Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Kunstmatige intelligentie en goedaardige laesies van stemplooiherkenning

21 februari 2023 bijgewerkt door: Marchese Maria Raffaella, Fondazione Policlinico Universitario Agostino Gemelli IRCCS

Kunstmatige intelligentie voor de herkenning van goedaardige laesies van stemplooien uit audio-opnamen

De ontwikkeling van kunstmatige intelligentie (AI), de evolutie van stemtechnologie, vorderingen op het gebied van audiosignaalanalyse en methoden voor het verwerken/begrijpen van natuurlijke taal hebben de weg vrijgemaakt voor tal van potentiële toepassingen van stem, zoals de identificatie van vocale biomarkers voor diagnose, classificatie of om de klinische praktijk te verbeteren. Meer recentelijk hebben onderzoeken zich gericht op de rol van het audiosignaal van de stem als handtekening van het pathogene proces. Dysfonie geeft aan dat er enkele negatieve veranderingen zijn opgetreden in de stemproductie. De algemene prevalentie van dysfonie is ongeveer 1%, zelfs als de werkelijke percentages hoger kunnen zijn, afhankelijk van de bestudeerde populatie en de definitie van de specifieke stemstoornis. De gezondheid van de stem kan worden beoordeeld aan de hand van verschillende akoestische parameters. De relatie tussen stempathologie en akoestische stemkenmerken is klinisch vastgesteld en zowel kwantitatief als subjectief bevestigd door spraakexperts. De automatische systemen zijn ontworpen om te bepalen of het monster van een gezonde proefpersoon of een niet-gezonde proefpersoon is. De nauwkeurigheid van akoestische parameters is gekoppeld aan de kenmerken die worden gebruikt om ze te schatten voor identificatie van spraakruis. Huidige gesproken zoekopdrachten zijn meestal beperkt tot basisvragen, zelfs met brede perspectieven. De literatuur over stembiomarkers van specifieke stemplooiziekten is anekdotisch en gerelateerd aan functionele stemplooistoornissen of zeldzame bewegingsstoornissen van het strottenhoofd. De meest voorkomende oorzaken van dysfonie zijn de goedaardige laesies van de stemplooi (BLVF). Momenteel is videolaryngostroboscopie, hoewel invasief, de gouden standaard voor de diagnose van BLVF. Het is echter een invasieve en dure procedure. De nieuwe ML-algoritmen hebben onlangs de classificatienauwkeurigheid van geselecteerde kenmerken in doelvariabelen verbeterd in vergelijking met meer conventionele procedures, dankzij de mogelijkheid om grote datasets van spraakkenmerken te combineren en te analyseren. Ook al richten de meeste onderzoeken zich op de diagnose van een aandoening waarbij ze onderscheid maken tussen gezonde en niet-gezonde proefpersonen, de onderzoekers zijn van mening dat de belangrijkste taak vaak een differentiële diagnose tussen twee of meer ziekten is. Hoewel dit een uitdagende taak is, is het van cruciaal belang om de beslissingsondersteuning naar dit niveau te tillen. Het hoofddoel van dit onderzoek zou de studie, ontwikkeling en validatie van ML-algoritmen zijn om de verschillende BVLVFL van digitale spraakopnamen te herkennen.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

De onderzoekers zullen de audio-opnamen verzamelen van dysfone deelnemers die getroffen zijn door BLVF. Alle stemmonsters worden op basis van de endoscopische diagnose onderverdeeld in de volgende groepen: stemplooicysten, Reinke's oedeem, knobbeltjes en poliepen. De audiotracks worden verkregen door te vragen om het woord /aiuole/ drie keer achter elkaar uit te spreken met de gebruikelijke stemintensiteit, toonhoogte en kwaliteit. Stemmen worden geregistreerd met behulp van een Shure-microfoon model SM48 (Evanston IL) die onder een hoek van 45° is geplaatst op een afstand van 20 cm van de mond van de patiënt. De microfoonverzadigingsingang wordt vastgezet op 6/9 van CH1 en het omgevingsgeluid was <30 dB geluidsdrukniveau (SPL). De signalen worden opgenomen in ".nvi"-formaat met een high-definition audiorecorder Computerized Speech Lab, model 4300B, van Kay Elemetrics (Lincoln Park, NJ, VS) met een bemonsteringsfrequentie van 50 kHz en omgezet naar ". wav"-formaat. Elk audiobestand wordt anoniem gelabeld met geslacht en type BLVF.

Analysepijplijn Alle volgende analyses zullen worden uitgevoerd met behulp van MatLab R2019b, de MathWorks, Natick MA, VS. De analysepijplijn omvatte signaalvoorverwerking, extractie van kenmerken, screening van de kenmerken en modelimplementatie.

Functie-extractie Op het gesegmenteerde signaal worden 66 verschillende kenmerken in het tijd-, frequentie- en cepstrale domein geëxtraheerd. Vervolgens worden zeven statistische maten berekend op de geëxtraheerde kenmerken, namelijk: gemiddelde, standaarddeviatie, scheefheid, kurtosis, 25e, 50e en 75e percentiel. Bovendien worden jitter, glinstering en kanteling van het vermogensspectrum verkregen uit het gehele niet-gesegmenteerde signaal.

Functiescreening Functiescreening zal worden toegepast met behulp van biostatistische analyses op de gehele dataset, om het uitgebreide aantal kenmerken dat als invoer voor de classificator moet worden opgegeven, te verminderen. Er zullen twee statistische tests worden gebruikt om relevante kenmerken voor de classificatietaak te screenen: de one-way variantieanalyse (ANOVA), wanneer alle groepen normaal verdeeld waren, en anders de Kruskal-Wallis-test. De normaliteit van de groepen zal worden geverifieerd door middel van de Kolmogorov-Smirnov-test. Voor alle tests wordt een p-waarde <0,05 als statistisch significant beschouwd.

A. Modelimplementatie Een niet-lineaire Support Vector Machine (SVM) met een Gaussiaanse kernel is het algoritme dat voor dit onderzoek is gekozen. De classificatieprestaties worden gemeten aan de hand van de nauwkeurigheid en de gemiddelde F1-score. Beide statistieken worden verstrekt voor de beschrijving van de algemene classificatieprestaties en die verkregen op subgroepen van geslacht.

Studietype

Observationeel

Inschrijving (Verwacht)

300

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Locaties

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

18 jaar tot 65 jaar (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

NVT

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

Patiënten met goedaardige laesies van de stemplooi

Beschrijving

Inclusiecriteria:

  • Reinke's oedeem
  • cyste van de stemplooi
  • knobbeltje van de stemplooi
  • poliep van de stemplooi

Uitsluitingscriteria:

  • eerdere larynx- of schildklieroperatie
  • eerdere logopedie
  • huidige longziekten
  • huidige gastro-oesofageale reflux
  • larynxbewegingsstoornis of terugkerende verlamming van de larynxzenuw
  • Niet-moedertaalsprekers van het Italiaans

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
validatie van ML-algoritmen om de verschillende BVFL's te herkennen
Tijdsspanne: vijf jaar
De statistische metingen die zijn berekend op de geëxtraheerde kenmerken zijn de volgende: gemiddelde, standaarddeviatie, scheefheid, kurtosis, 25e, 50e en 75e percentiel. Bovendien worden jitter, glinstering en kanteling van het vermogensspectrum verkregen uit het gehele niet-gesegmenteerde signaal.
vijf jaar

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Fondazione Policlinico Universitario Agostino Gemelli IRCCS

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 november 2021

Primaire voltooiing (Verwacht)

1 november 2025

Studie voltooiing (Verwacht)

1 november 2025

Studieregistratiedata

Eerst ingediend

1 februari 2023

Eerst ingediend dat voldeed aan de QC-criteria

21 februari 2023

Eerst geplaatst (Schatting)

6 maart 2023

Updates van studierecords

Laatste update geplaatst (Schatting)

6 maart 2023

Laatste update ingediend die voldeed aan QC-criteria

21 februari 2023

Laatst geverifieerd

1 februari 2023

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 4519

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Abonneren