Typ-2-Diabetes an der Stimme erkennen

Diese Studie befasst sich mit einer kritischen Herausforderung bei der Erkennung von Typ-2-Diabetes, bei der etwa 30 % der Menschen mit Diabetes unerkannt bleiben, was etwa 1 Million Erwachsenen in Großbritannien entspricht. Aktuelle Screening-Methoden basieren auf opportunistischen Tests mit nur 40,4 % Teilnahme unter denjenigen, die NHS-Gesundheitschecks angeboten bekommen, was die Notwendigkeit innovativer, zugänglicher Screening-Ansätze unterstreicht, die Risikopersonen identifizieren können, bevor Komplikationen auftreten.

STUDIENBEGRÜNDUNG UND INNOVATION:

Jüngste Forschungsergebnisse zeigen, dass Diabetes die Stimmproduktion über mehrere physiologische Wege im gesamten Krankheitsspektrum beeinflusst: periphere Neuropathie beeinträchtigt die Stimmbandkontrolle und Sprachartikulation, autonome Neuropathie beeinflusst Atemmuster und Stimmdynamik, Xerostomie (Mundtrockenheit) durch neuropathische Schäden verändert Resonanzeigenschaften, und Glukoseschwankungen modifizieren die elastischen Eigenschaften des Kehlkopfes und der Stimmbänder. Diese Erkenntnisse und frühe Belege aus ersten Studien deuten darauf hin, dass Stimmanalysen zur Diabetes-Früherkennung genutzt werden könnten. Die vorliegende Studie nutzt diese Stimm-Diabetes-Zusammenhänge mithilfe fortschrittlicher maschineller Lernverfahren, um eine nicht-invasive, skalierbare Screening-Lösung zu entwickeln.

STUDIENDESIGN UND METHODIK:

Diese zweistufige Beobachtungsstudie kombiniert groß angelegte Datenerhebung mit strategischer biologischer Validierung. Stufe 1 umfasst 10.000 Teilnehmer, die über eine sichere Online-Plattform Stimmaufnahmen und umfassende Gesundheitsfragebögen abschließen. Stufe 2 wählt 1.000 dieser Teilnehmer aus, um informative diagnostische Ergebnisse für die HbA1c-Heimtestvalidierung bereitzustellen.

Jede Bewertungssitzung dauert etwa 10-20 Minuten und umfasst standardisierte Stimmaufzeichnungsaufgaben sowie validierte Gesundheitsfragebögen. Die Stimmaufnahmen beinhalten das laute Vorlesen von Texten und das Beantworten kurzer Fragen, die darauf ausgelegt sind, unterschiedliche Stimmcharakteristiken zu erfassen, während die Konsistenz zwischen den Teilnehmern gewahrt bleibt.

TECHNISCHER ANSATZ:

Stimmdaten werden mit mehreren spezialisierten Softwaretools analysiert, um akustische und linguistische Merkmale zu extrahieren, die möglicherweise mit Diabetes assoziiert sind. Die Studie verwendet fortschrittliche maschinelle Lernalgorithmen, um Muster in Stimmcharakteristiken zu identifizieren, die auf den Diabetes-Status hinweisen könnten.

Unser Ansatz begegnet der Herausforderung unerkannter Diabeteserkrankungen in der Allgemeinbevölkerung, indem Modelle entwickelt werden, die die Unsicherheit berücksichtigen, die dem selbstberichteten Diabetes-Status inhärent ist. Anstatt alle Teilnehmer ohne Diagnose als definitiv gesund zu behandeln, setzen wir rechnerische Methoden ein, die die Komplexität realer Diabetesprävalenzmuster erkennen. Strategische Teilnehmerauswahl für die biologische Validierung optimiert die aus HbA1c-Tests gewonnenen Informationen, mit dem Ziel, die Modelvalidierungseffizienz zu maximieren und gleichzeitig die Testkosten zu minimieren.

Ground-Truth-Validierung verwendet CE-gekennzeichnete HbA1c-Heimtestkits mit dokumentierter Genauigkeit von ≥95 % und wendet den klinischen Standardgrenzwert von ≥6,5 % HbA1c für die Diabetesdiagnose an. Diese biologische Validierung ermöglicht die Bewertung der Modellleistung anhand bestätigter Diabetes-Status statt ausschließlich auf selbstberichteten Diagnosen zu beruhen, was robuste Belege für den klinischen Nutzen stimmbasierter Diabetes-Früherkennung liefert.

DATENERFASSUNG UND -VERWALTUNG:

Alle Datenerhebungen erfolgen remote über eine sichere webbasierte Plattform, die über Standard-Internetbrowser (Chrome, Firefox, Safari) zugänglich ist. Teilnehmer verwenden ihre persönlichen Geräte (Computer, Tablets oder Smartphones) mit Mikrofonfunktionen. Die Plattform erfasst Stimmaufnahmen, Fragebogenantworten einschließlich PHQ-8 und GAD-7 zur psychischen Gesundheitsbewertung sowie umfassende Krankengeschichten einschließlich kardiovaskulärer, Nieren- und Atemwegserkrankungen, die Stimm-Diabetes-Zusammenhänge beeinflussen könnten.

Daten werden unter Verwendung universell eindeutiger Kennungen (UUID) pseudonymisiert, wobei Rohaudioaufnahmen und extrahierte Merkmale in verschlüsselten AWS S3 Buckets gespeichert werden. Personenbezogene Informationen werden nach Abschluss der Datenerhebung gelöscht, während Forschungsdaten gemäß UK GDPR-Konformität für bis zu 10 Jahre zu Analyse- und Veröffentlichungszwecken aufbewahrt werden.

STICHPROBENÜBERLEGUNGEN:

Die angestrebte Rekrutierung von 10.000 Teilnehmern in Stufe 1 spiegelt die Anforderungen für eine robuste Entwicklung maschineller Lernmodelle wider und bietet einen diversen Datensatz, der Personen mit diagnostiziertem Diabetes, unerkanntem Diabetes, Prädiabetes und ansonsten gesunden Personen einschließt. Diese Stichprobengröße ermöglicht eine umfassende Repräsentation verschiedener demografischer Gruppen, Altersgruppen und Gesundheitszustände, die für die Entwicklung generalisierbarer Stimmbiomarker-Modelle notwendig sind. Die 1.000 für Stufe 2 ausgewählten Teilnehmer zur biologischen Validierung gewährleisten ausreichend positive und negative Fälle für eine umfassende Modellvalidierung bei gleichzeitiger Optimierung der Ressourcenzuteilung für kostspielige HbA1c-Tests. Dieser Ansatz adressiert kritische Lücken in der frühen Diabeteserkennung, bietet eine skalierbare, kosteneffektive Screening-Lösung und könnte durch frühzeitige Identifikation und Intervention die Bevölkerungsgesundheitsergebnisse erheblich beeinflussen.