Handy-App erkennt mit Hilfe künstlicher Intelligenz zuverlässig COVID-19-Infektionen an der Stimme

Das in dieser Forschung verwendete KI-Modell ist genauer als Lateral-Flow-/Rapid-Antigen-Tests und ist kostengünstig, schnell und einfach zu handhaben, was bedeutet, dass es in Ländern mit niedrigem Einkommen eingesetzt werden kann, in denen PCR-Tests teuer und/oder schwer zu verteilen sind.

Wafaa Aljbawi, Forscherin am Institut für Datenwissenschaften der Universität Maastricht (Niederlande), erklärte auf dem Kongress, dass das KI-Modell in 89% der Fälle richtig war, während die Genauigkeit von Lateral-Flow-Tests je nach Marke stark variierte. Außerdem waren die Lateral-Flow-Tests wesentlich ungenauer bei der Erkennung von COVID-Infektionen bei Personen, die keine Symptome zeigten.

"Diese vielversprechenden Ergebnisse deuten darauf hin, dass einfache Sprachaufzeichnungen und fein abgestimmte KI-Algorithmen möglicherweise eine hohe Genauigkeit bei der Feststellung erreichen können, welche Patienten eine COVID-19-Infektion haben", sagte sie. "Solche Tests können kostenlos angeboten werden und sind einfach zu interpretieren. Außerdem ermöglichen sie virtuelle Tests aus der Ferne und haben eine Durchlaufzeit von weniger als einer Minute. Sie könnten z. B. an den Eingangspunkten großer Versammlungen eingesetzt werden und ein schnelles Screening der Bevölkerung ermöglichen.

Eine COVID-19-Infektion befällt in der Regel die oberen Atemwege und die Stimmbänder, was zu Veränderungen in der Stimme einer Person führt. Frau Aljbawi und ihre Betreuer, Dr. Sami Simons, Pulmologe am Maastricht University Medical Centre, und Dr. Visara Urovi, ebenfalls vom Institute of Data Science, beschlossen zu untersuchen, ob es möglich ist, KI zur Analyse von Stimmen einzusetzen, um COVID-19 zu erkennen.

Sie verwendeten Daten aus der COVID-19 Sounds App der Universität Cambridge, die 893 Audioproben von 4.352 gesunden und nicht-gesunden Teilnehmern enthält, von denen 308 positiv auf COVID-19 getestet wurden. Die App wird auf dem Mobiltelefon des Nutzers installiert, die Teilnehmer geben einige grundlegende Informationen zu Demografie, Krankengeschichte und Raucherstatus an und werden dann gebeten, einige Atemgeräusche aufzunehmen. Dazu gehören dreimaliges Husten, drei- bis fünfmaliges tiefes Atmen durch den Mund und dreimaliges Lesen eines kurzen Satzes auf dem Bildschirm.

Die Forscher verwendeten ein Verfahren zur Stimmanalyse, die so genannte Mel-Spektrogrammanalyse, mit der verschiedene Stimmmerkmale wie Lautstärke, Stärke und zeitliche Veränderung identifiziert werden können.

"Auf diese Weise können wir die vielen Eigenschaften der Stimmen der Teilnehmer aufschlüsseln", sagt Frau Aljbawi. "Um die Stimme von COVID-19-Patienten von denen zu unterscheiden, die nicht an der Krankheit leiden, haben wir verschiedene Modelle der künstlichen Intelligenz entwickelt und bewertet, welches am besten zur Klassifizierung der COVID-19-Fälle geeignet ist.

Sie fanden heraus, dass ein Modell namens Long-Short Term Memory (LSTM) die anderen Modelle übertraf. LSTM basiert auf neuronalen Netzen, die die Funktionsweise des menschlichen Gehirns nachahmen und die zugrunde liegenden Beziehungen in Daten erkennen. Es arbeitet mit Sequenzen und eignet sich daher für die Modellierung von Signalen, die im Laufe der Zeit gesammelt werden, wie z. B. von der Stimme, da es Daten in seinem Speicher ablegen kann.

Die Gesamtgenauigkeit lag bei 89%, die Fähigkeit zur korrekten Erkennung positiver Fälle (die echte positive Rate oder "Sensitivität") bei 89% und die Fähigkeit zur korrekten Erkennung negativer Fälle (die echte negative Rate oder "Spezifität") bei 83%.

"Diese Ergebnisse zeigen eine deutliche Verbesserung der Genauigkeit der Diagnose von COVID-19 im Vergleich zu modernen Tests wie dem Lateral-Flow-Test", sagte Frau Aljbawi. "Der Lateral-Flow-Test hat eine Sensitivität von nur 56%, aber eine höhere Spezifität von 99,5%. Dies ist wichtig, da es bedeutet, dass der Lateral-Flow-Test infizierte Personen häufiger als COVID-19-negativ einstuft als unser Test. Mit anderen Worten: Mit dem KI-LSTM-Modell könnten wir 11 von 100 Fällen übersehen, die die Infektion weiterverbreiten würden, während der Lateral-Flow-Test 44 von 100 Fällen übersehen würde.

"Die hohe Spezifität des Lateral-Flow-Tests bedeutet, dass nur einer von 100 Personen fälschlicherweise als COVID-19-positiv eingestuft würde, obwohl sie in Wirklichkeit nicht infiziert sind, während der LSTM-Test 17 von 100 nicht infizierten Personen fälschlicherweise als positiv einstufen würde. Da dieser Test jedoch praktisch kostenlos ist, ist es möglich, Personen zu PCR-Tests einzuladen, wenn die LSTM-Tests zeigen, dass sie positiv sind".

Die Forscher weisen darauf hin, dass ihre Ergebnisse anhand einer großen Zahl von Personen validiert werden müssen. Seit Beginn des Projekts wurden 53.449 Audioproben von 36.116 Teilnehmern gesammelt, die zur Verbesserung und Validierung der Genauigkeit des Modells verwendet werden können. Sie führen auch weitere Analysen durch, um zu verstehen, welche Parameter der Stimme das KI-Modell beeinflussen.

In einer zweiten Studie hat Henry Glyde, Doktorand an der Fakultät für Ingenieurwissenschaften der Universität Bristol, gezeigt, dass KI über eine App namens myCOPD genutzt werden kann, um vorherzusagen, wann Patienten mit chronisch obstruktiver Lungenerkrankung (COPD) einen Krankheitsschub erleiden, der auch als akute Exazerbation bezeichnet wird. COPD-Exazerbationen können sehr ernst sein und sind mit einem erhöhten Risiko für einen Krankenhausaufenthalt verbunden. Zu den Symptomen gehören Kurzatmigkeit, Husten und vermehrte Schleimbildung.

"Akute Exazerbationen der COPD haben einen schlechten Ausgang. Wir wissen, dass eine frühzeitige Erkennung und Behandlung von Exazerbationen diese Ergebnisse verbessern kann, und deshalb wollten wir die Vorhersagekraft einer weit verbreiteten COPD-App ermitteln", sagte er.

Bei der myCOPD-App handelt es sich um eine cloudbasierte interaktive App, die von Patienten und Klinikern entwickelt wurde und im nationalen Gesundheitsdienst des Vereinigten Königreichs genutzt werden kann. Sie wurde 2016 eingeführt und wird bisher von mehr als 15.000 COPD-Patienten genutzt, um sie bei der Bewältigung ihrer Krankheit zu unterstützen.

Die Forscher sammelten zwischen August 2017 und Dezember 2021 45.636 Datensätze von 183 Patienten. Davon waren 45.007 Datensätze von stabilen Erkrankungen und 629 von Exazerbationen. Exazerbationsvorhersagen wurden ein bis acht Tage vor einem selbstberichteten Exazerbationsereignis erstellt. Herr Glyde und seine Kollegen verwendeten diese Daten, um KI-Modelle auf 70% der Daten zu trainieren und auf 30% zu testen.

Bei den Patienten handelte es sich um "High-Engager", die die App über Monate oder sogar Jahre hinweg wöchentlich nutzten, um ihre Symptome und andere Gesundheitsinformationen aufzuzeichnen, Medikamente zu erfassen, Erinnerungen einzustellen und Zugang zu aktuellen Gesundheits- und Lebensstilinformationen zu erhalten. Die Ärzte können die Daten über ein klinisches Dashboard auswerten und so die Aufsicht, das Co-Management und die Fernüberwachung übernehmen.

"Das jüngste von uns entwickelte KI-Modell hat eine Sensitivität von 32% und eine Spezifität von 95%. Das bedeutet, dass das Modell sehr gut in der Lage ist, Patienten mitzuteilen, wenn sie nicht kurz vor einer Exazerbation stehen, was ihnen helfen kann, unnötige Behandlungen zu vermeiden. Weniger gut ist es in der Lage, ihnen zu sagen, wann eine Exazerbation droht. Dies zu verbessern, wird der Schwerpunkt der nächsten Phase unserer Forschung sein", sagte Herr Glyde.

Dr. James Dodd, außerordentlicher Professor für Atemwegsmedizin an der Universität Bristol und Leiter des Projekts, sagte vor dem Kongress: "Unseres Wissens ist diese Studie die erste ihrer Art, die reale Daten von COPD-Patienten modelliert, die aus einer weit verbreiteten therapeutischen App gewonnen wurden. Die aus dieser Studie hervorgegangenen Modelle zur Vorhersage von Exazerbationen haben daher das Potenzial, nach weiteren Sicherheits- und Wirksamkeitstests bei Tausenden von COPD-Patienten eingesetzt zu werden. Dies würde den Patienten mehr Autonomie und Kontrolle über ihre Gesundheit ermöglichen. Dies ist auch ein großer Vorteil für ihre Ärzte, da ein solches System wahrscheinlich die Abhängigkeit der Patienten von der Primärversorgung verringern würde. Darüber hinaus könnten durch ein besseres Management von Exazerbationen Krankenhausaufenthalte vermieden und die Belastung des Gesundheitssystems verringert werden. Weitere Studien sind erforderlich, um herauszufinden, welches Maß an Genauigkeit für die Patienten akzeptabel ist und wie ein Warnsystem für Exazerbationen in der Praxis funktionieren würde. Die Einführung von Sensortechnologien könnte die Überwachung weiter verbessern und die Vorhersagekraft der Modelle erhöhen.

Eine der Einschränkungen der Studie ist die geringe Zahl der häufigen Nutzer der App. Das derzeitige Modell verlangt von den Patienten, dass sie die Ergebnisse eines COPD-Bewertungstests eingeben, ihr Medikamententagebuch ausfüllen und dann genau Tage später melden, dass sie eine Exazerbation haben. In der Regel können nur Patienten, die sich intensiv mit der App beschäftigen und sie täglich oder wöchentlich nutzen, die für die KI-Modellierung erforderliche Datenmenge liefern. Da es außerdem deutlich mehr Tage gibt, an denen die Nutzer stabil sind, als an denen sie eine Exazerbation haben, besteht ein erhebliches Ungleichgewicht zwischen den verfügbaren Daten über Exazerbationen und Nicht-Exazerbationen. Dies führt zu weiteren Schwierigkeiten bei der korrekten Vorhersage von Ereignissen durch die Modelle, nachdem sie mit diesen unausgewogenen Daten trainiert wurden.

"Bei einer kürzlich durchgeführten Partnerschaft zwischen Patienten, Klinikern und Pflegern zur Festlegung von Forschungsprioritäten im Bereich COPD wurde festgestellt, dass die Frage, wie Exazerbationen besser verhindert werden können, den höchsten Stellenwert hat. Wir haben uns auf diese Frage konzentriert und werden bei der Entwicklung und Umsetzung des Systems eng mit den Patienten zusammenarbeiten", so Glyde abschließend.

Der Vorsitzende des ERS-Wissenschaftsrats, Professor Chris Brightling, ist leitender Forscher des National Institute for Health and Care Research (NIHR) an der Universität Leicester, UK, und war nicht an der Forschung beteiligt. Er kommentierte: "Diese beiden Studien zeigen das Potenzial von künstlicher Intelligenz und Apps auf Mobiltelefonen und anderen digitalen Geräten, um die Behandlung von Krankheiten zu verbessern. Wenn mehr Daten für das Training dieser Modelle der künstlichen Intelligenz zur Verfügung stehen, einschließlich geeigneter Kontrollgruppen, sowie die Validierung in mehreren Studien, wird sich ihre Genauigkeit und Zuverlässigkeit verbessern. Die digitale Gesundheit unter Verwendung von KI-Modellen stellt eine aufregende Gelegenheit dar und wird wahrscheinlich die künftige Gesundheitsversorgung beeinflussen."