Peneliti Klick di Kanada telah menerbitkan model AI besar di jurnal kesehatan teratas Mayo Clinic Papers: Digital Health, yang dapat mendiagnosis diabetes mellitus tipe 2 (DMT2) dengan mendengarkan pesan suara 6-10 detik.
Saat ini, tes utama untuk diabetes bergantung pada pengukuran glukosa darah, tetapi metode ini membutuhkan sampel darah, yang traumatis bagi pasien dan membutuhkan peralatan khusus, yang sangat mahal. Untuk mengatasi titik nyeri deteksi ini, para peneliti dari Klick, sebuah perusahaan teknologi kesehatan Kanada yang terkenal, mengusulkan metode deteksi model AI.
Para peneliti mengumpulkan sampel suara dari 267 sukarelawan, yang kemudian diuji secara rinci menggunakan model AI, dan hasilnya menunjukkan bahwa AI secara akurat mengidentifikasi diabetes tipe 2, dengan akurasi 89% untuk wanita dan akurasi 86% untuk pria. Juga ditemukan bahwa "pitch" dan "standar deviasi pitch" adalah salah satu fitur utama dalam mendiagnosis diabetes tipe 2.
Penelitian ini mirip dengan proses pencitraan rekonstruksi otak manusia menggunakan MEG (magnetoencephalography) yang diusulkan oleh Meta beberapa waktu lalu, dan semuanya didasarkan pada karakteristik organisme manusia untuk mengamati perubahan data jitter untuk menentukan hasilnya.
Alamat:
Membangun Dataset
Para peneliti merekrut total 267 sukarelawan, di antaranya 79 wanita dan 113 pria non-diabetes, dan 18 wanita dan 57 pria didiagnosis menderita diabetes tipe 2.
Diagnosis diabetes peserta didasarkan pada kriteria diagnostik dari American Diabetes Association, dikonfirmasi oleh dokter. Tidak ada riwayat gangguan neurologis atau bahasa pada saat yang sama, dan tidak ada riwayat merokok.
Peserta menggunakan aplikasi smartphone untuk merekam frasa tetap "Halo, apa kabar?" Berapa kadar gula darah saya sekarang", direkam selama 2 minggu, hingga 6 kali sehari, dengan total 18.465 sampel suara dikumpulkan.
Segmentasi Data, Ekstraksi Fitur
Karena faktor-faktor seperti usia dan indeks massa tubuh dapat berdampak pada data ucapan, para peneliti mengelompokkan data menjadi kumpulan data yang cocok dengan usia dan BMI berdasarkan ID peserta untuk pelatihan model dan analisis statistik, yang membantu model AI mempelajari perubahan nyata dalam pidato diabetes.
Set pelatihan menyumbang 50% dari semua pria dan 61% wanita dengan diabetes tipe 2. Data yang tersisa digunakan sebagai set uji untuk menguji model AI terlatih.
Para peneliti kemudian mengekstrak 14 fitur akustik dari setiap sampel suara, termasuk pitch, intensitas, rasio harmonik-ke-noise, suara, dan goyangan suara. Ekstraksi fitur dilakukan menggunakan Parselmouth, antarmuka Python dari perangkat lunak analisis ucapan Praat.
Fitur numerik yang dapat mencerminkan perubahan ucapan dapat diekstraksi dari sinyal ucapan asli untuk memberikan masukan untuk pelatihan dan prediksi model berikutnya.
Pilih Model
Mempertimbangkan model yang digunakan dalam pekerjaan terkait, para peneliti memilih model seperti regresi logistik, naif Bayes, dan mesin vektor pendukung. Kinerja model ini dievaluasi pada set pelatihan dengan validasi silang 5 kali lipat untuk menemukan model terbaik.
Untuk wanita, model regresi logistik dengan tiga fitur bekerja paling baik; Untuk pria, model Bayesian yang naif dengan 2 fitur berfungsi paling baik.
Model regresi logistik dapat memperkirakan kontribusi fitur yang berbeda terhadap hasil; Model Bayesian yang naif bekerja lebih baik dalam skenario sampel kecil. Kemudian, dengan menggunakan model terbaik, pra-pelatihan pada set pelatihan yang dibangun.
Model Uji Data
Model AI terlatih digunakan untuk memprediksi data dalam set tes untuk mendapatkan probabilitas bahwa setiap sampel milik diabetes tipe 2. Berdasarkan ambang probabilitas yang telah ditentukan, sampel diprediksi diabetes tipe 2 atau non-diabetes.
Pada saat yang sama, data dari set uji digunakan untuk menghitung akurasi, sensitivitas, spesifisitas dan indikator evaluasi model lainnya, dan kurva ROC dapat diplot untuk mengevaluasi kinerja prediksi model secara komprehensif.
Selain itu, peneliti juga memadukan informasi seperti usia dan indeks massa tubuh ke dalam hasil prediksi, yang dapat meningkatkan akurasi model.
Misalnya, prevalensi prediksi bicara rata-rata dan indeks massa tubuh pada wanita dan prevalensi usia dan indeks massa tubuh pada pria dikaitkan dengan hasil suara rata-rata pada pria. Dengan menggabungkan beberapa sumber informasi, modul terintegrasi ini dapat menutupi kekurangan model tunggal dan meningkatkan kemampuan prediksi model.
Hasil tes menunjukkan bahwa untuk wanita, hasil suara dikombinasikan dengan prevalensi diabetes tipe 2 dalam indeks massa tubuh mencapai akurasi 0,89, spesifisitas 0,91, dan sensitivitas 0,71 pada set tes.
Untuk laki-laki, hasil verbal, dikombinasikan dengan prevalensi diabetes tipe 2 berdasarkan usia dan indeks massa tubuh, mencapai akurasi 0,86, spesifisitas 0,89, dan sensitivitas 0,75 pada set tes.
Jaycee Kaufman, kepala penelitian, mengatakan bahwa kami mengidentifikasi perubahan suara pasien dengan diabetes tipe 2 selama penelitian, yang memiliki nilai aplikasi yang sangat tinggi untuk model besar AI untuk mendeteksi dan menyaring diabetes tipe 2.
Metode penilaian suara dapat membantu dalam intervensi dini dan manajemen diabetes mellitus tipe 2, sekaligus mengurangi beban penyakit dan meningkatkan hasil medis.
Tentang Klick Health
Didirikan pada tahun 1997 dan berkantor pusat di Toronto, Kanada, Klick adalah perusahaan pemasaran kesehatan global terkemuka. Klick Health menggunakan pendekatan berbasis data untuk mengembangkan dan menerapkan berbagai strategi pemasaran terkait kesehatan dan medis.
Klick menawarkan berbagai layanan, termasuk strategi digital, strategi merek, inovasi dan desain, wawasan data, pengembangan konten, dan solusi teknologi.
Tentang Diabetes Tipe 2
Diabetes tipe 2 adalah penyakit kronis yang ditandai dengan resistensi insulin dan disfungsi sekresi insulin. Tubuh tidak dapat menggunakan insulin secara efektif, dan kondisi ini dikenal sebagai resistensi insulin. Insulin adalah hormon yang membantu tubuh kita mengubah gula darah menjadi energi.
Ketika resistensi insulin terjadi, kadar gula darah mulai meningkat, yang dapat menyebabkan berbagai masalah kesehatan, termasuk penyakit jantung, penyakit ginjal, kehilangan penglihatan, dan kerusakan saraf.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Diabetes dapat dinilai dengan mendengarkan suara 10 detik, model AI ini terlalu hardcore!
Sumber asli: AIGC Open Community
Peneliti Klick di Kanada telah menerbitkan model AI besar di jurnal kesehatan teratas Mayo Clinic Papers: Digital Health, yang dapat mendiagnosis diabetes mellitus tipe 2 (DMT2) dengan mendengarkan pesan suara 6-10 detik.
Saat ini, tes utama untuk diabetes bergantung pada pengukuran glukosa darah, tetapi metode ini membutuhkan sampel darah, yang traumatis bagi pasien dan membutuhkan peralatan khusus, yang sangat mahal. Untuk mengatasi titik nyeri deteksi ini, para peneliti dari Klick, sebuah perusahaan teknologi kesehatan Kanada yang terkenal, mengusulkan metode deteksi model AI.
Para peneliti mengumpulkan sampel suara dari 267 sukarelawan, yang kemudian diuji secara rinci menggunakan model AI, dan hasilnya menunjukkan bahwa AI secara akurat mengidentifikasi diabetes tipe 2, dengan akurasi 89% untuk wanita dan akurasi 86% untuk pria. Juga ditemukan bahwa "pitch" dan "standar deviasi pitch" adalah salah satu fitur utama dalam mendiagnosis diabetes tipe 2.
Penelitian ini mirip dengan proses pencitraan rekonstruksi otak manusia menggunakan MEG (magnetoencephalography) yang diusulkan oleh Meta beberapa waktu lalu, dan semuanya didasarkan pada karakteristik organisme manusia untuk mengamati perubahan data jitter untuk menentukan hasilnya.
Alamat:
Membangun Dataset
Para peneliti merekrut total 267 sukarelawan, di antaranya 79 wanita dan 113 pria non-diabetes, dan 18 wanita dan 57 pria didiagnosis menderita diabetes tipe 2.
Diagnosis diabetes peserta didasarkan pada kriteria diagnostik dari American Diabetes Association, dikonfirmasi oleh dokter. Tidak ada riwayat gangguan neurologis atau bahasa pada saat yang sama, dan tidak ada riwayat merokok.
Segmentasi Data, Ekstraksi Fitur
Karena faktor-faktor seperti usia dan indeks massa tubuh dapat berdampak pada data ucapan, para peneliti mengelompokkan data menjadi kumpulan data yang cocok dengan usia dan BMI berdasarkan ID peserta untuk pelatihan model dan analisis statistik, yang membantu model AI mempelajari perubahan nyata dalam pidato diabetes.
Set pelatihan menyumbang 50% dari semua pria dan 61% wanita dengan diabetes tipe 2. Data yang tersisa digunakan sebagai set uji untuk menguji model AI terlatih.
Para peneliti kemudian mengekstrak 14 fitur akustik dari setiap sampel suara, termasuk pitch, intensitas, rasio harmonik-ke-noise, suara, dan goyangan suara. Ekstraksi fitur dilakukan menggunakan Parselmouth, antarmuka Python dari perangkat lunak analisis ucapan Praat.
Fitur numerik yang dapat mencerminkan perubahan ucapan dapat diekstraksi dari sinyal ucapan asli untuk memberikan masukan untuk pelatihan dan prediksi model berikutnya.
Pilih Model
Mempertimbangkan model yang digunakan dalam pekerjaan terkait, para peneliti memilih model seperti regresi logistik, naif Bayes, dan mesin vektor pendukung. Kinerja model ini dievaluasi pada set pelatihan dengan validasi silang 5 kali lipat untuk menemukan model terbaik.
Model regresi logistik dapat memperkirakan kontribusi fitur yang berbeda terhadap hasil; Model Bayesian yang naif bekerja lebih baik dalam skenario sampel kecil. Kemudian, dengan menggunakan model terbaik, pra-pelatihan pada set pelatihan yang dibangun.
Model Uji Data
Model AI terlatih digunakan untuk memprediksi data dalam set tes untuk mendapatkan probabilitas bahwa setiap sampel milik diabetes tipe 2. Berdasarkan ambang probabilitas yang telah ditentukan, sampel diprediksi diabetes tipe 2 atau non-diabetes.
Pada saat yang sama, data dari set uji digunakan untuk menghitung akurasi, sensitivitas, spesifisitas dan indikator evaluasi model lainnya, dan kurva ROC dapat diplot untuk mengevaluasi kinerja prediksi model secara komprehensif.
Misalnya, prevalensi prediksi bicara rata-rata dan indeks massa tubuh pada wanita dan prevalensi usia dan indeks massa tubuh pada pria dikaitkan dengan hasil suara rata-rata pada pria. Dengan menggabungkan beberapa sumber informasi, modul terintegrasi ini dapat menutupi kekurangan model tunggal dan meningkatkan kemampuan prediksi model.
Hasil tes menunjukkan bahwa untuk wanita, hasil suara dikombinasikan dengan prevalensi diabetes tipe 2 dalam indeks massa tubuh mencapai akurasi 0,89, spesifisitas 0,91, dan sensitivitas 0,71 pada set tes.
Untuk laki-laki, hasil verbal, dikombinasikan dengan prevalensi diabetes tipe 2 berdasarkan usia dan indeks massa tubuh, mencapai akurasi 0,86, spesifisitas 0,89, dan sensitivitas 0,75 pada set tes.
Jaycee Kaufman, kepala penelitian, mengatakan bahwa kami mengidentifikasi perubahan suara pasien dengan diabetes tipe 2 selama penelitian, yang memiliki nilai aplikasi yang sangat tinggi untuk model besar AI untuk mendeteksi dan menyaring diabetes tipe 2.
Metode penilaian suara dapat membantu dalam intervensi dini dan manajemen diabetes mellitus tipe 2, sekaligus mengurangi beban penyakit dan meningkatkan hasil medis.
Tentang Klick Health
Didirikan pada tahun 1997 dan berkantor pusat di Toronto, Kanada, Klick adalah perusahaan pemasaran kesehatan global terkemuka. Klick Health menggunakan pendekatan berbasis data untuk mengembangkan dan menerapkan berbagai strategi pemasaran terkait kesehatan dan medis.
Klick menawarkan berbagai layanan, termasuk strategi digital, strategi merek, inovasi dan desain, wawasan data, pengembangan konten, dan solusi teknologi.
Tentang Diabetes Tipe 2
Diabetes tipe 2 adalah penyakit kronis yang ditandai dengan resistensi insulin dan disfungsi sekresi insulin. Tubuh tidak dapat menggunakan insulin secara efektif, dan kondisi ini dikenal sebagai resistensi insulin. Insulin adalah hormon yang membantu tubuh kita mengubah gula darah menjadi energi.
Ketika resistensi insulin terjadi, kadar gula darah mulai meningkat, yang dapat menyebabkan berbagai masalah kesehatan, termasuk penyakit jantung, penyakit ginjal, kehilangan penglihatan, dan kerusakan saraf.