Utveckling av en app för att diagnostisera ALS

Utveckling av en app för att diagnostisera ALS

TankeledareDr Jordan GreenChef för Språk- och ätstörningslaboratorietMGH Institute for Health Professions

I den här intervjun pratar vi med Jordan Green från Dr. MGH Institute om hans senaste forskningssamarbete med Modality.AI, som undersökte om en app kunde användas för att effektivt diagnostisera språkförlust på grund av ALS.

Kan du presentera dig själv och berätta vad som inspirerade din forskning om amyotrofisk lateralskleros (ALS)?

Jag är Chief Scientific Advisor, professor i rehabiliteringsvetenskaper och chef för Speech and Nutrition Disorders Laboratory vid MGH Institute of Health Professions i Boston, Massachusetts. Jag är legitimerad logoped och en entusiastisk forskare som studerar tal- och sväljstörningar under hela livet.

När jag studerade utvecklingen av motorisk kontroll för tal hos barn och utvecklade datorbaserad teknik för att kvantifiera detta tal, började jag interagera med läkare som driver ALS-kliniker. De uttryckte ett behov av teknik som liknar den jag använder för att bättre mäta tal och svälja hos vuxna med ALS. De hade rätt teknologier och tekniker för att mäta lemrörelser och gång, men hade svårt att mäta och bedöma talsystemet eftersom musklerna är så små och relativt otillgängliga och talrörelserna är så snabba och små. Denna typ av mätning krävde traditionellt sett betydande expertis och krävde mer objektiva åtgärder. Därefter började jag arbeta med att utveckla datorbaserade bedömningsverktyg specifikt för ALS.

Fotokredit: Kateryna Kon/Shutterstock.com

För närvarande kan det ta upp till 18 månader att diagnostiseras med ALS, och när detta inträffar är läkemedelsbehandlingar inte längre lika effektiva på grund av förlusten av motorneuroner. Varför är det så viktigt att kunna upptäcka ALS tidigare hos patienter?

När det gäller en sjukdom som ALS är tidig diagnos viktig. Endast 15 procent av människor som utvecklar ALS har en genetisk markör som vi kan identifiera. Därför är det viktigt att läkare har objektiva sätt att bedöma tillståndet så tidigt och exakt som möjligt. Eftersom en fjärdedel av ALS-patienterna har en talstörning som sitt första symptom, kan övervakning av subtila förändringar fungera som ett tidigt varningssystem.

När ALS fortskrider kan motorneuroner som ansvarar för tal, sväljning, andning och gång snabbt försämras, men om sjukdomen kan upptäckas i dess tidiga skeden medan motorneuronerna fortfarande är intakta, kommer fördelarna med interventioner sannolikt att maximeras. Rätt teknik som dessa kan också upptäcka förändringar hos patienter mer exakt, vilket i slutändan möjliggör bättre övervakning av sjukdomsprogression.

De är för närvarande involverade i en studie för att testa effektiviteten av en digital hälsoapp för ALS. Kan du berätta mer om denna studie och dess mål?

National Institutes of Health (NIH) tilldelade mitt team ett anslag i samarbete med apputvecklaren Modality.AI för att avgöra om taldata som samlats in av en app är lika effektiv eller effektivare än observationerna från kliniska experter som bedömer och behandlar tal- och sväljproblem på grund av ALS.

Data som samlas in av appen jämförs med resultat som erhållits från toppmoderna laboratorietekniker för språkmätning, som är dyra och komplicerade att använda. När resultaten överensstämmer med klinikernas och deras toppmoderna utrustning vet vi att de har ett giltigt tillvägagångssätt.

Bildkredit: Modality.AI

Själva appen har en virtuell agent, Tina. Hur kan denna virtuella agent få röstdatainformation?

Att använda applikationen är lika enkelt som att klicka på en länk. Patienten får ett e-postmeddelande eller ett sms som anger att det är dags att skapa en journal. Genom att klicka på en länk aktiveras kameran och mikrofonen och Tina, den virtuella AI-agenten, börjar ge instruktioner. Patienten uppmanas sedan att göra saker som att räkna siffror, upprepa meningar och läsa ett stycke. Under tiden samlar appen in data för att mäta variabler från video- och ljudsignalerna, såsom: B. Hastighet för läpp- och käkrörelser, talhastighet, tonhöjdsvariation och pausmönster.

Tina avkodar information från talakustik och talrörelser som automatiskt extraheras från helbildsvideoinspelningar som erhållits under bedömningen. Datorseendeteknologier – som B. Ansiktsspårning – ger ett icke-invasivt sätt att noggrant registrera och beräkna funktioner från stora datamängder av ansiktsrörelser under tal.

Vilken information kan den här hälsoappen ge patienterna? Vilka är fördelarna för patienterna med att ha all denna information till hands?

Talförändringar är vanliga vid ALS, men graden av progression av ALS varierar från person till person. Patienter rapporterar att förlusten av förmågan att tala är en av de värsta effekterna av sjukdomen. Appen låter patienter dokumentera sin språkhistorik på distans. Leverantörer kommer att använda denna information för att hjälpa patienter och deras familjer att fatta välgrundade beslut under hela sjukdomsförloppet.

Som logoped vill vi optimera kommunikationen så länge som möjligt. Och att tidigt lära patienter att använda alternativa kommunikationsmedel är effektivare än att vänta tills de har tappat förmågan att tala. Dessutom ger tidig bekräftelse av en diagnos patienterna tillräckligt med tid för att påbörja meddelande- och röstbanker så att deras egen röst kan användas i en text-till-tal (TTS) eller talgenererande enhet (SGD). Det finns ytterligare fördelar för patienterna, inklusive minskade kostnader och eliminering av behovet för patienter att resa till kliniker för en språkbedömning.

Slutligen kräver appen i allmänhet bara några minuter per vecka av patientengagemang, vilket sparar tid och kostnader och kräver mindre energi än en klinisk undersökning, såväl som den tid och förseningar som är förknippade med möteskoordinering och resor till en vårdinrättning. Brist på tidig upptäckt och objektiva åtgärder är två problem som har hindrat behandlingens framsteg. Tidig diagnos är avgörande för en snabbt fortskridande sjukdom.

Utöver fördelar för patienter, vilka fördelar kan det ge vårdgivare?

Appen kommer att tillåta läkare att få åtkomst till sina patienters data på distans och, i och för sig, kommer den att spåra talframsteg, vilket gör att leverantören kan hantera och övervaka tal utan behov av frekventa personliga besök. Denna tillgänglighetsnivå gör det möjligt för läkare att övervaka patienter mer regelbundet, göra mer exakta behandlingsslutsatser och fastställa bästa möjliga behandlingsplan. Detta förenklar hela processen och minskar bördan för patienter och leverantörer samtidigt som resursåtgången för kliniska tjänster minskar. Appens ökade precision och effektivitet kommer också att vara särskilt attraktiv för kliniska forskare och företag som använder talmönster som resultatmått i ALS-läkemedelsprövningar.

I den här studien samarbetade du med ett teknikföretag Modalitet.AI. Hur viktiga är dessa typer av samarbeten för att föra ut nya vetenskapliga idéer och teknologier till världen?

Jag hoppade på möjligheten att arbeta med Modality.AI. Teammedlemmarna har en unik och omfattande historia av att utveckla AI-röstapplikationer och ett kommersiellt intresse av att implementera denna teknik i vanliga hälsovård och kliniska prövningar. Ny teknik löper särskilt stor risk att misslyckas om de inte stöds av ett kommersiellt företag. Därför var detta förhållande avgörande för våra övergripande mål för studien.

Jag förväntar mig att den här typen av hälsotekniksamarbeten kommer att bli allt populärare och få en ständigt ökande inverkan på sådana här studier.

Fotokredit: elenabsl/Shutterstock.com

Artificiell intelligens (AI) har upplevt en enorm tillväxt i popularitet de senaste åren. Varför är detta och tror du att AI kommer att fortsätta att bli en integrerad del av vården?

AI spelar en mycket viktig roll för att identifiera tillstånd som är svåra för våra mänskliga sinnen att förstå, eftersom de flesta hälsoproblem är flerdimensionella och mycket komplicerade, ofta påverkar flera kroppsdelar och en mängd olika symtom som förändras över tiden.

Maskininlärning är en perfekt lösning för att diagnostisera och övervaka vissa hälsotillstånd eftersom det finns så mycket data att absorbera. Dessa maskiner kan bearbeta dessa data och definiera mönster på sätt som mänskliga ögon och öron inte kan urskilja med samma grad av noggrannhet.

Att använda AI och maskininlärning på detta sätt kommer också att vara utmanande. För att dessa modeller ska vara korrekta och fungera som avsett måste de vara utbildade. Att skaffa de träningsdata som behövs för att göra dessa modeller korrekta kommer att vara en stor uppgift. Att träna en maskin för att göra korrekta bedömningar kan till exempel kräva hundratals eller tusentals exempel på ett visst tillstånd för att algoritmen ska träna och "lära sig" om det. För detta ändamål måste dessa uppgifter samlas in och sedan väljas ut mycket noggrant. Denna brist på data har visat sig vara en flaskhals.

Även om AI har visat sig ovärderligt inom det medicinska området, kommer det inte att ersätta läkare. Mänskliga utövare tillhandahåller oöverträffad personlig vård, beslutsfattande och omfattande patientstöd och kan inte ersättas.

Vad händer härnäst för dig och dina studier?

Vissa patientrepresentanter testar just nu appen och skickar den vidare till patienterna. Baserat på strukturen för bidraget vi fick från NIH kommer vi att fortsätta arbeta med appen för att möta etablerade riktmärken under de kommande tre åren för att fortsätta bidragscykeln. Fas I varar i ett år och Fas II varar i två år.

Om Dr Jordan Green

Dr Green, som har arbetat på MGH Institute sedan 2013, är en logoped som studerar biologiska aspekter av talproduktion. Han undervisar i forskarkurser i talfysiologi och den neurala grunden för tal, språk och hörsel. Som Chief Scientific Advisor vid IHP:s forskningsavdelning arbetar han med Associate Provost for Research på rekrytering, strategisk planering och en mängd olika specialprojekt. Han är också chef för laboratoriet för tal- och nutritionsstörningar (SFDL) vid institutet. Han utsågs till den första Matina Souretis Horner-professorn i rehabiliteringsvetenskap. Hans forskning fokuserar på talproduktionsstörningar, utveckling av oromotoriska färdigheter för tidigt tal och matning, och kvantifiering av talmotoriska prestationer. Hans forskning har publicerats i nationella och internationella tidskrifter inklusive Child Development, Journal of Neurophysiology, Journal of Speech and Hearing Research och Journal of the Acoustical Society of America. Han har varit med i flera granskningspaneler vid National Institutes of Health. 2012 utsågs han till Fellow i American Speech-Language-Hearing Association och 2015 mottog Dr. Green Willard R. Zemlin Award in Speech Science.

Hans arbete har finansierats av National Institutes of Health (NIH) sedan 2000. Han bidrar produktivt till stora tidskrifter med över 100 peer-reviewed publikationer. Han har presenterat sitt arbete internationellt och nationellt. Han är rådgivare åt flera IHP-doktorander, har tio Ph.D. avhandlingar och handleda elva postdoktorer. Han är också redaktionell konsult för ett flertal tidskrifter och har suttit i flera granskningspaneler för NIH-anslag.

.