dla naukowców klinicznych i firm, które wykorzystują wzorce mowy jako mierniki wyniku w badaniach leków na ALS.

W tym badaniu nawiązałeś współpracę z firmą technologiczną Modalność.AI. Jak ważne są tego typu formy współpracy we wprowadzaniu na świat nowych idei naukowych i technologii?

Skorzystałem z okazji, aby współpracować z Modality.AI. Członkowie zespołu mają wyjątkową i obszerną historię w opracowywaniu aplikacji głosowych wykorzystujących sztuczną inteligencję oraz komercyjne zainteresowanie wdrażaniem tej technologii do głównego nurtu badań klinicznych i opieki zdrowotnej. Nowe technologie są szczególnie narażone na niepowodzenie, jeśli nie będą wspierane przez komercyjną firmę. Dlatego związek ten miał kluczowe znaczenie dla naszych ogólnych celów badania.

Spodziewam się, że tego typu współpraca w zakresie technologii medycznych będzie coraz bardziej popularna i będzie miała coraz większy wpływ na tego typu badania.

Źródło zdjęcia: elenabsl/Shutterstock.com

Sztuczna inteligencja (AI) odnotowała w ostatnich latach ogromny wzrost popularności. Dlaczego tak się dzieje i czy sądzisz, że sztuczna inteligencja nadal będzie integralną częścią opieki zdrowotnej?

Sztuczna inteligencja odgrywa bardzo ważną rolę w identyfikowaniu schorzeń trudnych do zrozumienia dla ludzkiego umysłu, ponieważ większość problemów zdrowotnych jest wielowymiarowa i bardzo skomplikowana, często dotyczy wielu części ciała i różnorodnych objawów, które zmieniają się w czasie.

Uczenie maszynowe jest idealnym rozwiązaniem do diagnozowania i monitorowania określonych schorzeń, ponieważ wymaga dużej ilości danych do wchłonięcia. Maszyny te mogą przetwarzać te dane i definiować wzorce w sposób, którego ludzkie oczy i uszy nie są w stanie dostrzec z taką samą dokładnością.

Wykorzystanie sztucznej inteligencji i uczenia maszynowego w ten sposób również będzie wyzwaniem. Aby modele te były dokładne i działały zgodnie z przeznaczeniem, należy je przeszkolić. Pozyskanie danych szkoleniowych niezbędnych do zapewnienia dokładności tych modeli będzie poważnym zadaniem. Na przykład uczenie maszyny w celu dokonywania dokładnych ocen może wymagać setek lub tysięcy przykładów konkretnego warunku, aby algorytm mógł go wytrenować i „nauczyć się” o nim. W tym celu dane te muszą zostać zebrane, a następnie bardzo starannie wybrane. Brak danych okazuje się być wąskim gardłem.

Chociaż sztuczna inteligencja okazała się nieoceniona w medycynie, nie zastąpi klinicystów. Lekarze zapewniają niezrównaną spersonalizowaną opiekę, podejmowanie decyzji i kompleksowe wsparcie dla pacjentów i nie można ich zastąpić.

Co dalej z Tobą i Twoimi studiami?

Niektórzy przedstawiciele pacjentów testują obecnie aplikację i przekazują ją pacjentom. W oparciu o strukturę grantu otrzymanego od NIH będziemy kontynuować prace nad aplikacją, aby spełniała ustalone standardy przez następne trzy lata, aby kontynuować cykl grantów. Faza I trwa rok, a faza II dwa lata.

O doktorze Jordanie Greenie

Doktor Green, która pracuje w Instytucie MGH od 2013 roku, jest logopedą zajmującym się biologicznymi aspektami produkcji mowy. Prowadzi kursy podyplomowe z zakresu fizjologii mowy oraz neuronalnych podstaw mowy, języka i słuchu. Jako główny doradca naukowy w Dziale Badań IHP współpracuje z zastępcą rektora ds. badań w zakresie rekrutacji, planowania strategicznego i różnorodnych projektów specjalnych. Jest także dyrektorem Laboratorium Zaburzeń Mowy i Odżywiania (SFDL) w tym instytucie. Został mianowany pierwszym profesorem nauk o rehabilitacji Matiny Souretis Horner. Jego badania koncentrują się na zaburzeniach produkcji mowy, rozwoju umiejętności oromotorycznych na potrzeby wczesnego mówienia i karmienia oraz ilościowym określeniu sprawności motorycznej mowy. Jego badania publikowano w czasopismach krajowych i międzynarodowych, w tym w Child Development, Journal of Neurophysiology, Journal of Speech and Hearing Research oraz Journal of the Acoustical Society of America. Brał udział w kilku panelach przeglądu grantów w Narodowych Instytutach Zdrowia. W 2012 r. został członkiem Amerykańskiego Stowarzyszenia Mowy, Języka i Słuchu, a w 2015 r. dr Green otrzymał nagrodę Willarda R. Zemlina w dziedzinie nauki o mowie.

Jego prace są finansowane przez Narodowy Instytut Zdrowia (NIH) od 2000 roku. Aktywnie publikuje w najważniejszych czasopismach, publikując ponad 100 recenzowanych publikacji. Prezentował swoją twórczość na arenie międzynarodowej i w kraju. Jest doradcą kilku doktorantów IHP, ma dziesięciu doktorów. rozpraw doktorskich i był promotorem jedenastu doktorów habilitowanych. Jest także konsultantem redakcyjnym wielu czasopism i brał udział w kilku panelach recenzujących granty NIH.

.