L’intelligence artificielle (IA) peut être utilisée pour détecter l’infection au COVID-19 dans la voix des gens via une application pour téléphone mobile, selon une étude qui sera présentée lundi à la Conférence internationale de la Société respiratoire européenne à Barcelone, en Espagne.

Le modèle d’IA utilisé dans cette recherche est plus précis que les tests d’antigène à flux latéral/rapide et est bon marché, rapide et facile à utiliser, ce qui signifie qu’il peut être utilisé dans les pays à faible revenu où les tests PCR sont coûteux et/ou difficiles. distribuer.

Mme Wafa El-Jabawi, chercheuse à l’Institut des sciences des données de l’Université de Maastricht aux Pays-Bas, a déclaré au Congrès que le modèle d’IA était précis 89% du temps, tandis que la précision des tests de flux latéral variait considérablement selon le marque. De plus, les tests de flux latéral étaient significativement moins précis pour détecter l’infection au COVID chez les personnes qui ne présentaient aucun symptôme.

Ces résultats prometteurs indiquent que de simples enregistrements audio et des algorithmes d’IA précis peuvent atteindre une grande précision dans l’identification des patients infectés par le COVID-19. De tels tests peuvent être offerts gratuitement et peuvent être facilement interprétés. De plus, il permet des tests virtuels à distance et a un temps de réponse inférieur à une minute. Ils peuvent être utilisés, par exemple, aux points d’entrée de grands rassemblements, permettant un dépistage rapide de la population.

Wafaa El-Jabawi, chercheur, Institut des sciences des données, Université de Maastricht

L’infection au COVID-19 affecte généralement les voies respiratoires supérieures et les cordes vocales, entraînant des changements dans la voix d’une personne. Mme El-Jabawi et ses superviseurs, le Dr Sami Simmons, pneumologue au Maastricht University Medical Center, et le Dr Visara Orofi, également de l’Institute for Data Science, ont décidé d’étudier si l’intelligence artificielle pouvait être utilisée pour analyser les sons afin pour détecter le COVID-19.

Ils ont utilisé les données de l’application COVID-19 Sounds de l’Université de Cambridge contenant 893 échantillons audio de 4 352 participants sains et non sains, dont 308 ont été testés positifs pour COVID-19. L’application est installée sur le téléphone mobile de l’utilisateur, les participants rapportent quelques informations de base sur leurs données démographiques, leurs antécédents médicaux et leur statut de fumeur, puis on leur demande d’enregistrer des sons respiratoires. Cela comprend tousser trois fois, respirer profondément par la bouche trois à cinq fois et lire une courte phrase à l’écran trois fois.

Les chercheurs ont utilisé une technique d’analyse sonore appelée spectroscopie de pente, qui identifie diverses caractéristiques sonores telles que l’intensité, la force et le contraste au fil du temps.

« De cette façon, nous pouvons déconstruire les nombreuses caractéristiques des voix des participants », a déclaré Mme El-Jabawi. « Afin de distinguer les voix des patients COVID-19 de ceux qui n’ont pas contracté la maladie, nous avons construit différents modèles d’IA et évalué ceux qui fonctionnent le mieux pour classer les cas de COVID-19.

Ils ont découvert qu’un modèle appelé mémoire à long terme (LSTM) surpassait les autres. LSTM est basé sur des réseaux de neurones, qui simulent le fonctionnement du cerveau humain et apprennent les relations de base dans les données. Il fonctionne par séquences, ce qui le rend adapté à la modélisation de signaux collectés au fil du temps, comme le son, en raison de sa capacité à stocker des données dans sa mémoire.

Sa précision globale était de 89 %, sa capacité à détecter correctement les cas positifs (taux de vrais positifs ou « sensibilité ») était de 89 % et sa capacité à identifier correctement les cas négatifs (taux de vrais négatifs ou « spécificité ») était de 83 %.

« Ces résultats montrent une amélioration significative de la précision du diagnostic du COVID-19 par rapport aux derniers tests tels que le test de flux latéral », a déclaré Mme El-Jabawi. « Le test de flux latéral a une sensibilité de seulement 56 %, mais un taux de spécificité plus élevé de 99,5 %. Ceci est significatif car il indique que le test de flux latéral classe à tort les personnes infectées comme COVID-19 négatives par rapport à notre test. En d’autres termes, avec Le modèle AI LSTM, nous pouvons manquer 11 cas sur 100 qui continueront à propager l’infection, tandis que le test de flux latéral manquera 44 cas sur 100.

« La grande précision du test de flux latéral signifie que seulement 1 personne sur 100 sera faussement informée qu’elle a le COVID-19 alors qu’en fait, elle n’était pas infectée, tandis que le test LSTM diagnostiquera à tort 17 personnes non infectées sur 100. Cependant, parce que ce test est pratiquement gratuit, il est possible d’inviter les gens à passer des tests PCR si les tests LSTM sont positifs.

Les chercheurs disent que leurs découvertes doivent être validées en grand nombre. Depuis le début de ce projet, 53 449 échantillons audio ont été collectés auprès de 36 116 participants et peuvent être utilisés pour améliorer la précision et la validation du modèle. Ils effectuent également une analyse plus approfondie pour comprendre les paramètres de la voix qui affectent le modèle d’IA.

Dans une deuxième étude, Sir Henry Glyde, doctorant à la School of Engineering de l’Université de Bristol, a montré que l’intelligence artificielle peut être exploitée via une application appelée myCOPD pour prédire quand les patients atteints de MPOC peuvent avoir une attaque. Leur maladie, parfois appelée exacerbation aiguë. Les épisodes de MPOC peuvent être très graves et sont associés à un risque accru d’hospitalisation. Les symptômes comprennent l’essoufflement, la toux et une production accrue de crachats (mucus).

« Les exacerbations aiguës de la BPCO ont de mauvais résultats », a-t-il déclaré. « Nous savons que l’identification et le traitement précoces des exacerbations peuvent améliorer ces résultats et nous avons donc voulu déterminer le pouvoir prédictif d’une application MPOC largement utilisée. »

L’application myCOPD est une application interactive basée sur le cloud, développée par des patients et des cliniciens et disponible pour une utilisation par le National Health Service du Royaume-Uni. Il a été créé en 2016 et, à ce jour, plus de 15 000 patients atteints de MPOC l’utilisent pour les aider à gérer leur maladie.

Les chercheurs ont recueilli 45 636 dossiers pour 183 patients entre août 2017 et décembre 2021. Parmi ceux-ci, 45 007 concernaient une maladie stable et 629 des exacerbations. Les prédicteurs d’exacerbation ont été générés un à huit jours avant l’événement d’exacerbation autodéclaré. M. Glide et ses collègues ont utilisé ces données pour former des modèles d’IA sur 70 % des données et les tester sur 30 %.

Les patients étaient « plus engagés », qui ont utilisé l’application chaque semaine pendant des mois, voire des années, pour enregistrer les symptômes et d’autres informations sur la santé, enregistrer les médicaments, définir des rappels et accéder aux dernières informations sur la santé et le mode de vie. Les médecins peuvent évaluer les données via le tableau de bord des médecins, ce qui leur permet d’assurer la surveillance, la gestion partagée et la surveillance à distance.

« Le dernier modèle d’IA que nous avons développé a une sensibilité de 32 % et une spécificité de 95 %. Cela signifie que le modèle est très efficace pour indiquer aux patients qu’ils ne sont pas sur le point d’avoir une exacerbation, ce qui pourrait les aider à éviter un traitement inutile,  » dit M. Glide. Quand ils sont sur le point d’en essayer un. Améliorer cela sera au centre de la prochaine phase de nos recherches. »

S’exprimant avant la conférence, le Dr James Dodd, professeur agrégé de médecine respiratoire à l’Université de Bristol et chef de projet, a déclaré : « À notre connaissance, cette étude est la première du genre à modéliser des données réelles de patients atteints de MPOC, extraites d’une application thérapeutique généralisée. Par conséquent, les modèles prédictifs d’exacerbations résultant de cette étude ont le potentiel de se propager à des milliers de patients atteints de BPCO après de nouveaux tests d’innocuité et d’efficacité. Cela permettrait aux patients d’avoir plus d’indépendance et de contrôle sur leur santé. C’est également un grand avantage pour leurs médecins, car ce système est susceptible de réduire la dépendance des patients vis-à-vis des soins primaires. déterminer le niveau de précision acceptable et comment le système fonctionnera Alerte d’exacerbation dans la pratique L’introduction de techniques de détection peut améliorer la surveillance et améliorer les performances prédictives des modèles.

Une limite de l’étude est le petit nombre d’utilisateurs fréquents de l’application. Le formulaire actuel exige que le patient entre son score de test d’évaluation de la MPOC, remplisse son journal de médicaments, puis signale avec précision une exacerbation quelques jours plus tard. Normalement, seuls les patients qui interagissent le plus avec l’application et l’utilisent quotidiennement ou hebdomadairement peuvent fournir la quantité de données nécessaires à la modélisation de l’IA. De plus, comme il y a un nombre significativement plus élevé de jours pendant lesquels les utilisateurs sont stables que lorsqu’une exacerbation se produit, il existe un déséquilibre significatif entre les données d’exacerbation et de non-exacerbation disponibles. Il en résulte plus de difficultés avec les modèles pour prédire correctement les événements après entraînement sur ces données déséquilibrées.

« Un partenariat récent entre patients, cliniciens et soignants pour donner la priorité à la recherche sur la MPOC a révélé que la question la plus cotée est de savoir comment identifier de meilleurs moyens de prévenir les exacerbations de la maladie. Nous nous sommes concentrés sur cette question et travaillerons en étroite collaboration avec les patients pour concevoir et mettre en œuvre le système », a conclu M. Glide.

Le président du Conseil scientifique de l’ERS, le professeur Chris Breitling, est chercheur principal au National Institute for Health and Care Research (NIHR) de l’Université de Leicester, au Royaume-Uni, et n’a pas participé à la recherche. Il a commenté : « Ces deux études démontrent le potentiel de l’IA et des applications sur les téléphones mobiles et autres appareils numériques pour faire une différence dans la gestion des maladies. Avoir plus de données disponibles pour former ces modèles d’IA, y compris des groupes de contrôle appropriés, ainsi que validation dans plusieurs études, cela améliorera sa précision et sa fiabilité. La santé numérique utilisant des modèles d’IA présente une opportunité passionnante et est susceptible d’avoir un impact sur les soins de santé à l’avenir.