طراحی اپلیکیشنی برای تشخیص ALS


در این مصاحبه، ما با دکتر جردن گرین از موسسه MGH در مورد آخرین همکاری تحقیقاتی او با Modality.AI صحبت می کنیم که بررسی می کند آیا می توان از یک برنامه برای تشخیص موثر کاهش گفتار به دلیل ALS استفاده کرد یا خیر.

لطفاً می‌توانید خودتان را معرفی کنید و به ما بگویید چه چیزی الهام‌بخش تحقیقات شما در مورد اسکلروز جانبی آمیوتروفیک (ALS) بوده است؟

من مشاور ارشد علمی، استاد علوم توانبخشی، و مدیر آزمایشگاه اختلالات گفتار و تغذیه در موسسه حرفه های بهداشت MGH در بوستون، ماساچوست هستم. من یک آسیب شناس گفتار-زبان و محقق مشتاق هستم که در طول عمر در مورد اختلالات گفتار و بلع مطالعه می کنم.

همانطور که در حال مطالعه توسعه کنترل حرکتی برای گفتار در کودکان و توسعه فناوری های مبتنی بر کامپیوتر برای تعیین کمیت آن گفتار بودم، شروع به تعامل با پزشکانی کردم که کلینیک های ALS را اداره می کردند. آنها نیاز به فناوری مشابه آنچه من برای اندازه گیری بهتر گفتار و بلع در بزرگسالان مبتلا به ALS استفاده می کردم، ابراز کردند. آنها فن‌آوری‌ها و تکنیک‌های مناسبی برای اندازه‌گیری حرکات اندام و راه رفتن داشتند، اما برای اندازه‌گیری و ارزیابی سیستم گفتار تلاش کردند، زیرا ماهیچه‌ها بسیار کوچک و نسبتاً غیرقابل دسترس هستند و حرکات گفتاری بسیار سریع و دقیق هستند. این نوع اندازه گیری به طور سنتی به تخصص قابل توجهی نیاز داشت و آنها به اقدامات عینی تری نیاز داشتند. از آنجا، من شروع به کار بر روی توسعه ابزارهای ارزیابی مبتنی بر کامپیوتر برای ALS کردم.

اسکلروز جانبی آمیوتروفیک

اعتبار تصویر: Kateryna Kon/Shutterstock.com

در حال حاضر، تشخیص ALS ممکن است تا 18 ماه طول بکشد، و با رسیدن این بیماری، درمان‌های دارویی به دلیل از بین رفتن نورون‌های حرکتی دیگر موثر نیستند. بنابراین، چرا شناسایی زودتر ALS در بیماران حیاتی است؟

تشخیص زودهنگام برای بیماری مانند ALS ضروری است. فقط 15 درصد از افرادی که به ALS مبتلا می شوند دارای یک نشانگر ژنتیکی هستند که ما می توانیم آن را شناسایی کنیم، بنابراین بسیار مهم است که روش های عینی برای پزشکان وجود داشته باشد تا این وضعیت را در اسرع وقت و به دقت ارزیابی کنند. از آنجایی که یک چهارم بیماران ALS به عنوان اولین علامت اختلال گفتاری دارند، نظارت بر تغییرات ظریف می تواند به عنوان یک سیستم هشدار اولیه عمل کند.

با پیشرفت ALS، نورون های حرکتی مسئول گفتار، بلع، تنفس و راه رفتن می توانند به سرعت بدتر شوند، اما اگر بیماری در مراحل اولیه تشخیص داده شود، در حالی که نورون های حرکتی هنوز دست نخورده هستند، احتمالاً مزایای مداخلات به حداکثر می رسد. فناوری‌های مناسب، مانند این، می‌توانند تغییرات را در بیماران با دقت بیشتری تشخیص دهند و در نهایت نظارت بهتر بر پیشرفت بیماری را تسهیل کنند.

شما در حال حاضر درگیر مطالعه ای برای آزمایش اثربخشی یک برنامه سلامت دیجیتال برای ALS هستید. آیا می توانید در مورد این مطالعه و اهداف آن بیشتر توضیح دهید؟

مؤسسه ملی بهداشت (NIH) به تیم من، همراه با توسعه‌دهنده برنامه Modality.AI، کمک مالی اعطا کرد تا تعیین کند آیا داده‌های جمع‌آوری‌شده از گفتار از یک برنامه به اندازه مشاهدات کارشناسان بالینی که ارزیابی و درمان می‌کنند مؤثر یا مؤثرتر است. مشکلات گفتاری و بلع ناشی از ALS.

داده‌های جمع‌آوری‌شده از برنامه با نتایج به‌دست‌آمده از تکنیک‌های آزمایشگاهی پیشرفته مورد استفاده برای اندازه‌گیری گفتار که استفاده از آن‌ها پرهزینه و پیچیده است، مقایسه می‌شود. اگر نتایج با نتایج پزشکان و تجهیزات پیشرفته آنها مطابقت داشته باشد، می دانیم که آنها رویکرد معتبری دارند.

برنامه Modality.AI

اعتبار تصویر: Modality.AI

خود برنامه دارای یک نماینده مجازی به نام تینا است. چگونه این عامل مجازی می تواند اطلاعات داده های گفتاری را به دست آورد؟

استفاده از برنامه به سادگی کلیک روی یک لینک است. بیمار یک ایمیل یا پیام متنی دریافت می کند که نشان می دهد زمان ایجاد یک ضبط فرا رسیده است. با کلیک کردن روی یک پیوند، دوربین و میکروفون فعال می‌شوند و تینا، عامل مجازی هوش مصنوعی شروع به ارائه دستورالعمل‌ها می‌کند. سپس از بیمار خواسته می شود که اعداد را بشمارد، جملات را تکرار کند و مثلاً یک پاراگراف را بخواند. در تمام این مدت، برنامه در حال جمع‌آوری داده‌ها برای اندازه‌گیری متغیرهایی از سیگنال‌های ویدیویی و صوتی است، مانند سرعت حرکات لب و فک، سرعت صحبت کردن، تغییرات زیر و بمی و الگوهای مکث.

تینا اطلاعات مربوط به آکوستیک گفتار و حرکات گفتار را رمزگشایی می‌کند که به‌طور خودکار از ضبط‌های ویدیویی تمام‌صورت به‌دست‌آمده در طول ارزیابی استخراج می‌شود. فن‌آوری‌های بینایی رایانه‌ای – مانند ردیابی چهره – روشی غیرتهاجمی برای ثبت و محاسبه دقیق ویژگی‌ها از مقادیر زیادی داده از حرکات صورت در حین گفتار ارائه می‌کنند.

این اپلیکیشن سلامتی می تواند چه اطلاعاتی را در اختیار بیماران قرار دهد؟ در دسترس بودن همه این اطلاعات برای بیماران چه مزایایی دارد؟

تغییرات در گفتار با ALS رایج است، اما سرعت پیشرفت ALS از فردی به فرد دیگر متفاوت است. بیماران کاهش توانایی صحبت کردن را از بدترین عوارض این بیماری گزارش می کنند. این برنامه به بیماران امکان می دهد پیشرفت گفتار خود را از راه دور مستند کنند. ارائه دهندگان خدمات از این اطلاعات برای کمک به بیماران و خانواده هایشان در تصمیم گیری آگاهانه در طول دوره بیماری استفاده خواهند کرد.

ما به عنوان آسیب شناسان گفتار و زبان، می خواهیم ارتباطات را تا زمانی که ممکن است بهینه کنیم. و آموزش به بیماران برای استفاده از روش‌های ارتباطی جایگزین مؤثرتر از انتظار برای از دست دادن توانایی صحبت کردن است. علاوه بر این، تایید زودهنگام تشخیص به بیماران زمان کافی برای شروع پیام و بانکداری صدا می دهد تا از صدای خود در دستگاه تبدیل متن به گفتار (TTS) یا تولید گفتار (SGD) استفاده شود. مزایای دیگری برای بیماران وجود دارد، از جمله کاهش هزینه ها و حذف نیاز بیماران به مراجعه به کلینیک ها برای ارزیابی گفتار.

در نهایت، این برنامه عموماً فقط برای چند دقیقه در هفته نیاز به درگیر شدن با بیمار دارد، بنابراین در زمان و هزینه صرفه‌جویی می‌شود و انرژی کمتری نسبت به معاینه بالینی و زمان و تأخیرهای مربوط به هماهنگی یک قرار ملاقات و سفر به یک مرکز مراقبت‌های بهداشتی نیاز دارد. عدم تشخیص زودهنگام و اقدامات عینی دو موضوعی است که مانع پیشرفت درمان شده است. تشخیص زودهنگام در یک بیماری به سرعت در حال پیشرفت حیاتی است.

علاوه بر مزایایی که برای بیماران ارائه می دهد، چه مزایایی می تواند برای ارائه دهندگان مراقبت های بهداشتی ارائه دهد؟

این برنامه به پزشکان اجازه می‌دهد تا از راه دور به داده‌های بیمار خود دسترسی داشته باشند و به خودی خود پیشرفت گفتار را پیگیری می‌کند و به ارائه‌دهنده اجازه می‌دهد بدون نیاز به بازدیدهای مکرر حضوری، گفتار را مدیریت و نظارت کند. این سطح دسترسی به پزشکان اجازه می دهد تا بیماران را به طور منظم تری تحت نظر داشته باشند، نتایج دقیق تری در مورد درمان بگیرند و بهترین برنامه مراقبتی ممکن را تعیین کنند. این کار کل فرآیند را ساده‌تر می‌کند و بار را از دوش بیمار و ارائه‌دهنده برداشته و در عین حال استفاده از منابع برای خدمات بالینی را کاهش می‌دهد. افزایش دقت و کارایی این برنامه همچنین برای دانشمندان بالینی و شرکت‌هایی که از الگوهای گفتاری به عنوان معیارهای نتیجه در آزمایش‌های دارویی ALS استفاده می‌کنند جذاب خواهد بود.

در این مطالعه، شما به شرکت فناوری Modality.AI پیوستید. این نوع همکاری ها چقدر در ورود ایده ها و فناوری های جدید علمی به جهان اهمیت دارد؟

من از فرصت استفاده کردم تا با Modality.AI کار کنم. اعضای تیم دارای تاریخچه منحصر به فرد و گسترده ای از توسعه برنامه های گفتاری هوش مصنوعی و علاقه تجاری به پیاده سازی این فناوری در مراقبت های بهداشتی و آزمایش های بالینی هستند. فن‌آوری‌های جدید به‌ویژه زمانی که یک نهاد تجاری از آنها پشتیبانی نمی‌کند، در معرض خطر شکست قرار دارند، بنابراین این رابطه برای اهداف کلی ما برای مطالعه بسیار مهم بود.

من پیش‌بینی می‌کنم که این نوع همکاری‌ها در فضای فناوری سلامت محبوبیت بیشتری پیدا کنند و تأثیر فزاینده‌ای بر مطالعاتی مانند این خواهند داشت.

هوش مصنوعی در بهداشت و درمان

اعتبار تصویر: elenabsl/Shutterstock.com

هوش مصنوعی (AI) در سال‌های اخیر افزایش زیادی در پذیرش خود داشته است. چرا چنین است، و آیا معتقدید که ما همچنان شاهد تبدیل شدن هوش مصنوعی به یک جنبه جدایی ناپذیر از مراقبت های بهداشتی خواهیم بود؟

هوش مصنوعی نقش بسیار مهمی در شناسایی شرایطی ایفا می کند که درک آن برای ذهن انسان ما دشوار است زیرا اکثر مشکلات سلامتی چند بعدی و بسیار پیچیده هستند و اغلب بر چندین قسمت بدن و علائم مختلفی تأثیر می گذارند که در طول زمان تغییر می کنند.

یادگیری ماشینی یک راه حل عالی برای تشخیص و نظارت بر برخی شرایط سلامتی است زیرا داده های زیادی برای دریافت وجود دارد. این ماشین ها می توانند این داده ها را پردازش کرده و الگوهایی را به گونه ای تعریف کنند که چشم و گوش انسان قادر به تشخیص آن به همان میزان نباشد. دقت.

استفاده از هوش مصنوعی و یادگیری ماشینی در این راه نیز چالشی را به همراه خواهد داشت. برای اینکه این مدل‌ها دقیق باشند و به روشی که ما می‌خواهیم به درستی کار کنند، باید آموزش ببینند. به دست آوردن داده های آموزشی مورد نیاز برای دقیق ساختن این مدل ها کار دشواری خواهد بود. به عنوان مثال، برای آموزش یک ماشین برای ارزیابی دقیق، ممکن است صدها یا هزاران مثال از یک شرایط خاص مورد نیاز باشد تا الگوریتم روی آن آموزش داده شود و آن را “یاد بگیرد”. برای این منظور، این داده ها باید جمع آوری و سپس با دقت زیادی انتخاب شوند. این کمبود داده ثابت می کند که یک گلوگاه است.

در حالی که هوش مصنوعی در زمینه پزشکی بسیار ارزشمند است، جایگزین پزشکان نخواهد شد. پزشکان انسانی مراقبت شخصی بی نظیر، تصمیم گیری و حمایت فراگیر از بیمار را ارائه می دهند و قابل جایگزینی نیستند.

آینده شما و مطالعه شما چیست؟

در حال حاضر، چند گروه حامی بیمار در حال اجرای آزمایشی این اپلیکیشن هستند و آن را در اختیار بیماران قرار می دهند. بر اساس ساختار کمک مالی که از NIH دریافت کردیم، به کار بر روی برنامه ادامه خواهیم داد تا در طول سه سال آینده معیارهای تعیین شده را برای ادامه چرخه کمک هزینه برآورده کنیم. فاز اول یک سال و فاز دوم دو سال طول خواهد کشید.

درباره دکتر جردن گرین

دکتر گرین که از سال 2013 در موسسه MGH کار می کند، آسیب شناس گفتار-زبان است که جنبه های بیولوژیکی تولید گفتار را مطالعه می کند. او دوره های تحصیلات تکمیلی فیزیولوژی گفتار و مبانی عصبی گفتار، زبان و شنوایی را تدریس می کند. او به عنوان مشاور علمی ارشد در بخش تحقیقات IHP، با معاون پژوهشی در زمینه‌های استخدام، برنامه‌ریزی استراتژیک و انواع پروژه‌های ویژه کار می‌کند. او همچنین به عنوان مدیر آزمایشگاه اختلالات گفتار و تغذیه (SFDL) در مؤسسه خدمت می کند. او به عنوان اولین استاد Matina Souretis Horner در علوم توانبخشی منصوب شده است. تحقیقات او بر اختلالات تولید گفتار، رشد مهارت‌های حرکتی برای گفتار و تغذیه اولیه، و کمی کردن عملکرد حرکتی گفتار متمرکز است. تحقیقات وی در مجلات داخلی و بین المللی از جمله به چاپ رسیده است رشد کودک، مجله فیزیولوژی عصبی، مجله تحقیقات گفتار و شنوایی، و مجله انجمن آکوستیک آمریکا. او در چندین پانل بررسی کمک هزینه در مؤسسه ملی بهداشت خدمت کرده است. در سال 2012، او به عنوان عضو انجمن گفتار-زبان-شنوایی آمریکا منصوب شد و در سال 2015، دکتر گرین جایزه ویلارد آر.زملین در علم گفتار را دریافت کرد.دکتر جردن گرین

کار او از سال 2000 توسط مؤسسه ملی بهداشت (NIH) تأمین مالی شده است. او با بیش از 100 نشریه با داوری همتایان، مشارکت کننده پرکار مجلات مهمی است. او آثار خود را در سطح بین المللی و ملی ارائه کرده است. او مشاور چندین دانشجوی دکتری IHP است، ده دکترا را هدایت کرده است. پایان نامه ها و سرپرستی یازده همکار فوق دکتری را بر عهده داشته است. او همچنین مشاور تحریریه مجلات متعددی است و در چندین پانل بررسی کمک هزینه NIH خدمت کرده است.



منبع