Une application pour téléphone portable détecte avec précision l'infection par le COVID-19 dans la voix des personnes grâce à l'intelligence artificielle.

Le modèle d'IA utilisé dans cette recherche est plus précis que les tests à flux latéral/antigène 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 chers et/ou difficiles à distribuer.

Mme Wafaa Aljbawi, 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 dans 89 % des cas, alors que la précision des tests à flux latéral variait considérablement selon la marque. En outre, les tests de flux latéraux étaient considérablement moins précis pour détecter l'infection par le COVID chez les personnes qui ne présentaient aucun symptôme.

"Ces résultats prometteurs suggèrent que de simples enregistrements vocaux et des algorithmes d'IA affinés peuvent potentiellement atteindre une grande précision pour déterminer quels patients sont infectés par le COVID-19", a-t-elle déclaré. "De tels tests peuvent être fournis gratuitement et sont simples à interpréter. De plus, ils permettent de réaliser des tests à distance, virtuels, et ont un délai d'exécution de moins d'une minute. Ils pourraient être utilisés, par exemple, aux points d'entrée de grands rassemblements, permettant un dépistage rapide de la population."

L'infection par le COVID-19 affecte généralement les voies respiratoires supérieures et les cordes vocales, entraînant des modifications de la voix d'une personne. Mme Aljbawi et ses superviseurs, le Dr Sami Simons, pneumologue au centre médical universitaire de Maastricht, et le Dr Visara Urovi, également de l'Institut des sciences des données, ont décidé d'étudier s'il était possible d'utiliser l'IA pour analyser les voix afin de détecter le COVID-19.

Ils ont utilisé les données de l'application COVID-19 Sounds de l'Université de Cambridge, qui contient 893 échantillons audio provenant de 4 352 participants sains et non sains, dont 308 avaient été testés positifs au COVID-19. L'application est installée sur le téléphone portable de l'utilisateur. Les participants fournissent quelques informations de base sur leurs données démographiques, leurs antécédents médicaux et leur statut de fumeur, puis il leur est demandé d'enregistrer certains sons respiratoires. Ils doivent ensuite enregistrer certains sons respiratoires, notamment 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 de la voix appelée analyse du spectrogramme de Mel, qui permet d'identifier différentes caractéristiques de la voix telles que l'intensité sonore, la puissance et la variation dans le temps.

"De cette manière, nous pouvons décomposer les nombreuses propriétés de la voix des participants", a déclaré Mme Aljbawi. "Afin de distinguer la voix des patients COVID-19 de celle des personnes qui n'étaient pas atteintes de la maladie, nous avons construit différents modèles d'intelligence artificielle et évalué celui qui fonctionnait le mieux pour classer les cas de COVID-19."

Ils ont découvert qu'un modèle appelé mémoire à long terme (LSTM) était plus performant que les autres. Le modèle LSTM est basé sur les réseaux neuronaux, qui imitent le fonctionnement du cerveau humain et reconnaissent les relations sous-jacentes dans les données. Il fonctionne avec des séquences, ce qui le rend adapté à la modélisation de signaux collectés au fil du temps, comme ceux de la voix, 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 (le taux de vrais positifs ou "sensibilité") était de 89%, et sa capacité à identifier correctement les cas négatifs (le 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 tests de pointe tels que le test de flux latéral", a déclaré Mme Aljbawi. "Le test du flux latéral a une sensibilité de seulement 56%, mais un taux de spécificité plus élevé de 99,5%. Ce résultat est important car il signifie que le test de flux latéral classe à tort les personnes infectées comme négatives au COVID-19 plus souvent que notre test. En d'autres termes, avec le modèle LSTM d'IA, nous pourrions manquer 11 cas sur 100 qui continueraient à propager l'infection, tandis que le test de flux latéral manquerait 44 cas sur 100.

"La spécificité élevée du test de flux latéral signifie que seule une personne sur 100 serait informée à tort qu'elle est positive au COVID-19 alors qu'elle n'est en fait pas infectée, alors que le test LSTM diagnostiquerait à tort 17 personnes non infectées comme positives. Cependant, comme ce test est pratiquement gratuit, il est possible d'inviter les personnes à subir un test PCR si les tests LSTM montrent qu'elles sont positives."

Les chercheurs précisent que leurs résultats doivent être validés sur de grands nombres. Depuis le début de ce projet, 53 449 échantillons audio provenant de 36 116 participants ont maintenant été collectés et peuvent être utilisés pour améliorer et valider la précision du modèle. Ils procèdent également à une analyse plus approfondie pour comprendre quels paramètres de la voix influencent le modèle d'IA.

Dans une deuxième étude, M. Henry Glyde, doctorant à la faculté d'ingénierie de l'université de Bristol, a montré que l'IA pouvait être exploitée via une application appelée myCOPD pour prédire quand les patients atteints de bronchopneumopathie chronique obstructive (BPCO) pourraient souffrir d'une poussée de leur maladie, parfois appelée exacerbation aiguë. Les exacerbations de la BPCO peuvent être très graves et sont associées à un risque accru d'hospitalisation. Les symptômes comprennent l'essoufflement, la toux et la production de flegme (mucus).

"Les exacerbations aiguës de la BPCO ont de mauvais résultats. Nous savons que l'identification et le traitement précoces des exacerbations peuvent améliorer ces résultats et nous avons donc voulu déterminer la capacité prédictive d'une application BPCO largement utilisée", a-t-il déclaré.

L'appli myCOPD est une appli interactive basée sur le cloud, développée par des patients et des cliniciens et disponible pour être utilisée dans le service national de santé du Royaume-Uni. Elle a été créée en 2016 et, à ce jour, plus de 15 000 patients atteints de BPCO l'utilisent pour les aider à gérer leur maladie.

Les chercheurs ont collecté 45 636 dossiers pour 183 patients entre août 2017 et décembre 2021. Parmi ceux-ci, 45 007 étaient des enregistrements de maladie stable et 629 étaient des exacerbations. Les prédictions d'exacerbation ont été générées un à huit jours avant un événement d'exacerbation auto-déclaré. M. Glyde 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 des "utilisateurs assidus", qui avaient utilisé l'application chaque semaine pendant des mois, voire des années, pour enregistrer leurs symptômes et d'autres informations sur leur santé, enregistrer leurs médicaments, programmer des rappels et avoir accès à des informations actualisées sur leur santé et leur mode de vie. Les médecins peuvent évaluer les données via un tableau de bord clinique, ce qui leur permet d'assurer la supervision, la cogestion et le suivi à distance.

"Le modèle d'IA le plus récent que nous avons développé a une sensibilité de 32 % et une spécificité de 95 %. Cela signifie que le modèle est très bon pour dire aux patients quand ils ne sont pas sur le point de subir une exacerbation, ce qui peut les aider à éviter un traitement inutile. Il est en revanche moins performant pour les prévenir lorsqu'ils sont sur le point d'en subir une. La prochaine phase de notre recherche portera sur l'amélioration de cet aspect", a déclaré M. Glyde.

S'exprimant avant le congrès, le Dr James Dodd, professeur associé en médecine respiratoire à l'université de Bristol et responsable du projet, a déclaré : "À notre connaissance, cette étude est la seule à avoir été menée dans le monde entier : "À notre connaissance, cette étude est la première du genre à modéliser des données réelles de patients atteints de BPCO, extraites d'une application thérapeutique largement déployée. Par conséquent, les modèles de prédiction des exacerbations générés par cette étude pourraient être déployés auprès de milliers d'autres patients atteints de BPCO après d'autres tests de sécurité et d'efficacité. Cela permettrait aux patients d'avoir plus d'autonomie et de contrôle sur leur santé. C'est également un avantage significatif pour leurs médecins, car un tel système réduirait probablement la dépendance des patients vis-à-vis des soins primaires. En outre, une meilleure gestion des exacerbations pourrait éviter une hospitalisation et alléger la charge du système de santé. Des études supplémentaires sont nécessaires sur l'engagement des patients afin de déterminer le niveau de précision acceptable et la manière dont un système d'alerte d'exacerbation fonctionnerait en pratique. L'introduction de technologies de détection pourrait renforcer la surveillance et améliorer les performances prédictives des modèles."

L'une des limites de l'étude est le petit nombre d'utilisateurs fréquents de l'application. Le modèle actuel exige d'un patient qu'il saisisse un score au test d'évaluation de la BPCO, qu'il remplisse son journal de médication, puis qu'il signale qu'il a une exacerbation quelques jours plus tard. En général, seuls les patients qui sont très engagés dans l'application, l'utilisant quotidiennement ou hebdomadairement, peuvent fournir la quantité de données nécessaires à la modélisation de l'IA. En outre, comme les jours où les utilisateurs sont stables sont beaucoup plus nombreux que ceux où ils présentent une exacerbation, il existe un déséquilibre important entre les données disponibles sur les exacerbations et les autres. Il est donc encore plus difficile pour les modèles de prédire correctement les événements après avoir été formés sur ces données déséquilibrées.

"Un récent partenariat entre patients, cliniciens et soignants visant à définir les priorités de la recherche sur la BPCO a révélé que la question la mieux notée était de trouver de meilleurs moyens de prévenir les exacerbations. Nous nous sommes concentrés sur cette question ,et nous travaillerons en étroite collaboration avec les patients pour concevoir et mettre en œuvre le système", a conclu M. Glyde.

Le président du Conseil scientifique de l'ERS, le professeur Chris Brightling, est chercheur principal du National Institute for Health and Care Research (NIHR) à l'université de Leicester, au Royaume-Uni, et n'a pas participé à la recherche. Il a commenté : "Ces deux études montrent le potentiel de l'intelligence artificielle et des applications sur les téléphones mobiles et autres appareils numériques pour faire la différence dans la façon dont les maladies sont gérées. La disponibilité d'un plus grand nombre de données pour l'entraînement de ces modèles d'intelligence artificielle, y compris des groupes de contrôle appropriés, ainsi que la validation dans de multiples études, amélioreront leur précision et leur 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 futurs."