ปัญญาประดิษฐ์ (AI) สามารถใช้เพื่อตรวจจับการติดเชื้อ COVID-19 ในเสียงของผู้คนได้ผ่านแอพมือถือ ตามการวิจัยที่จะนำเสนอในวันจันทร์ที่ European Respiratory Society International Congress ในบาร์เซโลนา ประเทศสเปน
แบบจำลอง AI ที่ใช้ในการวิจัยนี้มีความแม่นยำมากกว่าการทดสอบแอนติเจนแบบไหลด้านข้าง/อย่างรวดเร็ว และมีราคาถูก รวดเร็ว และใช้งานง่าย ซึ่งหมายความว่าสามารถใช้ในประเทศที่มีรายได้น้อยซึ่งการทดสอบ PCR มีราคาแพงและ/หรือแจกจ่ายได้ยาก
Ms Wafaa Aljbawi นักวิจัยจาก Institute of Data Science, Maastricht University ประเทศเนเธอร์แลนด์ กล่าวกับรัฐสภาว่าแบบจำลอง AI นั้นแม่นยำถึง 89% ของเวลาทั้งหมด ในขณะที่ความแม่นยำของการทดสอบการไหลด้านข้างนั้นแตกต่างกันไปตามแบรนด์ นอกจากนี้ การทดสอบการไหลด้านข้างนั้นแม่นยำน้อยกว่ามากในการตรวจหาการติดเชื้อ COVID ในผู้ที่ไม่แสดงอาการ
“ผลลัพธ์ที่น่ายินดีเหล่านี้ชี้ให้เห็นว่าการบันทึกเสียงอย่างง่ายและอัลกอริธึม AI ที่ปรับแต่งมาอย่างดีสามารถบรรลุความแม่นยำสูงในการพิจารณาว่าผู้ป่วยรายใดติดเชื้อ COVID-19” เธอกล่าว “การทดสอบดังกล่าวสามารถทำได้โดยไม่มีค่าใช้จ่ายและง่ายต่อการตีความ นอกจากนี้ ยังเปิดใช้งานการทดสอบระยะไกลแบบเสมือนและมีเวลาตอบสนองน้อยกว่าหนึ่งนาที สามารถใช้ตัวอย่างเช่นที่จุดเริ่มต้นสำหรับการชุมนุมขนาดใหญ่ทำให้สามารถคัดกรองประชากรได้อย่างรวดเร็ว”
การติดเชื้อไวรัสโควิด-19 มักส่งผลกระทบต่อทางเดินหายใจส่วนบนและเส้นเสียง ทำให้เสียงของบุคคลเปลี่ยนไป Ms Aljbawi และหัวหน้างานของเธอ Dr Sami Simons นักปอดวิทยาที่ศูนย์การแพทย์มหาวิทยาลัย Maastricht และ Dr Visara Urovi จาก Institute of Data Science ด้วย ได้ตัดสินใจตรวจสอบว่าเป็นไปได้ไหมที่จะใช้ AI ในการวิเคราะห์เสียงเพื่อตรวจหา COVID-19 .
พวกเขาใช้ข้อมูลจากแอปเสียง COVID-19 ของมหาวิทยาลัยเคมบริดจ์ซึ่งมีตัวอย่างเสียง 893 ตัวอย่างจากผู้เข้าร่วมที่มีสุขภาพดีและไม่แข็งแรง 4,352 คน โดย 308 คนมีผลตรวจเป็นบวกสำหรับ COVID-19 แอปได้รับการติดตั้งบนโทรศัพท์มือถือของผู้ใช้ ผู้เข้าร่วมรายงานข้อมูลพื้นฐานบางอย่างเกี่ยวกับข้อมูลประชากร ประวัติทางการแพทย์ และสถานะการสูบบุหรี่ จากนั้นขอให้บันทึกเสียงระบบทางเดินหายใจบางส่วน ซึ่งรวมถึงการไอสามครั้ง หายใจเข้าลึกๆ ทางปาก 3-5 ครั้ง และอ่านประโยคสั้นๆ บนหน้าจอ 3 ครั้ง
นักวิจัยใช้เทคนิคการวิเคราะห์เสียงที่เรียกว่า Mel-spectrogram analysis ซึ่งระบุลักษณะเสียงต่างๆ เช่น ความดัง พลังและความผันแปรตามช่วงเวลา
“ด้วยวิธีนี้ เราสามารถย่อยสลายคุณสมบัติต่างๆ ของเสียงของผู้เข้าร่วมได้” นาง Aljbawi กล่าว “เพื่อแยกแยะเสียงของผู้ป่วย COVID-19 ออกจากผู้ที่ไม่มีโรค เราได้สร้างแบบจำลองปัญญาประดิษฐ์ที่แตกต่างกัน และประเมินว่ารูปแบบใดทำงานได้ดีที่สุดในการจำแนกผู้ป่วย COVID-19”
พวกเขาพบว่ารุ่นหนึ่งที่เรียกว่า Long-Short Term Memory (LSTM) มีประสิทธิภาพเหนือกว่ารุ่นอื่นๆ LSTM อิงตามโครงข่ายประสาทเทียม ซึ่งเลียนแบบวิธีการทำงานของสมองมนุษย์และรับรู้ถึงความสัมพันธ์ที่ซ่อนอยู่ในข้อมูล มันทำงานร่วมกับซีเควนซ์ ซึ่งทำให้เหมาะสำหรับการสร้างแบบจำลองสัญญาณที่รวบรวมตามช่วงเวลา เช่น จากเสียง เนื่องจากความสามารถในการจัดเก็บข้อมูลในหน่วยความจำ
ความแม่นยำโดยรวมคือ 89% ความสามารถในการตรวจหากรณีบวกได้อย่างถูกต้อง (อัตราการบวกที่แท้จริงหรือ “ความไว”) คือ 89% และความสามารถในการระบุกรณีเชิงลบได้อย่างถูกต้อง (อัตราการติดลบที่แท้จริงหรือ “ความจำเพาะ”) คือ 83%
“ผลลัพธ์เหล่านี้แสดงให้เห็นถึงความแม่นยำในการวินิจฉัยโรคโควิด-19 ที่เพิ่มขึ้นอย่างมีนัยสำคัญ เมื่อเทียบกับการทดสอบที่ล้ำสมัย เช่น การทดสอบการไหลด้านข้าง” นาง Aljbawi กล่าว “การทดสอบการไหลด้านข้างมีความไวเพียง 56% แต่อัตราความจำเพาะสูงกว่า 99.5% นี่เป็นสิ่งสำคัญเนื่องจากเป็นการบ่งชี้ว่าการทดสอบการไหลด้านข้างกำลังจัดประเภทผู้ติดเชื้อผิดเนื่องจาก COVID-19 เป็นลบบ่อยกว่าการทดสอบของเรา กล่าวอีกนัยหนึ่ง ด้วยแบบจำลอง AI LSTM เราอาจพลาด 11 รายจาก 100 รายที่จะแพร่เชื้อต่อไป ในขณะที่การทดสอบการไหลด้านข้างจะพลาด 44 รายจาก 100 ราย
“การทดสอบการไหลออกด้านข้างมีความจำเพาะสูง หมายความว่ามีเพียง 1 ใน 100 คนเท่านั้นที่จะถูกแจ้งว่าติดเชื้อ COVID-19 โดยแท้จริงแล้วพวกเขาไม่ได้ติดเชื้อ ขณะที่การทดสอบ LSTM จะวินิจฉัยผิดพลาด 17 ใน 100 คนที่ไม่ติดเชื้อ เป็นบวก อย่างไรก็ตาม เนื่องจากการทดสอบนี้แทบไม่ฟรี จึงเป็นไปได้ที่จะเชิญผู้คนเข้ารับการทดสอบ PCR หากการทดสอบ LSTM แสดงว่าพวกเขาเป็นผลบวก”
นักวิจัยกล่าวว่าผลลัพธ์ของพวกเขาต้องได้รับการตรวจสอบเป็นจำนวนมาก ตั้งแต่เริ่มโครงการนี้ เราได้รวบรวมตัวอย่างเสียง 53,449 ตัวอย่างจากผู้เข้าร่วม 36,116 คน และสามารถนำมาใช้เพื่อปรับปรุงและตรวจสอบความถูกต้องของแบบจำลองได้ พวกเขากำลังดำเนินการวิเคราะห์เพิ่มเติมเพื่อทำความเข้าใจว่าพารามิเตอร์ใดในเสียงที่มีอิทธิพลต่อโมเดล AI
ในการศึกษาครั้งที่สอง Mr Henry Glyde นักศึกษาระดับปริญญาเอกในคณะวิศวกรรมศาสตร์ที่ University of Bristol แสดงให้เห็นว่า AI สามารถควบคุมได้ผ่านแอปที่เรียกว่า myCOPD เพื่อทำนายว่าผู้ป่วยโรคปอดอุดกั้นเรื้อรัง (COPD) อาจมีอาการลุกเป็นไฟเมื่อใด – ขึ้นจากโรคของพวกเขาซึ่งบางครั้งเรียกว่าอาการกำเริบเฉียบพลัน. อาการกำเริบของโรคปอดอุดกั้นเรื้อรังอาจรุนแรงมากและเกี่ยวข้องกับความเสี่ยงที่เพิ่มขึ้นของการรักษาในโรงพยาบาล อาการต่างๆ ได้แก่ หายใจลำบาก ไอ และมีเสมหะมากขึ้น (เสมหะ)
“อาการกำเริบเฉียบพลันของโรคปอดอุดกั้นเรื้อรังมีผลลัพธ์ที่ไม่ดี เรารู้ว่าการระบุและการรักษาอาการกำเริบตั้งแต่เนิ่นๆ สามารถปรับปรุงผลลัพธ์เหล่านี้ได้ ดังนั้นเราจึงต้องการกำหนดความสามารถในการคาดการณ์ของแอป COPD ที่ใช้กันอย่างแพร่หลาย” เขากล่าว
แอป myCOPD เป็นแอปแบบโต้ตอบบนคลาวด์ พัฒนาโดยผู้ป่วยและแพทย์ และพร้อมให้ใช้งานในบริการสุขภาพแห่งชาติของสหราชอาณาจักร ก่อตั้งขึ้นในปี 2559 และจนถึงปัจจุบันมีผู้ป่วยโรคปอดอุดกั้นเรื้อรังมากกว่า 15,000 รายที่ใช้เพื่อช่วยในการจัดการโรค
นักวิจัยรวบรวม 45,636 บันทึกสำหรับผู้ป่วย 183 รายระหว่างเดือนสิงหาคม 2017 ถึงธันวาคม 2564 ในจำนวนนี้ 45,007 บันทึกเป็นโรคที่คงตัวและ 629 รายมีอาการกำเริบ การคาดการณ์การกำเริบเกิดขึ้นหนึ่งถึงแปดวันก่อนเหตุการณ์กำเริบที่รายงานด้วยตนเอง คุณ Glyde และเพื่อนร่วมงานใช้ข้อมูลเหล่านี้เพื่อฝึกโมเดล AI กับ 70% ของข้อมูลและทดสอบกับ 30%
ผู้ป่วยเป็น “ผู้ที่มีส่วนร่วมสูง” ซึ่งใช้แอปนี้ทุกสัปดาห์ในช่วงหลายเดือนหรือหลายปีเพื่อบันทึกอาการและข้อมูลด้านสุขภาพอื่น ๆ บันทึกยา ตั้งค่าการแจ้งเตือน และเข้าถึงข้อมูลด้านสุขภาพและไลฟ์สไตล์ที่เป็นปัจจุบัน แพทย์สามารถประเมินข้อมูลผ่านแดชบอร์ดของแพทย์ ซึ่งช่วยให้พวกเขาสามารถดูแล จัดการร่วม และเฝ้าติดตามจากระยะไกลได้
“โมเดล AI ล่าสุดที่เราพัฒนาขึ้นมีความไว 32% และความจำเพาะ 95% ซึ่งหมายความว่าแบบจำลองนี้ดีมากในการบอกผู้ป่วยเมื่อพวกเขาไม่ได้มีอาการกำเริบ ซึ่งอาจช่วยให้พวกเขาหลีกเลี่ยงการรักษาที่ไม่จำเป็น มันไม่ค่อยดีที่จะบอกพวกเขาเมื่อพวกเขากำลังจะได้สัมผัส การปรับปรุงนี้จะเป็นจุดสนใจของการวิจัยในระยะต่อไปของเรา” นายไกลด์กล่าว
ดร.เจมส์ ด็อด รองศาสตราจารย์ด้านเวชศาสตร์ระบบทางเดินหายใจที่มหาวิทยาลัยบริสตอล กล่าวก่อนการประชุมว่า “ตามความรู้ของเรา การศึกษาครั้งนี้เป็นการศึกษารูปแบบแรกในแบบจำลองข้อมูลในโลกแห่งความเป็นจริงจากผู้ป่วยโรคปอดอุดกั้นเรื้อรัง ซึ่งสกัดมาจาก แอพการรักษาที่ใช้กันอย่างแพร่หลาย ด้วยเหตุนี้ โมเดลการทำนายอาการกำเริบที่เกิดจากการศึกษานี้มีศักยภาพที่จะนำไปใช้กับผู้ป่วยโรคปอดอุดกั้นเรื้อรังอีกหลายพันรายหลังจากการทดสอบความปลอดภัยและประสิทธิภาพเพิ่มเติม มันจะช่วยให้ผู้ป่วยมีอิสระมากขึ้นและควบคุมสุขภาพของตนเอง นี่ยังเป็นประโยชน์อย่างมากสำหรับแพทย์ของพวกเขา เนื่องจากระบบดังกล่าวอาจลดการพึ่งพาผู้ป่วยในการดูแลเบื้องต้นได้ นอกจากนี้ อาการกำเริบที่มีการจัดการที่ดีขึ้นสามารถป้องกันการรักษาในโรงพยาบาลและบรรเทาภาระในระบบการรักษาพยาบาลได้ จำเป็นต้องมีการศึกษาเพิ่มเติมในการมีส่วนร่วมของผู้ป่วยเพื่อกำหนดระดับความถูกต้องที่ยอมรับได้และระบบแจ้งเตือนอาการกำเริบในทางปฏิบัติจะทำงานอย่างไร การนำเทคโนโลยีการตรวจจับมาใช้อาจช่วยเพิ่มประสิทธิภาพการเฝ้าติดตามและปรับปรุงประสิทธิภาพการคาดการณ์ของแบบจำลองได้”
ข้อจำกัดประการหนึ่งของการศึกษานี้คือผู้ใช้แอพจำนวนน้อย แบบจำลองปัจจุบันกำหนดให้ผู้ป่วยป้อนคะแนนการทดสอบการประเมินโรคปอดอุดกั้นเรื้อรัง กรอกไดอารี่การใช้ยา แล้วรายงานว่ามีอาการกำเริบอย่างแม่นยำในอีกไม่กี่วันต่อมา โดยปกติ เฉพาะผู้ป่วยที่มีส่วนร่วมอย่างมากกับแอป ซึ่งใช้งานทุกวันหรือทุกสัปดาห์เท่านั้นที่สามารถให้ข้อมูลที่จำเป็นสำหรับการสร้างแบบจำลอง AI นอกจากนี้ เนื่องจากมีจำนวนวันที่ผู้ใช้มีเสถียรภาพมากกว่าเวลาที่มีอาการกำเริบ จึงมีความไม่สมดุลระหว่างข้อมูลการกำเริบและการไม่กำเริบอย่างมีนัยสำคัญ ส่งผลให้แบบจำลองทำนายเหตุการณ์ได้อย่างถูกต้องหลังจากการฝึกอบรมเกี่ยวกับข้อมูลที่ไม่สมดุลนี้
“ความร่วมมือล่าสุดระหว่างผู้ป่วย แพทย์ และผู้ดูแลในการกำหนดลำดับความสำคัญของการวิจัยในโรคปอดอุดกั้นเรื้อรัง พบว่าคำถามที่ได้รับคะแนนสูงสุดคือการระบุวิธีที่ดีกว่าในการป้องกันการกำเริบของโรค เราได้มุ่งเน้นไปที่คำถามนี้ และเราจะทำงานอย่างใกล้ชิดกับผู้ป่วยเพื่อออกแบบและนำระบบไปใช้” นาย Glyde กล่าวสรุป
ศาสตราจารย์คริส ไบรท์ลิง ประธานสภาวิทยาศาสตร์ ERS เป็นสถาบันวิจัยสุขภาพและการดูแลแห่งชาติ (NIHR) นักวิจัยอาวุโสที่มหาวิทยาลัยเลสเตอร์ สหราชอาณาจักร และไม่เกี่ยวข้องกับการวิจัย เขาให้ความเห็นว่า: “การศึกษาทั้งสองนี้แสดงให้เห็นถึงศักยภาพของปัญญาประดิษฐ์และแอพบนโทรศัพท์มือถือและอุปกรณ์ดิจิตอลอื่น ๆ เพื่อสร้างความแตกต่างในการจัดการโรค การมีข้อมูลเพิ่มเติมสำหรับการฝึกอบรมโมเดลปัญญาประดิษฐ์เหล่านี้ รวมถึงกลุ่มควบคุมที่เหมาะสม ตลอดจนการตรวจสอบในการศึกษาหลายรายการ จะช่วยเพิ่มความแม่นยำและความน่าเชื่อถือ สุขภาพดิจิทัลโดยใช้โมเดล AI นำเสนอโอกาสที่น่าตื่นเต้นและมีแนวโน้มที่จะส่งผลกระทบต่อการดูแลสุขภาพในอนาคต”
บทคัดย่อหมายเลข: OA1626, “การพัฒนาแบบจำลองการทำนายหลายตัวแปรสำหรับการตรวจหา COVID-19 จากข้อมูลเสียงระบบทางเดินหายใจจากฝูงชน” นำเสนอโดย Wafaa Aljbawi ในหัวข้อ “Digital Medicine for COVID-19”, 08.15-09.30 น. CEST ในวันจันทร์ที่ 5 กันยายน 2022 https://k4.ersnet.org/prod/v2/Front/Program/Session?e=377&session=14843
มีให้ในรูปแบบเอกสารก่อนการพิมพ์ที่ https://arxiv.org/ ตั้งแต่วันที่ 5 กันยายน: “การพัฒนารูปแบบการทำนายแบบหลายตัวแปรสำหรับการตรวจจับ COVID-19 จากข้อมูลเสียงระบบทางเดินหายใจที่มาจากฝูงชน” โดย Wafaa Aljbawi, Sami O. Simons และ Visara Urovi
