Mobilapps kan høre, om folk har COVID-19 eller KOL

Ny forskning, som netop er blevet præsenteret på den årlige kongres for European Respiratory Society (ERS), kommer med en helt ny måde at diagnosticere, om personer er smittet med COVID-19.

En mobilapp, der indeholder en algoritme baseret på kunstig intelligens, kan høre, om personer har COVID-19 eller ej.

ERS 2022:

Find alle vores artikler fra dækningen af årets ERS her.

Faktisk er appen så god, at den ifølge resultaterne af forskningsarbejdet er bedre end en hurtigtest.

Forskerne bag udviklingen af appen ser den blandt andet brugt i lavindkomstlande, der ikke har økonomien til i stor skala at teste befolkningen med PCR-tests.

»Det er lovende resultater, som antyder, at en simpel stemmeoptagelse og en fintunet algoritme med kunstig intelligens potentielt kan opnå høj præcision i forhold til at afgøre, om patienter har en COVID-19-infektion. Sådan en test kan blive lavet uden omkostninger og er simpel at forstå. Desuden kan man bruge den til at teste folk på afstand og få et resultat inden for mindre end ét minut,« fortæller en af forskerne bag studiet, Wafaa Aljbawi fra Institute of Data Science ved Maastricht University, i en pressemeddelelse fra ERS.

Data fra mere end 4.000 stemmer

COVID-19 påvirker typisk den øvre del af luftvejene, hvilket leder til ændringer i en persons stemme.

I studiet har forskerne benyttet lydoptagelser fra 4.352 personer. 308 af dem blev testet positive for COVID-19.

Appen, som indeholder algoritmen, blev installeret på forsøgsdeltagernes mobiltelefoner, og personerne skulle herefter oplyse nogle simple informationer, blandt andet sygehistorik og rygestatus, ligesom personerne blev bedt om at optage noget lyd, mens de trak vejret på forskellige måder, hostede og læste korte sætninger højt.

Forskerne har ved udviklingen af appen benyttet en teknik til stemmeanalyse kaldet Mel-spektogram, der identificerer forskellige egenskaber ved en stemme, blandt andet højde, power og variationer over tid.

»På den måde kunne vi pille de mange egenskaber ved en persons stemme fra hinanden. Vi udviklede derefter forskellige algoritmer med kunstig intelligens til at kunne differentiere mellem personer med og uden COVID-19,« forklarer Wafaa Aljbawi.

Rammer rigtigt i 89 pct. af tilfældene

Forskerne fandt, at en model, der hedder Long-Short Term Memory, og som efterligner den måde, hvorpå menneskets hjerne genkender underliggende sammenhænge mellem data, bedst kan finde ud af, om personer har COVID-19 eller ej.

Vi udviklede forskellige algoritmer med kunstig intelligens til at kunne differentiere mellem personer med og uden COVID-19

Wafaa Aljbawi, forsker, Maastricht University

I forsøg med appen ramte algoritmen rigtigt i 89 pct. af tilfældene, hvor personer havde COVID-19, og 83 pct. korrekt i tilfælde, hvor personer ikke havde COVID-19.

Wafaa Aljbawi har nærstuderet præcisionen i analysen med appen, og den er markant bedre end analyser med for eksempel den teknik, som hedder lateral flow.

Lateral flow vil gennemsnitligt misse 44 ud af 100 smittede personer. Appen vil blot misse 11.

Til gengæld vil lateral flow kun lave fejldiagnose på én ud af 100 ikke-smittede. Der vil appen lave et positivt testsvar 17 ud af 100 gange.

»Men da testen er praktisk talt gratis, kan man efterfølgende sende de personer, der tester positive, videre til undersøgelser med PCR,« siger Wafaa Aljbawi.

Hun fortæller, at der skal flere stemmerprøver fra flere personer til at fintune modellen, og at den så også kan blive bedre. Indtil videre har forskerne øvet algoritmen på 53.449 stemmeprøver fra 36.116 personer.

App kan forudsige KOL-forværringer

I et andet af de studier, der er blevet præsenteret på ERS, har forskere udviklet en anden app, der ud fra en stemmeprøve kan forudsige, om personer med KOL er ved at opleve forværringer.

Appen myCOPD er bygget over 45.636 stemmeprøver fra 183 personer med KOL. 45.007 af lydoptagelserne blev lavet, mens patienterne havde stabil sygdom, mens 629 blev optaget i forbindelse med forværringer.

Forskerne havde også adgang til de 183 personers selvrapporterede data, herunder selvrapporterede KOL-forværringer.

Forskerne benyttede 70 pct. af data til at udvikle appen og de resterende 30 pct. af data til at se, om appen var i stand til at forudsige forværringer, inden patienterne selv rapporterede dem.

Modellen er meget god til at fortælle patienter, hvornår de er ved at opleve forværringer, hvilket kan hjælpe dem med at undgå unødvendig behandling

Henry Glyde, ph.d.-studerende, University of Bristol

De patienter, som har været med i projektet omkring udviklingen af appen, har benyttet appen ugentlig over flere måneder og år til at optage deres stemme og registrere blandt andet symptomer, medicinforbrug mm.

Brug af appen viser, at den kan fortælle patienter, at de er ved at få KOL-forværringer én til otte dage, inden det sker.

»Vores nyeste model har en sensitivitet på 32 pct. og en specificitet på 95 pct. Det betyder, at modellen er meget god til at fortælle patienter, hvornår de er ved at opleve forværringer, hvilket kan hjælpe dem med at undgå unødvendig behandling. Appen er dog mindre god til at fortælle, hvornår det sker. Den næste del af vores forskning vil handle om at forbedre denne færdighed,« fortæller en af forskerne bag studiet, ph.d.-studerende Henry Glyde fra University of Bristol, i en pressemeddelelse.

Forskerne bag studiet ønsker fremadrettet at udbrede brugen af appen til flere tusinde personer med KOL. Foruden at gavne den enkelte patient kan appen også gavne patienternes læger, som bedre kan holde øje med patienternes sygdomsforløb og lave de nødvendige tiltag for at holde dem ude af hospitalerne.