In diesem Interview sprechen wir mit Dr. Jordan Green vom MGH-Institut über seine jüngste Forschungspartnerschaft mit Modality.AI, die untersuchte, ob eine App zur effektiven Diagnose von Sprachverlust aufgrund von ALS eingesetzt werden könnte.
Könnten Sie sich bitte vorstellen und uns sagen, was Ihre Forschung zur Amyotrophen Lateralsklerose (ALS) inspiriert hat?
Ich bin Chief Scientific Advisor, Professor für Rehabilitationswissenschaften und Direktor des Labors für Sprach- und Ernährungsstörungen am MGH Institute of Health Professions in Boston, Massachusetts. Ich bin zertifizierter Sprachpathologe und begeisterter Forscher, der Sprech- und Schluckstörungen im Laufe des Lebens untersucht.
Als ich die Entwicklung der motorischen Kontrolle für das Sprechen bei Kindern untersuchte und computerbasierte Technologien zur Quantifizierung dieser Sprache entwickelte, begann ich mit Ärzten zu interagieren, die ALS-Kliniken leiten. Sie äußerten den Bedarf an einer Technologie ähnlich der, die ich verwende, um Sprache und Schlucken bei Erwachsenen mit ALS besser zu messen. Sie hatten die richtigen Technologien und Techniken, um die Bewegungen der Gliedmaßen und das Gehen zu messen, hatten aber Schwierigkeiten, das Sprachsystem zu messen und zu beurteilen, weil die Muskeln so klein und relativ unzugänglich sind und die Sprachbewegungen so schnell und minutiös sind. Diese Art der Messung erforderte traditionell erhebliches Fachwissen, und sie benötigten objektivere Maßnahmen. Von da an begann ich, an der Entwicklung von computergestützten Bewertungsinstrumenten speziell für ALS zu arbeiten.
Bildnachweis: Kateryna Kon/Shutterstock.com
Derzeit kann es bis zu 18 Monate dauern, bis ALS diagnostiziert wird, und wenn dies eintrifft, sind medikamentöse Therapien aufgrund des Verlusts von Motoneuronen nicht mehr so effektiv. Warum ist es deshalb so wichtig, ALS bei Patienten früher erkennen zu können?
Bei einer Krankheit wie ALS ist eine frühzeitige Diagnose unerlässlich. Nur 15 Prozent der Menschen, die an ALS erkranken, haben einen genetischen Marker, den wir identifizieren können. Daher ist es entscheidend, dass Kliniker objektive Möglichkeiten haben, den Zustand so früh und genau wie möglich zu beurteilen. Da ein Viertel der ALS-Patienten eine Sprachstörung als erstes Symptom haben, könnte die Überwachung auf subtile Veränderungen als Frühwarnsystem dienen.
Mit fortschreitender ALS können sich Motoneuronen, die für Sprache, Schlucken, Atmung und Gehen verantwortlich sind, schnell verschlechtern, aber wenn die Krankheit in ihren frühen Stadien erkannt werden kann, während die Motoneuronen noch intakt sind, werden die Vorteile von Interventionen wahrscheinlich maximiert. Die richtigen Technologien wie diese können zudem Veränderungen bei Patienten präziser erkennen, was letztlich eine bessere Überwachung des Krankheitsverlaufs ermöglicht.
Sie sind derzeit an einer Studie beteiligt, um die Wirksamkeit einer digitalen Gesundheits-App für ALS zu testen. Können Sie uns mehr über diese Studie und ihre Ziele erzählen?
Die National Institutes of Health (NIH) haben meinem Team in Zusammenarbeit mit dem App-Entwickler Modality.AI einen Zuschuss gewährt, um festzustellen, ob die von einer App gesammelten Sprachdaten genauso effektiv oder effektiver sind als die Beobachtungen klinischer Experten, die sie bewerten und behandeln Sprach- und Schluckprobleme aufgrund von ALS.
Die von der App gesammelten Daten werden mit Ergebnissen verglichen, die aus hochmodernen Labortechniken zur Sprachmessung gewonnen werden, die teuer und kompliziert in der Anwendung sind. Wenn die Ergebnisse mit den Ergebnissen von Klinikern und ihrer hochmodernen Ausrüstung übereinstimmen, wissen wir, dass sie einen gültigen Ansatz haben.
Bildnachweis: Modality.AI
Die App selbst verfügt über einen virtuellen Agenten, Tina. Wie ist dieser virtuelle Agent in der Lage, Sprachdateninformationen zu erhalten?
Die Verwendung der Anwendung ist so einfach wie das Klicken auf einen Link. Der Patient erhält eine E-Mail oder eine Textnachricht, die angibt, dass es an der Zeit ist, eine Aufzeichnung zu erstellen. Durch Klicken auf einen Link werden Kamera und Mikrofon aktiviert, und Tina, die virtuelle KI-Agentin, beginnt, Anweisungen zu geben. Der Patient wird dann aufgefordert, beispielsweise Zahlen zu zählen, Sätze zu wiederholen und einen Absatz zu lesen. Währenddessen sammelt die App Daten, um Variablen aus den Video- und Audiosignalen zu messen, wie z. B. Geschwindigkeit der Lippen- und Kieferbewegungen, Sprechgeschwindigkeit, Tonhöhenvariation und Pausenmuster.
Tina entschlüsselt Informationen aus Sprachakustik und Sprachbewegungen, die automatisch aus Full-Face-Videoaufnahmen extrahiert werden, die während des Assessments gewonnen wurden. Computer-Vision-Technologien – wie z. B. Gesichtsverfolgung – bieten eine nicht-invasive Möglichkeit, Merkmale aus großen Datenmengen von Gesichtsbewegungen während des Sprechens genau aufzuzeichnen und zu berechnen.
Welche Informationen kann diese Gesundheits-App den Patienten liefern? Was sind die Vorteile für Patienten, wenn ihnen all diese Informationen zur Verfügung stehen?
Sprachveränderungen sind bei ALS üblich, aber die Progressionsrate von ALS variiert von Person zu Person. Patienten berichten, dass die nachlassende Fähigkeit zu sprechen zu den schlimmsten Auswirkungen der Krankheit gehört. Mit der App können Patienten ihren Sprachverlauf aus der Ferne dokumentieren. Dienstleister werden diese Informationen verwenden, um Patienten und ihren Familien dabei zu helfen, während des gesamten Krankheitsverlaufs fundierte Entscheidungen zu treffen.
Als Logopäden wollen wir die Kommunikation so lange wie möglich optimieren. Und Patienten frühzeitig beizubringen, alternative Kommunikationswege zu nutzen, ist effektiver, als zu warten, bis sie die Fähigkeit zu sprechen verloren haben. Darüber hinaus bietet die frühzeitige Bestätigung einer Diagnose den Patienten ausreichend Zeit, um mit dem Nachrichten- und Voice-Banking zu beginnen, damit ihre eigene Stimme in einem Text-zu-Sprache- (TTS) oder Spracherzeugungsgerät (SGD) verwendet werden kann. Es gibt zusätzliche Vorteile für die Patienten, darunter geringere Kosten und der Wegfall der Notwendigkeit, dass Patienten für eine Sprachbeurteilung in Kliniken reisen müssen.
Schließlich erfordert die App im Allgemeinen nur wenige Minuten pro Woche das Engagement des Patienten, was Zeit und Kosten spart und weniger Energie als eine klinische Untersuchung sowie die Zeit und Verzögerungen erfordert, die mit der Terminkoordination und der Fahrt zu einer Gesundheitseinrichtung verbunden sind. Fehlende Früherkennung und objektive Maßnahmen sind zwei Probleme, die den Behandlungsfortschritt behindert haben. Eine frühzeitige Diagnose ist bei einer schnell fortschreitenden Krankheit von entscheidender Bedeutung.
Welche Vorteile könnte es neben den Vorteilen für Patienten auch für Gesundheitsdienstleister bieten?
Die App wird Ärzten den Fernzugriff auf die Daten ihrer Patienten ermöglichen und an und für sich den Fortschritt der Sprache verfolgen, sodass der Anbieter die Sprache verwalten und überwachen kann, ohne dass häufige persönliche Besuche erforderlich sind. Dieses Maß an Zugänglichkeit ermöglicht es Ärzten, Patienten regelmäßiger zu überwachen, genauere Schlussfolgerungen zur Behandlung zu ziehen und den bestmöglichen Behandlungsplan festzulegen. Dies vereinfacht den gesamten Prozess und entlastet Patient und Anbieter, während der Ressourcenverbrauch für klinische Dienstleistungen reduziert wird. Die erhöhte Präzision und Effizienz der App wird auch für klinische Wissenschaftler und Unternehmen, die Sprachmuster als Ergebnismaße in ALS-Medikamentenstudien verwenden, besonders attraktiv sein.
In dieser Studie haben Sie sich mit einem Technologieunternehmen zusammengetan Modalität.KI. Wie wichtig sind diese Arten von Kooperationen, um neue wissenschaftliche Ideen und Technologien in die Welt zu tragen?
Ich habe die Gelegenheit ergriffen, mit Modality.AI zu arbeiten. Die Teammitglieder haben eine einzigartige und umfangreiche Geschichte in der Entwicklung von KI-Sprachanwendungen und ein kommerzielles Interesse an der Implementierung dieser Technologie in die allgemeine Gesundheitsversorgung und in klinische Studien. Neue Technologien sind besonders gefährdet, zu scheitern, wenn sie nicht von einem kommerziellen Unternehmen unterstützt werden. Daher war diese Beziehung für unsere Gesamtziele für die Studie von entscheidender Bedeutung.
Ich gehe davon aus, dass diese Arten von Kooperationen im Bereich der Gesundheitstechnologie immer beliebter werden und einen immer größeren Einfluss auf Studien wie diese haben werden.
Bildnachweis: elenabsl/Shutterstock.com
Künstliche Intelligenz (KI) hat in den letzten Jahren einen enormen Zuwachs an Verbreitung erfahren. Warum ist das so und glauben Sie, dass KI weiterhin zu einem integralen Bestandteil des Gesundheitswesens werden wird?
KI spielt eine sehr wichtige Rolle bei der Identifizierung von Zuständen, die für unseren menschlichen Verstand schwer zu verstehen sind, da die meisten Gesundheitsprobleme mehrdimensional und sehr kompliziert sind und oft mehrere Körperteile und eine Vielzahl von Symptomen betreffen, die sich im Laufe der Zeit ändern.
Maschinelles Lernen ist eine perfekte Lösung für die Diagnose und Überwachung bestimmter Gesundheitszustände, da so viele Daten aufgenommen werden müssen. Diese Maschinen können diese Daten verarbeiten und Muster auf eine Weise definieren, die menschliche Augen und Ohren nicht im gleichen Maße erkennen können Richtigkeit.
Die Nutzung von KI und maschinellem Lernen auf diese Weise wird ebenfalls eine Herausforderung darstellen. Damit diese Modelle genau sind und wie gewünscht funktionieren, müssen sie trainiert werden. Das Erfassen der Trainingsdaten, die erforderlich sind, um diese Modelle genau zu machen, wird eine große Aufgabe sein. Um beispielsweise eine Maschine zu trainieren, um genaue Bewertungen vorzunehmen, können Hunderte oder Tausende von Beispielen einer bestimmten Bedingung erforderlich sein, damit der Algorithmus darauf trainiert und sie „lernt“. Zu diesem Zweck müssen diese Daten gesammelt und dann sehr sorgfältig ausgewählt werden. Dieser Mangel an Daten erweist sich als Engpass.
Obwohl sich KI im medizinischen Bereich als unschätzbar erwiesen hat, wird sie Kliniker nicht ersetzen. Menschliche Praktiker bieten beispiellose personalisierte Betreuung, Entscheidungsfindung und umfassende Patientenunterstützung und können nicht ersetzt werden.
Wie geht es für dich und dein Studium weiter?
Derzeit testen einige Patientenvertretungen die App und geben sie an Patienten weiter. Basierend auf der Struktur des Stipendiums, das wir vom NIH erhalten haben, werden wir weiter an der App arbeiten, um in den nächsten drei Jahren festgelegte Benchmarks zu erfüllen, um den Stipendienzyklus fortzusetzen. Phase I dauert ein Jahr und Phase II zwei Jahre.
Über Dr. Jordan Green
Dr. Green, der seit 2013 am MGH-Institut tätig ist, ist Sprachpathologe und untersucht biologische Aspekte der Sprachproduktion. Er unterrichtet Graduiertenkurse zur Sprachphysiologie und zu den neuronalen Grundlagen von Sprechen, Sprache und Hören. Als Chief Scientific Advisor in der Forschungsabteilung des IHP arbeitet er mit dem Associate Provost for Research in den Bereichen Rekrutierung, strategische Planung und eine Vielzahl von Sonderprojekten zusammen. Er ist außerdem Direktor des Labors für Sprach- und Ernährungsstörungen (SFDL) am Institut. Er wurde zum ersten Matina Souretis Horner Professor für Rehabilitationswissenschaften ernannt. Seine Forschung konzentriert sich auf Störungen der Sprachproduktion, die Entwicklung oromotorischer Fähigkeiten für frühes Sprechen und Füttern sowie die Quantifizierung der sprachmotorischen Leistung. Seine Forschung wurde in nationalen und internationalen Zeitschriften veröffentlicht, darunter Child Development, Journal of Neurophysiology, Journal of Speech and Hearing Research und Journal of the Acoustical Society of America. Er war Mitglied mehrerer Prüfungsgremien für Stipendien an den National Institutes of Health. 2012 wurde er zum Fellow der American Speech-Language-Hearing Association ernannt und 2015 erhielt Dr. Green den Willard R. Zemlin Award in Speech Science.
Seine Arbeit wird seit 2000 vom National Institute of Health (NIH) finanziert. Er leistet mit über 100 Peer-Review-Veröffentlichungen einen produktiven Beitrag zu wichtigen Zeitschriften. Er hat seine Arbeiten international und national präsentiert. Er ist Berater mehrerer IHP-Doktoranden, hat zehn Ph.D. Dissertationen und betreute elf Postdoktoranden. Er ist außerdem redaktioneller Berater für zahlreiche Zeitschriften und war Mitglied mehrerer NIH-Gremien zur Überprüfung von Stipendien.
.
