به گزارش سرویس اخبار فناوری و تکنولوژی تکنا، یک پژوهش نوین نشان داده است که هوش مصنوعی قادر است با تحلیل تنها ده ثانیه از صدای فرد و با دقت بالا، احتمال ابتلا به دیابت نوع ۲ را پیشبینی کند. این یافتن میتواند مسیر غربالگری اولیه این بیماری رایج را بهشکل بنیادینی تغییر دهد.
مطالعهای که توسط محققان آزمایشگاههای کلیک انجام شده، بر پایه ترکیب دادههای اولیه سلامت──مانند جنسیت، قد، وزن و سن──با ویژگیهای صوتی استخراجشده از ضبط کوتاه صدای شرکتکنندگان، تکیه دارد. مدل هوش مصنوعی طراحیشده در این پژوهش توانست ۸۹ درصد از زنان و ۸۶ درصد از مردان مبتلا به دیابت نوع ۲ را بهدرستی شناسایی نماید.
جیسی کافمن، یکی از نویسندگان اصلی مقاله علمی این تحقیق، تأکید میکند که بررسیهای اخیر تفاوتهای صوتی معنادار و قابلقياسی بین افراد سالم و افراد مبتلا به دیابت نوع ۲ را آشکار ساخته است. او میافزاید که استفاده از این روش برای غربالگری در مقیاس جامعه، مزیتهای قابلتوجهی نسبت به روشهای سنتی دارد؛ چرا که روشهای موجود نهتنها پرهزینه و وقتگیرند، بلکه نیازمند مراجعه حضوری و تجهیزات تخصصی نیز میباشند.
از منظر فنی، الگوریتمهای یادگیری عمیق بر روی طیف وسیعی از پارامترهای یکی──مانند فرکانس پایه، هارمونیکها، نویز صوتی و الگوی تلفظ──آموزش دیدهاند تا الگوهای پنهان مرتبط با تغییرات فیزیولوژیک ناشی از دیابت را استخراج نمایند. این تغییرات شامل تأثیر سطح قند خون بر بافتهای گلو و اندامهای صدا، و همچنین عوارض عصبی محيطی بر کنترل عضلات صدا، میباشند که برای شنوای انسانی قابلتشخیص نیستند، اما توسط مدلهای ریاضی پیشرفته قابلكمسازیاند.
یک زاویه تازه و کاربردی در این حوزه، امکان ادغام این فناوری در اپلیکیشنهای تلفن هوشمند و پلتفرمهای مراقبت از سلامت دیجیتال است. با توسعه رابطهای برنامهنویسی باز (API)، توارهای تشخیصی، شرکتهای بیمه و حتی کاربران عادی میتوانند بدون نیاز به تجهیزات اضافه، از طریق یک ضبط صدای کوتاه، هریسک اولیه دیابت را دریافت نمایند. این قابلیت میتواند بهویژه در مناطق کمامکان و مکانی که دسترسی به آزمایشگاههای پزشکی محدود است، نقشی حیاتی در تشخیص زودهنگام ایفا نماید.
علاوه بر مزایای تشخیصی، جنبههای اقتصادی و سیستمهای بهداشت عمومی نیز از این نوآوری بهرهمند خواهند شد. کاهش مراجعات غیرضروری به پزشکان متخصص، صرفهجویی در هزینههای آزمایشهای خون تکراری، و امکان پیگیری مداوم وضعیت متابولیک بیماران از راه دور، تنها بخشی از پیامدهای مثبت اقتصادیات سلامت این فناوری است. کارشناسان پیشبینی میکنند که با گسترش دادههای آموزشی و بهبود دقت مدلها، دقت تشخیص میتواند به بالای ۹۵ درصد برسد و این روش به ابزاری استاندارد در غربالگری اولیه تبدیل گردد.
در نگاه آیندهنگر، محققان بر توسعه مدلهای چندبیماری تمرکز دارند تا بتوانند با یک ضبط صدای واحد، علاوه بر دیابت، نشانههای اولیه بیماریهای قلبی-عروقی، تنفسی و عصبی را نیز شناسایی نمایند. این رویکرد همسو با پیشگیرانه و پزشکی دقیق است و میتواند پایههای یک انقلاب در مراقبتهای اولیه بهداشتی را بنیانگذاری نماید؛ جایی که پیشگیری، ارزانتر، سریعتر و دسترسپذیرتر از هر زمان دیگری خواهد بود.
از دیدگاه اخلاقی و حریم خصوصی، توسعهدهندگان این سیستمها بر روی معماریهای محاسبه حاشیهای تمرکز کردهاند تا پردازش سیگنال صوتی بهصورت کامل روی دستگاه کاربر انجام شود و دادههای بیومتریک حساس هرگز از تلفن هوشمند خارج نشوند. این رویکرد نهتنها با مقررات محافظت از دادههای شخصی مانند GDPR و قوانین داخلی حریم خصوصی سازگار است، بلکه اعتماد عمومی بهقبول فناوری را نیز تقویت مینماید.
مطالعات بالینی چندمرکزی در حال حاضر درکشورهای مختلف──از جمله ایران، هند، برزیل و کانادا──در جریان است تا اعتبار نمای مدل را در ات متنوع نژادی، زبانی و اجتماعی-اقتصادی بسنجند. نتایج پیشین نشان میدهد که با اضافهسازی لایههای تطبیق محیط به شبکه عصبی، افت عملکرد در لهجهها و لهجههای محلی بهصورت قابلتوجهی کاهش مییابد و دقت تشخیص در گروههای کمنماینده بالای ۸۵ درصد حفظ میگردد.
در سوئ اقتصاد نوین سلامت، شرکتهای استارتاپی مد با ارائه مدلهای کسبوکار، در حال مذاکره با تأمینکنندگان بیمه، کارفرمایان بزرگ و پلتفرمهای تلفنپزشکی هستند تا این غربالگر صوتی را بهعنوان یک ویترین دیجیتال سلامت در بستههای پیشگیرانه تعبیه نمایند. تحلیلهای اولیه هزینه- اثربخشی نشان میدهد که هر دلار سرمایهگذاری در استقرار گسترده این فناوری، میتواند تا ۱۲ دلار از هزینههای درمانی طولانیمدت دیابت و عوارض آن را صرفهجویی نماید.
از منظر آموزشی، دانشگاههای پزشکی و دانشکدههای مهندسی بهداشت در حال بازنگری برنامههای درسی هستند تا ماژولهای تشخیص مبتنی بر بیومارکرهای صوتی را در مقطع کارشناسی ارشد و دکترا گنجانند. هدف، تربیت نیروی انسانی ترکیبی است که هم درک بالینی بیماریهای متابولیک را داشته باشد و هم مهارتهای پردازش سیگنال و یادگیری ماشین را برای توسعه و اعتبارسنجی مدلهای نسل بعد د.
در جمعبندی، همگرایی هوش مصنوعی، پردازش سیگنال صوتی و پزشکی پیشگیرانه در آستانهی ایجاد یک تغییر پارادایم در مدیریت دیابت قرار دارد. با ادامه جمعآوری دادههای واقعی، بهبود مداوم دقت الگوریتمها و پذیرش گسترده توسط اکوسیستمهای سلامت دیجیتال، امکان غربالگری یکمرحلهای، غیراختراقی و تقریبا رایگان برای میلیاردها نفر در سطح جهان، از رویای دور به واقعیت ملموس تبدیل میشود؛ واقعیتی که میتواند بار بیماری، مرگومیرهای پیشازوقت و هزینههای کلان اقتصادی ناشی از دیابت را بهشکل قابلتوجهی کاهش دهد.



