AI utilisé pour développer une application pour prédire les exacerbations de la maladie pulmonaire obstructive chronique

L’application mobile détecte avec précision le COVID-19

image : L’identification précoce des exacerbations de MPOC peut être gérée via l’application mobile myCOPD
Vision plus

Crédit : my mHealth Ltd

L’intelligence artificielle (IA) peut être utilisée pour détecter l’infection au COVID-19 dans la voix des gens via une application mobile, selon une étude qui sera présentée ce lundi au Congrès international de la Société respiratoire européenne à Barcelone, en Espagne [1].

Le modèle d’IA utilisé dans cette recherche est plus précis que les tests d’antigène 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. .

Wafaa Aljbawi, chercheuse à l’Institute for Data Science de l’Université de Maastricht aux Pays-Bas, a déclaré au congrès que le modèle d’IA était précis 89% du temps, tandis 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 pas de symptômes.

“Ces résultats prometteurs suggèrent que de simples enregistrements vocaux et des algorithmes d’IA affinés peuvent atteindre une grande précision pour déterminer quels patients sont infectés par le COVID-19”, a-t-elle déclaré. « Ces tests peuvent être fournis gratuitement et sont simples à interpréter. De plus, ils permettent des tests virtuels à distance et ont un temps de réponse inférieur à une minute. Ils pourraient être utilisés, par exemple, aux points d’entrée des grandes agglomérations, permettant un dépistage rapide de la population.

L’infection au COVID-19 affecte souvent les voies respiratoires supérieures et les cordes vocales, entraînant des changements dans la voix d’une personne. Aljbawi et ses superviseurs, le Dr. Sami Simons, pneumologue au centre médical universitaire de Maastricht, et le Dr. Visara Urovi, également du Data Science Institute, a décidé d’enquêter sur la possibilité d’utiliser l’IA pour analyser les voix afin de détecter le COVID-19.

Ils ont utilisé des données participatives de l’Université de Cambridge Application de sons COVID-19 qui contient 893 échantillons audio de 4 352 participants sains et malades, dont 308 ont 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 tabagisme, puis on leur demande d’enregistrer des bruits respiratoires. Cela comprend tousser trois fois, respirer profondément par la bouche trois à cinq fois et lire une courte phrase à l’écran trois fois.

Les chercheurs ont utilisé une technique d’analyse de la voix appelée analyse par spectrogramme Mel, qui identifie différentes caractéristiques de la voix, telles que le volume, 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. “Pour 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 découvert qu’un modèle appelé Long-Short Term Memory (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 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 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 négatives pour COVID-19 plus souvent que notre test. En d’autres termes, avec le modèle AI LSTM, nous pourrions manquer 11 cas sur 100 qui propageraient 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 1 personne sur 100 se verrait dire à tort qu’elle était positive pour COVID-19 alors qu’en fait elle n’était pas infectée, alors 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’elles sont positives.

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 déjà été collectés et peuvent être utilisés pour améliorer et valider la précision du modèle. Ils effectuent également des analyses supplémentaires pour comprendre quels paramètres de la voix influencent le modèle d’IA.

Dans une deuxième étude, Henry Glyde, doctorant à la faculté d’ingénierie de l’Université de Bristol, a montré que l’IA peut être exploitée via une application appelée ma MPOC pour prédire quand les patients atteints de maladie pulmonaire obstructive chronique (MPOC) peuvent connaître une poussée 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 MPOC ont de mauvais résultats. Nous savons que l’identification et le traitement précoces des exacerbations peuvent améliorer ces résultats, 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 médecins et est disponible pour une utilisation 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 de 183 patients entre août 2017 et décembre 2021. [3]. Parmi ceux-ci, 45 007 étaient des enregistrements de maladie stable et 629 étaient des exacerbations. Les prédictions d’exacerbation ont été générées un à huit jours avant un événement d’exacerbation autodéclaré. 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 «très engagés», qui utilisaient l’application chaque semaine pendant des mois, voire des années, pour consigner 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 cliniciens peuvent évaluer les données via un tableau de bord clinique, 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 d’avoir une exacerbation, ce qui peut les aider à éviter un traitement inutile. C’est moins bien de leur dire quand ils sont sur le point d’en essayer un. Améliorer cela sera au centre de la prochaine phase de nos recherches », a déclaré Glyde.

Prenant la parole devant 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 de patients atteints de MPOC extraites d’une application thérapeutique largement déployée. En conséquence, les modèles prédictifs d’exacerbation générés à partir de cette étude ont le potentiel d’être déployés chez des milliers de patients atteints de MPOC après d’autres tests d’innocuité et d’efficacité. Cela permettrait aux patients d’avoir plus d’autonomie et de contrôle sur leur santé. Il s’agit également d’un avantage important pour leurs médecins, car un tel système réduirait probablement la dépendance du patient à l’égard des soins primaires. De plus, des exacerbations mieux gérées peuvent prévenir l’hospitalisation et alléger le fardeau du système de santé. D’autres études sont nécessaires sur la participation des patients pour déterminer quel niveau de précision est acceptable et comment un système d’avertissement d’exacerbation fonctionnerait dans la pratique. L’introduction de technologies de détection 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 que le patient entre un score de test d’évaluation de la MPOC, remplisse son journal de médicaments et signale avec précision qu’il a une exacerbation quelques jours plus tard. En règle générale, 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, comme 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 disponibles sur l’exacerbation et la non-exacerbation. Il en résulte encore plus de difficultés dans les modèles pour prédire correctement les événements après l’entraînement avec ces données déséquilibrées.

« Un partenariat récent entre patients, cliniciens et soignants pour établir les priorités de recherche sur la MPOC a révélé que la question la plus importante était de savoir comment identifier de meilleures façons de prévenir les exacerbations. Nous nous concentrons sur cette question et travaillerons en étroite collaboration avec les patients pour concevoir et mettre en œuvre le système », a conclu Glyde. [4]

Le professeur Chris Brightling, président du Conseil scientifique de l’ERS, est chercheur principal à l’Institut national de recherche sur la santé et les soins (NIHR) de 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 manière dont les maladies sont gérées. Avoir plus de données disponibles pour former ces modèles d’IA, y compris des groupes de contrôle appropriés, ainsi qu’une 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’affecter les soins de santé futurs.

(prend fin)

[1] Résumé dans : OA1626, « Developing a multivariate predictive model for the detection of COVID-19 from collective-source respire voice data », présenté par Wafaa Aljbawi lors de la session « Digital Medicine for COVID-19 », 08h15-09h30 CEST le lundi 5 septembre 2022, https://k4.ersnet.org/prod/v2/Front/Program/Session?e=377&session=14843

Également disponible en papier préimprimé sur https://arxiv.org/ à partir du 5 septembre : « Développement d’un modèle de prédiction multivariée pour la détection du COVID-19 à partir de données vocales respiratoires d’origine collective », par Wafaa Aljbawi, Sami O. Simons et Visara Urovi.

[2] Résumé non. PA2728, “Predictive Modeling of Exacerbation Using Real-World Data from the myCOPD App”, présenté par Henry Glyde, Poster thématique “Digital Health Interventions in Respiratory Practice”, 13h00-14h00 CEST le lundi 5 septembre 2022, https://k4.ersnet.org/prod/v2/Front/Program/Session?e=377&session=14775

[3] Les données ont été mises à jour après la soumission du résumé. Veuillez utiliser les données de cette version car il s’agit de la dernière.

[4] Priorités de recherche pour les exacerbations de la MPOC. La médecine respiratoire The Lancet. 2021;9(8):824–826. ÇA FAIT MAL: https://doi.org/10.1016/S2213-2600(21)00227-7


Leave a Comment

Your email address will not be published.