Wykrywanie cukrzycy typu 2 na podstawie głosu

Niniejsze badanie dotyczy kluczowego wyzwania w wykrywaniu cukrzycy typu 2, gdzie około 30% osób z cukrzycą pozostaje niezdiagnozowanych, co odpowiada około 1 milionowi dorosłych w Wielkiej Brytanii. Obecne metody przesiewowe opierają się na okazjonalnych badaniach z jedynie 40,4% udziałem wśród osób, którym zaproponowano NHS Health Checks, co podkreśla potrzebę innowacyjnych, dostępnych podejść przesiewowych, które mogą identyfikować osoby zagrożone przed rozwojem powikłań.

UZASADNIENIE I INNOWACYJNOŚĆ BADANIA:

Najnowsze badania pokazują, że cukrzyca wpływa na produkcję głosu poprzez wielokierunkowe szlaki fizjologiczne w całym spektrum choroby: neuropatia obwodowa wpływa na kontrolę strun głosowych i artykulację mowy, neuropatia autonomiczna wpływa na wzorce oddychania i dynamikę głosu, kserostomia (suchość w ustach) spowodowana uszkodzeniem neuropatycznym zmienia charakterystykę rezonansu, a wahania glukozy modyfikują właściwości sprężyste krtani i strun głosowych. Te ustalenia oraz wczesne dowody z wstępnych badań sugerują, że analiza głosu mogłaby być wykorzystana do przesiewu w kierunku cukrzycy. Obecne badanie wykorzystuje te zależności między głosem a cukrzycą, stosując zaawansowane uczenie maszynowe do opracowania nieinwazyjnego, skalowalnego rozwiązania przesiewowego.

PROJEKT I METODOLOGIA BADANIA:

To dwuetapowe badanie obserwacyjne łączy zakrojoną na dużą skalę zbieranie danych ze strategiczną walidacją biologiczną. Etap 1 obejmuje 10 000 uczestników, którzy wykonują nagrania głosu i wypełniają kompleksowe ankiety zdrowotne za pośrednictwem bezpiecznej platformy online. Etap 2 obejmuje wybranie 1000 z tych uczestników w celu dostarczenia informacyjnych wyników diagnostycznych do walidacji testów domowych HbA1c.

Każda sesja oceny trwa około 10–20 minut i obejmuje standaryzowane zadania nagrywania głosu wraz ze zwalidowanymi ankietami zdrowotnymi. Nagrania głosu obejmują głośne czytanie tekstu i odpowiadanie na krótkie pytania zaprojektowane tak, aby uchwycić różnorodne cechy głosowe, zachowując jednocześnie spójność między uczestnikami.

PODEJŚCIE TECHNICZNE:

Dane głosowe będą analizowane przy użyciu wielu wyspecjalizowanych narzędzi programowych w celu wyodrębnienia cech akustycznych i językowych potencjalnie związanych z cukrzycą. Badanie wykorzystuje zaawansowane algorytmy uczenia maszynowego do identyfikacji wzorców w charakterystykach głosu, które mogą wskazywać na stan cukrzycy.

Nasze podejście odpowiada na wyzwanie niezdiagnozowanej cukrzycy w populacji ogólnej poprzez opracowanie modeli, które uwzględniają niepewność nieodłączną dla samodzielnie zgłaszanego statusu cukrzycy. Zamiast traktować wszystkich uczestników bez diagnozy jako definitywnie zdrowych, wdrażamy metody obliczeniowe, które rozpoznają złożoność rzeczywistych wzorców występowania cukrzycy. Strategiczny dobór uczestników do walidacji biologicznej optymalizuje informacje uzyskane z testowania HbA1c, mając na celu maksymalizację efektywności walidacji modelu przy jednoczesnej minimalizacji kosztów badań.

Walidacja stanu rzeczywistego wykorzystuje certyfikowane CE domowe zestawy testowe HbA1c z udokumentowaną dokładnością ≥95%, stosując standardowy próg kliniczny ≥6,5% HbA1c do diagnozy cukrzycy. Ta walidacja biologiczna umożliwia ocenę wydajności modelu w porównaniu z potwierdzonym statusem cukrzycy, zamiast polegania wyłącznie na samodzielnie zgłaszanych diagnozach, dostarczając solidnych dowodów na kliniczną przydatność przesiewu cukrzycy opartego na głosie.

ZBIERANIE I ZARZĄDZANIE DANYMI:

Całe zbieranie danych odbywa się zdalnie za pośrednictwem bezpiecznej platformy internetowej dostępnej przez standardowe przeglądarki internetowe (Chrome, Firefox, Safari). Uczestnicy korzystają z własnych urządzeń (komputerów, tabletów lub smartfonów) wyposażonych w możliwości mikrofonowe. Platforma przechwytuje nagrania głosu, odpowiedzi na ankiety, w tym PHQ-8 i GAD-7 do oceny zdrowia psychicznego, oraz kompleksową historię zdrowia obejmującą schorzenia sercowo-naczyniowe, nerkowe i oddechowe, które mogą zakłócać zależności między głosem a cukrzycą.

Dane są pseudonimizowane przy użyciu uniwersalnych unikalnych identyfikatorów (UUID), a surowe nagrania audio i wyodrębnione cechy są przechowywane w zaszyfrowanych zasobnikach AWS S3. Osobiste dane identyfikacyjne są usuwane po zakończeniu zbierania danych, podczas gdy dane badawcze są przechowywane do 10 lat na potrzeby analizy i publikacji zgodnie z przepisami UK GDPR.

KONSIDERACJE DOTYCZĄCE WIELKOŚCI PRÓBY:

Docelowa rekrutacja 10 000 uczestników w Etapie 1 odzwierciedla wymagania dotyczące solidnego rozwoju modeli uczenia maszynowego, zapewniając zróżnicowany zestaw danych, który obejmuje osoby ze zdiagnozowaną cukrzycą, niezdiagnozowaną cukrzycą, stanem przedcukrzycowym i osobami zdrowymi. Ta wielkość próby umożliwia kompleksową reprezentację w różnych grupach demograficznych, grupach wiekowych i stanach zdrowia niezbędnych do opracowania uogólnialnych modeli biomarkerów głosowych. 1000 uczestników wybranych do biologicznej walidacji w Etapie 2 zapewnia wystarczającą liczbę przypadków pozytywnych i negatywnych do kompleksowej walidacji modelu, jednocześnie optymalizując alokację zasobów dla kosztownych testów HbA1c. To podejście odpowiada na krytyczne luki we wczesnym wykrywaniu cukrzycy, dostarczając skalowalne, opłacalne rozwiązanie przesiewowe, które mogłoby znacząco wpłynąć na wyniki zdrowotne populacji poprzez wcześniejszą identyfikację i interwencję.