Tyypin 2 diabeteksen havaitseminen äänestä

Tämä tutkimus käsittelee kriittistä haastetta tyypin 2 diabeteksen havaitsemisessa, jossa noin 30 % diabeetikoista jää diagnosoimatta, mikä vastaa noin miljoonaa aikuista Britanniassa. Nykyiset seulontamenetelmät perustuvat satunnaistesti tehtäviin testeihin, joista vain 40,4 % hyödyntää niitä, joille tarjotaan NHS:n terveystarkastuksia, mikä korostaa tarpetta innovatiivisille, saavutettaville seulontamenetelmille, jotka voivat tunnistaa riskialttiit henkilöt ennen komplikaatioiden kehittymistä.

TUTKIMUKSEN PERUSTEET JA INNOVAATIO:

Viimeaikainen tutkimus osoittaa, että diabetes vaikuttaa äänentuottoon useiden fysiologisten reittien kautta koko sairauden kirjossa: perifeerinen neuropatia vaikuttaa äänihuulien hallintaan ja puheen artikulaatioon, autonominen neuropatia vaikuttaa hengityskuvioihin ja äänendynamiikkaan, neuropaattisen vaurion aiheuttama xerostomia (kuiva suu) muuttaa resonanssiominaisuuksia, ja glukoosin vaihtelut muuttavat kurkun ja äänihuulten kimmoisuusominaisuuksia. Nämä havainnot ja varhaiset todisteet alustavista tutkimuksista viittaavat siihen, että äänianalyysiä voitaisiin käyttää diabeteksen seulontaan. Tämä tutkimus hyödyntää näitä ääni-diabetes-yhteyksiä käyttämällä kehittynyttä koneoppimista kehittääkseen ei-invasiivisen, skaalautuvan seulontaratkaisun.

TUTKIMUKSEN SUUNNITTELU JA METODOLOGIA:

Tämä kaksivaiheinen havainnointitutkimus yhdistää laajan mittakaavan tiedonkeruun strategiseen biologiseen validaatioon. Vaihe 1 sisältää 10 000 osallistujan ääninauhoitusten ja kattavien terveyskyselyiden täyttämisen turvallisen verkkopalvelun kautta. Vaihe 2 valitsee 1 000 näistä osallistujista antamaan informatiivisia diagnostisia tuloksia HbA1c-kotitestauksen validaatiota varten.

Jokainen arviointisessio kestää noin 10–20 minuuttia ja sisältää standardoidut ääninauhoitustehtävät yhdessä validoitujen terveyskyselyiden kanssa. Ääninauhoitukset sisältävät ääneen luettavan tekstin lukemisen ja lyhyiden kysymysten vastaamisen, jotka on suunniteltu tallentamaan monipuolisia äänellisiä ominaisuuksia samalla kun ylläpidetään johdonmukaisuutta osallistujien välillä.

TEKNINEN LÄHESTYMISTAPA:

Äänidataa analysoidaan useilla erikoistuneilla ohjelmistoilla poimimaan akustisia ja kielellisiä piirteitä, jotka saattavat liittyä diabetekseen. Tutkimus käyttää kehittyneitä koneoppimisalgoritmeja tunnistaakseen kuvioita äänen ominaisuuksissa, jotka voivat osoittaa diabetestilaa.

Lähestymistapamme käsittelee diagnosoimattoman diabeteksen haastetta yleisessä väestössä kehittämällä malleja, jotka huomioivat itse raportoituun diabetestilaan liittyvän epävarmuuden. Sen sijaan, että kaikkia diagnoosittomia osallistujia käsiteltäisiin ehdottomasti terveinä, toteutamme laskennallisia menetelmiä, jotka tunnistavat reaalimaailman diabetesprevalenssikuvioiden monimutkaisuuden. Strateginen osallistujien valinta biologista validaatiota varten optimoi HbA1c-testauksesta saatavan tiedon, pyrkien maksimoimaan mallin validointitehokkuutta samalla kun minimoidaan testauskustannuksia.

Tosiasiavalidaatio käyttää CE-merkityitä HbA1c-kotitestauspaketteja, joiden dokumentoitu tarkkuus on ≥95 %, soveltaen standardia kliinistä kynnystä ≥6,5 % HbA1c diabeteksen diagnosoimiseksi. Tämä biologinen validaatio mahdollistaa mallin suorituskyvyn arvioinnin vahvistettua diabetestilaa vastaan sen sijaan, että luotettaisiin pelkästään itse raportoituihin diagnooseihin, tarjoten vankkaa näyttöää äänipohjaisen diabetesseulonnan kliinisestä hyödystä.

TIEDONKERUU JA HALLINTA:

Kaikki tiedonkeruu tapahtuu etänä turvallisen verkkopohjaisen alustan kautta, johon pääsee standardin verkkoselainten (Chrome, Firefox, Safari) avulla. Osallistujat käyttävät henkilökohtaisia laitteitaan (tietokoneita, tabletteja tai älypuhelimia), joissa on mikrofoniominaisuudet. Alusta tallentaa ääninauhoitukset, kyselyvastaukset mukaan lukien PHQ-8 ja GAD-7 mielenterveyden arviointia varten, sekä kattavan terveyshistorian, mukaan lukien sydän-, munuais- ja hengityselinsairaudet, jotka voivat hämärtää ääni-diabetes-yhteyksiä.

Data pseudonymisoidaan käyttämällä yleismaailmallisia yksilöllisiä tunnisteita (UUID), ja raaka-ääninauhoitukset sekä poimitut piirteet tallennetaan salattuihin AWS S3-säiliöihin. Henkilötietoja poistetaan tiedonkeruun päätyttyä, kun taas tutkimusdataa säilytetään jopa 10 vuotta analyysi- ja julkaisutarkoituksiin UK GDPR:n mukaisesti.

OTOSKOON HUOMIOONOTTO:

Vaiheen 1 tavoitteellinen 10 000 osallistujan rekrytointi heijastaa vankan koneoppimismallin kehittämisen vaatimuksia, tarjoten monipuolisen tietoaineiston, joka sisältää diagnosoidun diabeteksen omaavia, diagnosoimattoman diabeteksen omaavia, esidiabeetikkoja ja muuten terveitä henkilöitä. Tämä otoskoko mahdollistaa kattavan edustavuuden eri demografisissa ryhmissä, ikäluokissa ja terveystiloissa, mikä on tarpeen yleistettävien äänibiomarkkerimallien kehittämiseksi. Vaiheeseen 2 biologista validaatiota varten valittu 1 000 osallistujaa varmistaa riittävän määrän positiivisia ja negatiivisia tapauksia kattavaa mallin validointia varten samalla kun optimoidaan resurssien kohdentaminen kalliille HbA1c-testaukselle. Tämä lähestymistapa käsittelee kriittisiä aukkoja varhaisessa diabeteksen havaitsemisessa, tarjoten skaalautuvan, kustannustehokkaan seulontaratkaisun, joka saattaisi merkitsevästi vaikuttaa väestön terveystuloksiin aikaisemman tunnistamisen ja interventioiden kautta.