Detektion af type 2-diabetes fra stemme

Denne undersøgelse adresserer en kritisk udfordring inden for Type 2-diabetes-detektering, hvor cirka 30 % af personer med diabetes forbliver udiagnosticeret, hvilket svarer til omkring 1 million voksne i Storbritannien. Nuværende screeningsmetoder er afhængige af opportunistisk testning med kun 40,4 % opbakning blandt dem, der tilbydes NHS Health Checks, hvilket understreger behovet for innovative, tilgængelige screeningsmetoder, der kan identificere personer i risikogruppen, før komplikationer udvikler sig.

STUDIE RATIONALE OG INNOVATION:

Nyere forskning viser, at diabetes påvirker stemmeproduktionen gennem flere fysiologiske veje i hele sygdomsforløbet: perifer neuropati påvirker stemmebåndskontrol og taleartikulation, autonom neuropati påvirker åndedrætsmønstre og vokale dynamikker, xerostomi (mundtørhed) fra neuropatisk skade ændrer resonansegenskaber, og glukosesvingninger ændrer de elastiske egenskaber af larynx og stemmebånd. Disse resultater og tidlige beviser fra indledende studier tyder på, at stemmeanalyse kunne bruges til at screene for diabetes. Det nuværende studie udnytter disse stemme-diabetes-associationer ved hjælp af avanceret maskinlæring til at udvikle en ikke-invasiv, skalerbar screeningsløsning.

STUDIE DESIGN OG METODOLOGI:

Dette to-trins observationsstudie kombinerer storskala dataindsamling med strategisk biologisk validering. Trin 1 involverer 10.000 deltagere, der gennemfører stemmeoptagelser og omfattende sundhedsspørgeskemaer via en sikker onlineplatform. Trin 2 udvælger 1.000 af disse deltagere til at give informative diagnostiske resultater for HbA1c-hjemmetestvalidering.

Hver vurderingssession varer cirka 10-20 minutter og inkluderer standardiserede stemmeoptagelsesopgaver sammen med validerede sundhedsspørgeskemaer. Stemmeoptagelser involverer at oplæse tekst højt og besvare korte spørgsmål designet til at fange forskelligartede vokale karakteristika, mens konsistens på tværs af deltagere opretholdes.

TEKNISK TILGANG:

Stemmedata vil blive analyseret ved hjælp af flere specialiserede softwareværktøjer til at udtrække akustiske og sproglige funktioner, der potentielt er associeret med diabetes. Studiet anvender avancerede maskinlæringsalgoritmer til at identificere mønstre i stemmekarakteristika, der kan indikere diabetesstatus.

Vores tilgang adresserer udfordringen med udiagnosticeret diabetes i den generelle befolkning ved at udvikle modeller, der tager højde for den usikkerhed, der er iboende i selvrapporteret diabetesstatus. I stedet for at behandle alle deltagere uden en diagnose som definitivt sunde, implementerer vi beregningsmetoder, der anerkender kompleksiteten af virkelige diabetesprævalensmønstre. Strategisk deltagerudvælgelse til biologisk validering optimerer den information, der opnås fra HbA1c-testning, med det mål at maksimere modelvalideringseffektiviteten, mens testomkostningerne minimeres.

Ground truth-validering bruger CE-mærkede HbA1c-hjemmetestsæt med ≥95 % dokumenteret nøjagtighed, anvendende den standard kliniske tærskel på ≥6,5 % HbA1c for diabetesdiagnose. Denne biologiske validering muliggør vurdering af modelpræstation mod bekræftet diabetesstatus snarere end udelukkende at stole på selvrapporterede diagnoser, hvilket giver robuste beviser for den kliniske anvendelighed af stemmebaseret diabetes-screening.

DATAINDSAMLING OG -STYRING:

Al dataindsamling foregår remote gennem en sikker webbaseret platform tilgængelig via standard internetbrowsere (Chrome, Firefox, Safari). Deltagere bruger deres personlige enheder (computere, tablets eller smartphones) udstyret med mikrofonkapabiliteter. Platformen indfanger stemmeoptagelser, spørgeskemasvar inklusive PHQ-8 og GAD-7 til mental sundhedsvurdering og omfattende sygdomshistorik inklusive kardiovaskulære, nyre- og respiratoriske tilstande, der kan forvirre stemme-diabetes-associationer.

Data pseudonymiseres ved hjælp af universelt unikke identifikatorer (UUID), med rå lydoptagelser og udtrukne funktioner opbevaret i krypterede AWS S3 buckets. Personligt identificerbar information slettes efter afslutning af dataindsamlingen, mens forskningsdata opbevares i op til 10 år til analyse og publiceringsformål i overensstemmelse med UK GDPR.

STIKPRØVESTØRRELSESOVERVEJELSER:

Målet om 10.000 deltagere i Trin 1 afspejler kravene til robust maskinlærings-modeludvikling, hvilket giver et diversificeret datasæt, der inkluderer personer med diagnosticeret diabetes, udiagnosticeret diabetes, præ-diabetes og ellers sunde personer. Denne stikprøvestørrelse muliggør omfattende repræsentation på tværs af forskellige demografiske grupper, aldre og sundhedstilstande, der er nødvendige for at udvikle generaliserbare stemmebiomarkørmodeller. De 1.000 deltagere udvalgt til Trin 2 biologisk validering sikrer tilstrækkelige positive og negative tilfælde til omfattende modelvalidering, mens ressourceallokering til dyr HbA1c-testning optimeres. Denne tilgang adresserer kritiske huller i tidlig diabetes-detektering og giver en skalerbar, omkostningseffektiv screeningsløsning, der kunne have en betydelig indvirkning på populationssundhedsresultater gennem tidligere identifikation og intervention.