Dans cette interview, nous parlons au Dr Jordan Green de l’Institut MGH de son dernier partenariat de recherche avec Modality.AI qui a cherché à savoir si une application pouvait être utilisée pour diagnostiquer efficacement le déclin de la parole dû à la SLA.
Sommaire
Pourriez-vous vous présenter et nous dire ce qui a inspiré vos recherches sur la sclérose latérale amyotrophique (SLA) ?
Je suis conseiller scientifique en chef, professeur en sciences de la réadaptation et directeur du laboratoire des troubles de la parole et de l’alimentation au MGH Institute of Health Professions à Boston, Massachusetts. Je suis une orthophoniste certifiée et une chercheuse passionnée, étudiant les troubles de la parole et de la déglutition tout au long de la vie.
Alors que j’étudiais le développement du contrôle moteur pour la parole chez les enfants et que je développais des technologies informatiques pour quantifier cette parole, j’ai commencé à interagir avec des médecins qui dirigent des cliniques de SLA. Ils ont exprimé le besoin d’une technologie similaire à celle que j’utilisais pour mieux mesurer la parole et la déglutition chez les adultes atteints de SLA. Ils disposaient des bonnes technologies et techniques pour mesurer les mouvements des membres et la marche, mais avaient du mal à mesurer et à évaluer le système de la parole car les muscles sont si petits et relativement inaccessibles, et les mouvements de la parole sont si rapides et minutieux. Ce type de mesure nécessitait traditionnellement une expertise importante, et ils avaient besoin de mesures plus objectives. À partir de là, j’ai commencé à travailler sur le développement d’outils d’évaluation informatisés spécifiquement pour la SLA.
Crédit d’image : Kateryna Kon/Shutterstock.com
Actuellement, cela peut prendre jusqu’à 18 mois pour être diagnostiqué avec la SLA, et au moment où cela arrive, les thérapies médicamenteuses ne sont plus aussi efficaces en raison de la perte des motoneurones. Pourquoi est-il donc vital de pouvoir identifier la SLA plus tôt chez les patients ?
Un diagnostic précoce est essentiel pour une maladie comme la SLA. Seulement 15 % des personnes qui contractent la SLA ont un marqueur génétique que nous pouvons identifier, il est donc crucial de disposer de moyens objectifs pour que les cliniciens évaluent la maladie le plus tôt et le plus précisément possible. Étant donné qu’un quart des patients atteints de SLA présentent des troubles de la parole comme premier symptôme, la surveillance des changements subtils pourrait servir de système d’alerte précoce.
Au fur et à mesure que la SLA progresse, les motoneurones responsables de la parole, de la déglutition, de la respiration et de la marche peuvent se détériorer rapidement, mais si la maladie peut être détectée à ses débuts, alors que les motoneurones sont encore intacts, les avantages des interventions seront probablement maximisés. Les bonnes technologies, comme celle-ci, peuvent également détecter les changements chez les patients avec une plus grande précision, facilitant ainsi un meilleur suivi de la progression de la maladie.
Vous participez actuellement à une étude visant à tester l’efficacité d’une application de santé numérique pour la SLA. Pouvez-vous nous en dire plus sur cette étude et quels sont ses objectifs ?
Les National Institutes of Health (NIH) ont accordé à mon équipe, en collaboration avec le développeur d’applications Modality.AI, une subvention pour déterminer si les données recueillies sur la parole à partir d’une application sont aussi efficaces ou plus efficaces que les observations d’experts cliniques qui évaluent et traitent problèmes d’élocution et de déglutition dus à la SLA.
Les données recueillies à partir de l’application seront comparées aux résultats obtenus à partir de techniques de laboratoire de pointe utilisées pour mesurer la parole qui sont coûteuses et compliquées à utiliser. Si les résultats correspondent aux résultats des cliniciens et à leur équipement de pointe, nous saurons qu’ils ont une approche valable.
Crédit d’image : Modality.AI
L’application elle-même comporte un agent virtuel, Tina. Comment cet agent virtuel peut-il obtenir des informations sur les données vocales ?
L’utilisation de l’application est aussi simple que de cliquer sur un lien. Le patient reçoit un e-mail ou un SMS indiquant qu’il est temps de créer un enregistrement. Cliquer sur un lien active la caméra et le microphone, et Tina, l’agent virtuel de l’IA, commence à donner des instructions. On demande ensuite au patient de compter des nombres, de répéter des phrases et de lire un paragraphe, par exemple. Pendant tout ce temps, l’application collecte des données pour mesurer les variables des signaux vidéo et audio, telles que la vitesse des mouvements des lèvres et de la mâchoire, le débit de parole, la variation de hauteur et les modèles de pause.
Tina décode les informations de l’acoustique de la parole et des mouvements de la parole, extraites automatiquement des enregistrements vidéo de face obtenus lors de l’évaluation. Les technologies de vision par ordinateur, telles que le suivi du visage, offrent un moyen non invasif d’enregistrer et de calculer avec précision les caractéristiques à partir de grandes quantités de données provenant des mouvements du visage pendant la parole.
Quelles informations cette application de santé pourra-t-elle fournir aux patients ? Quels sont les avantages pour les patients d’avoir toutes ces informations à leur disposition ?
Les changements d’élocution sont courants avec la SLA, mais le taux de progression de la SLA varie d’une personne à l’autre. Les patients rapportent que la diminution de leur capacité à parler est l’un des pires effets de la maladie. L’application permettra aux patients de documenter leur progression vocale à distance. Les prestataires de services utiliseront ces informations pour aider les patients et leurs familles à prendre des décisions éclairées tout au long de l’évolution de la maladie.
En tant qu’orthophonistes, nous voulons optimiser la communication le plus longtemps possible. Et il est plus efficace d’apprendre tôt aux patients à utiliser d’autres modes de communication que d’attendre qu’ils aient perdu la capacité de parler. De plus, la confirmation précoce d’un diagnostic donnera aux patients suffisamment de temps pour commencer la banque de messages et de voix afin que leur propre voix puisse être utilisée dans une synthèse vocale (TTS) ou un dispositif générateur de parole (SGD). Il y a des avantages supplémentaires pour les patients, notamment une réduction des coûts et l’élimination du besoin pour les patients de se rendre dans des cliniques pour une évaluation de la parole.
Enfin, l’application ne nécessite généralement l’engagement du patient que quelques minutes par semaine, économisant ainsi du temps et de l’argent, nécessitant moins d’énergie qu’un examen clinique et le temps et les délais nécessaires pour coordonner un rendez-vous et se rendre dans un établissement de santé. Le manque de diagnostic précoce et de mesures objectives sont deux problèmes qui ont entravé les progrès du traitement. Un diagnostic précoce est essentiel dans une maladie à évolution rapide.
En plus des avantages qu’il offre aux patients, quels avantages pourrait-il offrir aux prestataires de soins de santé ?
L’application permettra aux cliniciens d’accéder à distance aux données de leurs patients et, en elle-même, suivra la progression de la parole, permettant au fournisseur de gérer et de surveiller la parole sans nécessiter de fréquentes visites en personne. Ce niveau d’accessibilité permettra aux cliniciens de surveiller les patients plus régulièrement, de tirer des conclusions plus précises sur le traitement et de déterminer le meilleur plan de soins possible. Cela simplifie l’ensemble du processus et supprime le fardeau du patient et du fournisseur tout en réduisant l’utilisation des ressources pour les services cliniques. La précision et l’efficacité accrues de l’application seront également particulièrement attrayantes pour les scientifiques cliniques et les entreprises utilisant des modèles de parole comme mesures des résultats dans les essais de médicaments pour la SLA.
Dans cette étude, vous vous êtes associé à la société de technologie Modality.AI. Quelle est l’importance de ces types de collaborations pour apporter de nouvelles idées et technologies scientifiques au monde ?
J’ai sauté sur l’opportunité de travailler avec Modality.AI. Les membres de l’équipe ont des antécédents uniques et étendus de développement d’applications vocales d’IA et un intérêt commercial pour la mise en œuvre de cette technologie dans les soins de santé et les essais cliniques grand public. Les nouvelles technologies sont particulièrement à risque d’échouer lorsqu’une entité commerciale ne les prend pas en charge. Cette relation était donc essentielle à nos objectifs généraux pour l’étude.
Je prédis que ces types de collaborations gagneront en popularité dans le domaine des technologies de la santé et auront un impact de plus en plus important sur des études comme celle-ci.
Crédit d’image : elenabsl/Shutterstock.com
L’intelligence artificielle (IA) a connu une augmentation considérable de son adoption ces dernières années. Pourquoi cela, et pensez-vous que nous continuerons à voir l’IA devenir un aspect intégral des soins de santé ?
L’IA joue un rôle très important dans l’identification des conditions difficiles à comprendre pour notre esprit humain, car la plupart des problèmes de santé sont multidimensionnels et très compliqués, affectant souvent plusieurs parties du corps et une variété de symptômes qui changent avec le temps.
L’apprentissage automatique est une solution parfaite pour diagnostiquer et surveiller certaines conditions de santé, car il y a tellement de données à prendre en compte. Ces machines peuvent traiter ces données et définir des modèles d’une manière que les yeux et les oreilles humains ne sont pas capables de détecter au même degré de précision.
L’utilisation de l’IA et de l’apprentissage automatique de cette manière présentera également un défi. Pour que ces modèles soient précis et fonctionnent correctement comme nous le souhaitons, ils doivent être entraînés. L’acquisition des données de formation nécessaires pour rendre ces modèles précis sera une tâche ardue. Par exemple, pour former une machine à effectuer des évaluations avec précision, des centaines ou des milliers d’exemples d’une condition spécifique peuvent être nécessaires pour que l’algorithme soit formé dessus et «l’apprenne». Pour cela, ces données doivent être collectées puis très soigneusement sélectionnées. Ce manque de données s’avère être un goulot d’étranglement.
Bien que l’IA se soit avérée inestimable dans le domaine médical, elle ne remplacera pas les cliniciens. Les praticiens humains offrent des soins personnalisés, une prise de décision et un soutien global aux patients inégalés et ne peuvent être remplacés.
Quelle est la prochaine étape pour vous et votre étude ?
Actuellement, quelques groupes de défense des patients testent l’application et la donnent aux patients. Sur la base de la structure de la subvention que nous avons reçue du NIH, nous continuerons à travailler sur l’application pour atteindre les objectifs fixés au cours des trois prochaines années afin de continuer dans le cycle de subvention. La phase I durera un an et la phase II, deux ans.
À propos du Dr Jordan Green
Le Dr Green, qui travaille à l’Institut MGH depuis 2013, est un orthophoniste qui étudie les aspects biologiques de la production de la parole. Il enseigne des cours de troisième cycle sur la physiologie de la parole et les bases neurales de la parole, du langage et de l’audition. En tant que conseiller scientifique en chef du département de recherche de l’IHP, il travaille avec le vice-recteur à la recherche dans les domaines du recrutement, de la planification stratégique et de divers projets spéciaux. Il est également directeur du Laboratoire des troubles de la parole et de l’alimentation (SFDL) à l’Institut. Il a été nommé premier professeur Matina Souretis Horner en sciences de la réadaptation. Ses recherches portent sur les troubles de la production de la parole, le développement des habiletés oromotrices pour la parole et l’alimentation précoces et la quantification des performances motrices de la parole. Ses recherches ont été publiées dans des revues nationales et internationales, notamment Développement de l’enfant, Journal de neurophysiologie, Journal de recherche sur la parole et l’auditionet le Journal de l’Acoustical Society of America. Il a siégé à plusieurs comités d’examen des subventions aux National Institutes of Health. En 2012, il a été nommé membre de l’American Speech-Language-Hearing Association et en 2015, le Dr Green a reçu le prix Willard R. Zemlin en sciences de la parole.
Son travail est financé par le National Institute of Health (NIH) depuis 2000. Il est un contributeur prolifique à d’importantes revues, avec plus de 100 publications évaluées par des pairs. Il a présenté son travail à l’échelle internationale et nationale. Il est conseiller auprès de plusieurs doctorants de l’IHP, a dirigé dix doctorats. thèses et a supervisé onze stagiaires postdoctoraux. Il est également consultant éditorial pour de nombreuses revues et a siégé à plusieurs comités d’examen des subventions des NIH.
