L’intelligence artificielle (IA) peut être utilisée pour détecter l’infection au COVID-19 dans la voix des gens au moyen d’une application pour téléphone portable, selon une étude qui sera présentée lundi au Congrès international de l’European Respiratory Society à Barcelone, en Espagne.
Le modèle d’IA utilisé dans cette recherche est plus précis que les tests antigéniques à flux latéral/rapide et est bon marché, rapide et facile à utiliser, ce qui signifie qu’il peut être utilisé dans les pays à faible revenu où les tests PCR sont coûteux et/ou difficiles à distribuer.
Mme Wafaa Aljbawi, chercheuse à l’Institut des sciences des données de l’Université de Maastricht, aux Pays-Bas, a déclaré au congrès que le modèle d’IA était précis 89 % du temps, alors que la précision des tests de flux latéral variait considérablement selon la marque. De plus, les tests de flux latéral étaient considérablement moins précis pour détecter l’infection au COVID chez les personnes qui ne présentaient aucun symptôme.
Ces résultats prometteurs suggèrent que de simples enregistrements vocaux et des algorithmes d’IA affinés peuvent potentiellement atteindre une grande précision pour déterminer quels patients sont infectés par le COVID-19. De tels tests peuvent être fournis gratuitement et sont simples à interpréter. De plus, ils permettent des tests virtuels à distance et ont un délai d’exécution de moins d’une minute. Ils pourraient être utilisés, par exemple, aux points d’entrée de grands rassemblements, permettant un dépistage rapide de la population. »
Wafaa Aljbawi, chercheur, Institut des sciences des données, Université de Maastricht
L’infection au COVID-19 affecte généralement les voies respiratoires supérieures et les cordes vocales, entraînant des changements dans la voix d’une personne. Mme Aljbawi et ses superviseurs, le Dr Sami Simons, pneumologue au Centre médical universitaire de Maastricht, et le Dr Visara Urovi, également de l’Institut des sciences des données, ont décidé d’étudier s’il était possible d’utiliser l’IA pour analyser les voix afin de détecter le COVID-19 .
Ils ont utilisé les données de l’application COVID-19 Sounds de l’Université de Cambridge qui contient 893 échantillons audio de 4 352 participants sains et non sains, dont 308 avaient été testés positifs pour COVID-19. L’application est installée sur le téléphone portable de l’utilisateur, les participants rapportent des informations de base sur la démographie, les antécédents médicaux et le statut tabagique, puis sont invités à enregistrer des sons respiratoires. Il s’agit notamment de tousser trois fois, de respirer profondément par la bouche trois à cinq fois et de lire une courte phrase à l’écran trois fois.
Les chercheurs ont utilisé une technique d’analyse vocale appelée analyse par spectrogramme Mel, qui identifie différentes caractéristiques vocales telles que l’intensité, la puissance et la variation dans le temps.
« De cette façon, nous pouvons décomposer les nombreuses propriétés des voix des participants », a déclaré Mme Aljbawi. « Afin de distinguer la voix des patients COVID-19 de ceux qui n’avaient pas la maladie, nous avons construit différents modèles d’intelligence artificielle et évalué celui qui fonctionnait le mieux pour classer les cas de COVID-19.
Ils ont constaté qu’un modèle appelé mémoire à long terme (LSTM) surpassait les autres modèles. LSTM est basé sur des réseaux de neurones, qui imitent le fonctionnement du cerveau humain et reconnaissent les relations sous-jacentes dans les données. Il fonctionne avec des séquences, ce qui le rend adapté à la modélisation de signaux collectés au fil du temps, comme de la voix, en raison de sa capacité à stocker des données dans sa mémoire.
Sa précision globale était de 89 %, sa capacité à détecter correctement les cas positifs (le taux de vrais positifs ou « sensibilité ») était de 89 % et sa capacité à identifier correctement les cas négatifs (le taux de vrais négatifs ou « spécificité ») était de 83 %.
« Ces résultats montrent une amélioration significative de la précision du diagnostic du COVID-19 par rapport aux tests de pointe tels que le test de flux latéral », a déclaré Mme Aljbawi. « Le test de flux latéral a une sensibilité de seulement 56%, mais un taux de spécificité plus élevé de 99,5%. Ceci est important car cela signifie que le test de flux latéral classe à tort les personnes infectées comme COVID-19 négatives plus souvent que notre test. Dans d’autres Autrement dit, avec le modèle AI LSTM, nous pourrions manquer 11 cas sur 100 qui continueraient à propager l’infection, tandis que le test de flux latéral manquerait 44 cas sur 100.
« La haute spécificité du test de flux latéral signifie que seulement une personne sur 100 se verrait dire à tort qu’elle était positive au COVID-19 alors qu’en fait, elle n’était pas infectée, tandis que le test LSTM diagnostiquerait à tort 17 personnes non infectées sur 100. comme positif. Cependant, comme ce test est pratiquement gratuit, il est possible d’inviter des personnes pour des tests PCR si les tests LSTM montrent qu’ils sont positifs.
Les chercheurs disent que leurs résultats doivent être validés avec de grands nombres. Depuis le début de ce projet, 53 449 échantillons audio de 36 116 participants ont été collectés et peuvent être utilisés pour améliorer et valider la précision du modèle. Ils effectuent également une analyse plus approfondie pour comprendre quels paramètres de la voix influencent le modèle d’IA.
Dans une deuxième étude, M. Henry Glyde, étudiant au doctorat à la faculté d’ingénierie de l’Université de Bristol, a montré que l’IA pouvait être exploitée via une application appelée myCOPD pour prédire quand les patients atteints de maladie pulmonaire obstructive chronique (MPOC) pourraient souffrir d’une poussée. -up de leur maladie, parfois appelée exacerbation aiguë. Les exacerbations de la MPOC peuvent être très graves et sont associées à un risque accru d’hospitalisation. Les symptômes comprennent l’essoufflement, la toux et la production de plus de mucosités (mucus).
« Les exacerbations aiguës de la MPOC ont de mauvais résultats. Nous savons que l’identification et le traitement précoces des exacerbations peuvent améliorer ces résultats et nous voulions donc déterminer la capacité prédictive d’une application MPOC largement utilisée », a-t-il déclaré.
L’application myCOPD est une application interactive basée sur le cloud, développée par des patients et des cliniciens et disponible au sein du National Health Service du Royaume-Uni. Il a été créé en 2016 et, à ce jour, plus de 15 000 patients atteints de MPOC l’utilisent pour les aider à gérer leur maladie.
Les chercheurs ont recueilli 45 636 dossiers pour 183 patients entre août 2017 et décembre 2021. Parmi ceux-ci, 45 007 étaient des dossiers de maladie stable et 629 des exacerbations. Les prédictions d’exacerbation ont été générées un à huit jours avant un événement d’exacerbation autodéclaré. M. Glyde et ses collègues ont utilisé ces données pour former des modèles d’IA sur 70 % des données et les tester sur 30 %.
Les patients étaient des « grands utilisateurs », qui utilisaient l’application chaque semaine pendant des mois, voire des années, pour enregistrer leurs symptômes et d’autres informations sur la santé, enregistrer les médicaments, définir des rappels et avoir accès à des informations à jour sur la santé et le mode de vie. Les médecins peuvent évaluer les données via un tableau de bord clinicien, ce qui leur permet d’assurer la supervision, la cogestion et la surveillance à distance.
« Le modèle d’IA le plus récent que nous avons développé a une sensibilité de 32 % et une spécificité de 95 %. Cela signifie que le modèle est très efficace pour indiquer aux patients qu’ils ne sont pas sur le point de subir une exacerbation, ce qui peut les aider à éviter un traitement inutile. . C’est moins bon pour leur dire quand ils sont sur le point d’en vivre une. Améliorer cela sera l’objectif de la prochaine phase de nos recherches », a déclaré M. Glyde.
S’exprimant avant le congrès, le Dr James Dodd, professeur agrégé de médecine respiratoire à l’Université de Bristol et chef de projet, a déclaré : » À notre connaissance, cette étude est la première du genre à modéliser des données réelles sur des patients atteints de MPOC, extraites d’un application thérapeutique largement déployée. En conséquence, les modèles prédictifs d’exacerbation générés à partir de cette étude ont le potentiel d’être déployés sur des milliers d’autres patients atteints de MPOC après des tests de sécurité et d’efficacité supplémentaires. Cela permettrait aux patients d’avoir plus d’autonomie et de contrôle sur leur santé. C’est également un avantage significatif pour leurs médecins car un tel système réduirait probablement la dépendance des patients aux soins primaires De plus, des exacerbations mieux gérées pourraient prévenir l’hospitalisation et alléger le fardeau du système de santé Une étude plus approfondie est nécessaire sur l’engagement des patients pour déterminer quel niveau de précision est acceptable et comment un système d’alerte d’exacerbation fonctionnerait dans la pratique. peut encore améliorer la surveillance et améliorer les performances prédictives des modèles. »
L’une des limites de l’étude est le petit nombre d’utilisateurs fréquents de l’application. Le modèle actuel exige qu’un patient entre un score de test d’évaluation de la MPOC, remplisse son journal de médicaments, puis signale qu’il a une exacerbation avec précision quelques jours plus tard. Habituellement, seuls les patients très impliqués dans l’application, l’utilisant quotidiennement ou hebdomadairement, peuvent fournir la quantité de données nécessaires à la modélisation de l’IA. De plus, étant donné qu’il y a beaucoup plus de jours où les utilisateurs sont stables que lorsqu’ils ont une exacerbation, il existe un déséquilibre important entre les données d’exacerbation et de non-exacerbation disponibles. Il en résulte une difficulté encore plus grande pour les modèles à prédire correctement les événements après entraînement sur ces données déséquilibrées.
« Un partenariat récent entre patients, cliniciens et soignants pour définir les priorités de recherche sur la MPOC a révélé que la question la plus cotée était de savoir comment identifier de meilleurs moyens de prévenir les exacerbations. Nous nous sommes concentrés sur cette question et nous travaillerons en étroite collaboration avec les patients pour concevoir et mettre en œuvre le système », a conclu M. Glyde.
Le président du Conseil scientifique de l’ERS, le professeur Chris Brightling, est chercheur principal du National Institute for Health and Care Research (NIHR) à l’Université de Leicester, au Royaume-Uni, et n’a pas participé à la recherche. Il a commenté : « Ces deux études montrent le potentiel de l’intelligence artificielle et des applications sur les téléphones portables et autres appareils numériques pour faire une différence dans la gestion des maladies. Avoir plus de données disponibles pour former ces modèles d’intelligence artificielle, y compris des groupes de contrôle appropriés, ainsi comme validation dans plusieurs études, améliorera leur précision et leur fiabilité. La santé numérique utilisant des modèles d’IA présente une opportunité passionnante et est susceptible d’avoir un impact sur les soins de santé futurs.
