Pesquisadores da Klick no Canadá publicaram um grande modelo de IA na principal revista de saúde Mayo Clinic Papers: Digital Health, que pode diagnosticar diabetes mellitus tipo 2 (DMT2) ouvindo uma mensagem de voz de 6 a 10 segundos.
Atualmente, o principal teste para diabetes depende da medição da glicemia, mas este método requer uma amostra de sangue, o que é traumático para o paciente e requer equipamentos especializados, o que é muito caro. Para resolver esse problema de deteção, pesquisadores da Klick, uma conhecida empresa canadense de tecnologia de saúde, propuseram um método de deteção de modelo de IA.
Os pesquisadores coletaram amostras de voz de 267 voluntários, que foram testados em detalhes usando um modelo de IA, e os resultados mostraram que a IA identificou com precisão o diabetes tipo 2, com 89% de precisão para as mulheres e 86% para os homens**. Verificou-se também que "pitch" e "desvio padrão de pitch" estavam entre as principais características no diagnóstico de diabetes tipo 2.
Este estudo é semelhante ao processo de imagem de reconstrução do cérebro humano usando MEG (magnetoencefalografia) proposto pela Meta há algum tempo, e é tudo baseado nas características dos organismos humanos para observar as mudanças em seus dados de jitter para determinar os resultados.
Endereço:
Construindo um conjunto de dados
Os pesquisadores recrutaram um total de 267 voluntários, dos quais 79 mulheres e 113 homens não eram diabéticos, e 18 mulheres e 57 homens foram diagnosticados com diabetes tipo 2.
O diagnóstico de diabetes do participante é baseado nos critérios diagnósticos da Associação Americana de Diabetes, confirmados pelo médico. Não há história de comprometimento neurológico ou de linguagem ao mesmo tempo, e não há história de tabagismo.
Os participantes usaram um aplicativo de smartphone para gravar uma frase fixa "Olá, como você está?" Qual é o meu nível de açúcar no sangue agora", gravado durante 2 semanas, até 6 vezes por dia, com um total de 18.465 amostras de voz recolhidas.
Segmentação de Dados, Extração de Recursos
Como fatores como idade e índice de massa corporal podem ter um impacto nos dados de fala, os pesquisadores segmentaram os dados em conjuntos de dados compatíveis com idade e IMC com base em IDs de participantes para treinamento de modelos e análise estatística, o que ajudou o modelo de IA a aprender as mudanças reais na fala diabética.
O conjunto de treinamento representou 50% de todos os homens e 61% das mulheres com diabetes tipo 2. Os dados restantes são usados como um conjunto de testes para testar o modelo de IA treinado.
Os pesquisadores então extraíram 14 características acústicas de cada amostra de voz, incluindo tom, intensidade, relação harmônico-ruído, som e vibração sonora. A extração do recurso é realizada usando Parselmouth, a interface Python do software de análise de fala Praat.
As características numéricas que podem refletir as alterações de fala podem ser extraídas do sinal de fala original para fornecer informações para o treinamento e previsão subsequentes do modelo.
Selecione o modelo
Considerando os modelos utilizados em trabalhos relacionados, os pesquisadores escolheram modelos como regressão logística, Bayes ingênuos e máquinas vetoriais de suporte. O desempenho destes modelos foi avaliado no conjunto de treino com validação cruzada de 5 vezes para encontrar o melhor modelo.
Para as mulheres, o modelo de regressão logística com três características funcionou melhor; Para os homens, o modelo bayesiano ingênuo com 2 características funciona melhor.
Modelos de regressão logística podem estimar a contribuição de diferentes características para os resultados; O modelo bayesiano ingênuo funciona melhor em pequenos cenários de amostragem. Em seguida, usando o melhor modelo, pré-treine no conjunto de treinamento construído.
Dados de teste do modelo
O modelo de IA treinado foi usado para prever os dados no conjunto de testes para obter a probabilidade de que cada amostra pertencia ao diabetes tipo 2. Com base num limiar de probabilidade predeterminado, prevê-se que a amostra seja diabética ou não diabética tipo 2.
Ao mesmo tempo, os dados do conjunto de testes são usados para calcular a precisão, sensibilidade, especificidade e outros indicadores de avaliação do modelo, e a curva ROC pode ser plotada para avaliar de forma abrangente o desempenho de previsão do modelo.
Além disso, os pesquisadores também fundem informações como idade e índice de massa corporal nos resultados da previsão, o que pode melhorar a precisão do modelo.
Por exemplo, a prevalência da predição média da fala e do índice de massa corporal nas mulheres e a prevalência da idade e do índice de massa corporal nos homens foram associadas aos resultados médios da voz nos homens. Ao combinar várias fontes de informação, este módulo integrado pode compensar as deficiências de um único modelo e melhorar a capacidade preditiva do modelo.
Os resultados do teste mostraram que, para as mulheres, os resultados da voz combinados com a prevalência de diabetes tipo 2 no índice de massa corporal alcançaram uma precisão de 0,89, especificidade de 0,91 e sensibilidade de 0,71 no conjunto de testes.
Para o sexo masculino, os resultados verbais, combinados com a prevalência de diabetes tipo 2 por idade e índice de massa corporal, alcançaram precisão de 0,86, especificidade de 0,89 e sensibilidade de 0,75 no conjunto de testes.
Jaycee Kaufman, chefe do estudo, disse que identificamos as mudanças na voz de pacientes com diabetes tipo 2 durante o estudo, que tem um valor de aplicação muito alto para modelos grandes de IA para detetar e rastrear o diabetes tipo 2.
O método de avaliação vocal pode ajudar na intervenção precoce e no tratamento da diabetes mellitus tipo 2, reduzindo a carga da doença e melhorando os resultados médicos.
Sobre a Klick Health
Fundada em 1997 e sediada em Toronto, Canadá, a Klick é uma empresa líder global em marketing de saúde. A Klick Health usa uma abordagem orientada por dados para desenvolver e implementar uma variedade de estratégias de marketing relacionadas à saúde e à medicina.
A Klick oferece uma gama de serviços, incluindo estratégia digital, estratégia de marca, inovação e design, insights de dados, desenvolvimento de conteúdo e soluções tecnológicas.
Sobre a Diabetes Tipo 2
A diabetes tipo 2 é uma doença crónica caracterizada pela resistência à insulina e disfunção da secreção de insulina. O corpo não pode usar a insulina de forma eficaz, e esta condição é conhecida como resistência à insulina. A insulina é uma hormona que ajuda o nosso corpo a converter o açúcar no sangue em energia.
Quando a resistência à insulina ocorre, os níveis de açúcar no sangue começam a subir, o que pode levar a uma variedade de problemas de saúde, incluindo doenças cardíacas, renais, perda de visão e danos nos nervos.
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
A diabetes pode ser julgada ouvindo 10 segundos de voz, este modelo de IA é demasiado hardcore!
Fonte original: AIGC Open Community
Pesquisadores da Klick no Canadá publicaram um grande modelo de IA na principal revista de saúde Mayo Clinic Papers: Digital Health, que pode diagnosticar diabetes mellitus tipo 2 (DMT2) ouvindo uma mensagem de voz de 6 a 10 segundos.
Atualmente, o principal teste para diabetes depende da medição da glicemia, mas este método requer uma amostra de sangue, o que é traumático para o paciente e requer equipamentos especializados, o que é muito caro. Para resolver esse problema de deteção, pesquisadores da Klick, uma conhecida empresa canadense de tecnologia de saúde, propuseram um método de deteção de modelo de IA.
Os pesquisadores coletaram amostras de voz de 267 voluntários, que foram testados em detalhes usando um modelo de IA, e os resultados mostraram que a IA identificou com precisão o diabetes tipo 2, com 89% de precisão para as mulheres e 86% para os homens**. Verificou-se também que "pitch" e "desvio padrão de pitch" estavam entre as principais características no diagnóstico de diabetes tipo 2.
Este estudo é semelhante ao processo de imagem de reconstrução do cérebro humano usando MEG (magnetoencefalografia) proposto pela Meta há algum tempo, e é tudo baseado nas características dos organismos humanos para observar as mudanças em seus dados de jitter para determinar os resultados.
Endereço:
Construindo um conjunto de dados
Os pesquisadores recrutaram um total de 267 voluntários, dos quais 79 mulheres e 113 homens não eram diabéticos, e 18 mulheres e 57 homens foram diagnosticados com diabetes tipo 2.
O diagnóstico de diabetes do participante é baseado nos critérios diagnósticos da Associação Americana de Diabetes, confirmados pelo médico. Não há história de comprometimento neurológico ou de linguagem ao mesmo tempo, e não há história de tabagismo.
Segmentação de Dados, Extração de Recursos
Como fatores como idade e índice de massa corporal podem ter um impacto nos dados de fala, os pesquisadores segmentaram os dados em conjuntos de dados compatíveis com idade e IMC com base em IDs de participantes para treinamento de modelos e análise estatística, o que ajudou o modelo de IA a aprender as mudanças reais na fala diabética.
O conjunto de treinamento representou 50% de todos os homens e 61% das mulheres com diabetes tipo 2. Os dados restantes são usados como um conjunto de testes para testar o modelo de IA treinado.
Os pesquisadores então extraíram 14 características acústicas de cada amostra de voz, incluindo tom, intensidade, relação harmônico-ruído, som e vibração sonora. A extração do recurso é realizada usando Parselmouth, a interface Python do software de análise de fala Praat.
As características numéricas que podem refletir as alterações de fala podem ser extraídas do sinal de fala original para fornecer informações para o treinamento e previsão subsequentes do modelo.
Selecione o modelo
Considerando os modelos utilizados em trabalhos relacionados, os pesquisadores escolheram modelos como regressão logística, Bayes ingênuos e máquinas vetoriais de suporte. O desempenho destes modelos foi avaliado no conjunto de treino com validação cruzada de 5 vezes para encontrar o melhor modelo.
Modelos de regressão logística podem estimar a contribuição de diferentes características para os resultados; O modelo bayesiano ingênuo funciona melhor em pequenos cenários de amostragem. Em seguida, usando o melhor modelo, pré-treine no conjunto de treinamento construído.
Dados de teste do modelo
O modelo de IA treinado foi usado para prever os dados no conjunto de testes para obter a probabilidade de que cada amostra pertencia ao diabetes tipo 2. Com base num limiar de probabilidade predeterminado, prevê-se que a amostra seja diabética ou não diabética tipo 2.
Ao mesmo tempo, os dados do conjunto de testes são usados para calcular a precisão, sensibilidade, especificidade e outros indicadores de avaliação do modelo, e a curva ROC pode ser plotada para avaliar de forma abrangente o desempenho de previsão do modelo.
Por exemplo, a prevalência da predição média da fala e do índice de massa corporal nas mulheres e a prevalência da idade e do índice de massa corporal nos homens foram associadas aos resultados médios da voz nos homens. Ao combinar várias fontes de informação, este módulo integrado pode compensar as deficiências de um único modelo e melhorar a capacidade preditiva do modelo.
Os resultados do teste mostraram que, para as mulheres, os resultados da voz combinados com a prevalência de diabetes tipo 2 no índice de massa corporal alcançaram uma precisão de 0,89, especificidade de 0,91 e sensibilidade de 0,71 no conjunto de testes.
Para o sexo masculino, os resultados verbais, combinados com a prevalência de diabetes tipo 2 por idade e índice de massa corporal, alcançaram precisão de 0,86, especificidade de 0,89 e sensibilidade de 0,75 no conjunto de testes.
Jaycee Kaufman, chefe do estudo, disse que identificamos as mudanças na voz de pacientes com diabetes tipo 2 durante o estudo, que tem um valor de aplicação muito alto para modelos grandes de IA para detetar e rastrear o diabetes tipo 2.
O método de avaliação vocal pode ajudar na intervenção precoce e no tratamento da diabetes mellitus tipo 2, reduzindo a carga da doença e melhorando os resultados médicos.
Sobre a Klick Health
Fundada em 1997 e sediada em Toronto, Canadá, a Klick é uma empresa líder global em marketing de saúde. A Klick Health usa uma abordagem orientada por dados para desenvolver e implementar uma variedade de estratégias de marketing relacionadas à saúde e à medicina.
A Klick oferece uma gama de serviços, incluindo estratégia digital, estratégia de marca, inovação e design, insights de dados, desenvolvimento de conteúdo e soluções tecnológicas.
Sobre a Diabetes Tipo 2
A diabetes tipo 2 é uma doença crónica caracterizada pela resistência à insulina e disfunção da secreção de insulina. O corpo não pode usar a insulina de forma eficaz, e esta condição é conhecida como resistência à insulina. A insulina é uma hormona que ajuda o nosso corpo a converter o açúcar no sangue em energia.
Quando a resistência à insulina ocorre, os níveis de açúcar no sangue começam a subir, o que pode levar a uma variedade de problemas de saúde, incluindo doenças cardíacas, renais, perda de visão e danos nos nervos.