Algoritme detecteert COVID-19 op basis van stemgeluid

Delen via:
ERS 2022

Onderzoekers van de Universiteit Maastricht hebben een deep-learning algoritme ontwikkeld waarmee zij, op basis van stemgeluid, kunnen voorspellen of iemand COVID-19 heeft. Het algoritme is eenvoudig te gebruiken via een app op de smartphone. In de studiedata voorspelde het algoritme in 89% van de gevallen correct of er sprake was van een SARS-CoV-2-infectie.

Vanwege de omvang van de COVID-19-pandemie is er grote behoefte aan een goedkope, niet-invasieve en schaalbare oplossing om COVID-19-infecties te detecteren. Stemgeluid is een van de mogelijke manieren om dit te doen. Dit komt doordat een SARS-CoV-2-infectie doorgaans de bovenste luchtwegen en stembanden beïnvloedt, wat leidt tot een verandering in het stemgeluid.

De onderzoekers gebruikten geluidsopnamen uit een dataset van de Universiteit van Cambridge. De geluidsopnames werden verzameld met behulp van een app: de COVID-19 Sounds app (covid-19-sounds.org). Deelnemers lazen drie keer een korte zin voor die werd opgenomen met de app: “I hope my data can help to manage the virus pandemic.” Daarnaast vulden zij achtergrondinformatie in over hun demografische kenmerken, gezondheid, rookgedrag, symptomen van COVID-19 en testresultaten, en eventuele ziekenhuisopname in verband met COVID-19.

In totaal analyseerden de onderzoekers 893 geluidsopnames waarvan 308 opnames van personen met een positieve COVID-19-test. Zij analyseerden de opnames met een Mel Spectogram, dat kenmerken van geluid visueel weergeeft, waarna zij met behulp van een deep-learning algoritme verschillende modellen ontwikkelden om COVID-19 mee te detecteren. Het zogenaamde Long-Short Term Memory (LSTM) model, dat is gebaseerd op neurale netwerken, werkte het beste. Het kan kleine veranderingen in de stem van mensen met een COVID-19-infectie opsporen. De sensitiviteit van het model is hoger dan dat van een antigeentest (89 versus 56,2%), de specificiteit is lager (83 versus 99,5%). In 89% van de gevallen voorspelde het model correct of iemand COVID-19 had (accuracy). Het model kan mogelijk bijdragen aan een snelle diagnose van COVID-19. De onderzoekers willen hun resultaten nog valideren op een grotere dataset.

Bron:

Aljbawi W, Simons S, Urovi V. Developing a multivariate prediction model for the detection of COVID-19 from crowd-sourced respiratory voice data. ERS 2022. Oral presentation OA1626.

Ensitrelvir eerste orale antivirale middel dat COVID-19 voorkomt

mrt 2025 | Virale infecties

Lees meer over Ensitrelvir eerste orale antivirale middel dat COVID-19 voorkomt

Behandeling met immuuncheckpointremmers is veilig bij mensen met hiv en kanker

nov 2024 | HIV, Immuuntherapie, Longoncologie, Virale infecties

Lees meer over Behandeling met immuuncheckpointremmers is veilig bij mensen met hiv en kanker

PRMT5-remmer AMG 193 bij solide tumoren met MTAP-deletie

sep 2024 | Longoncologie, Maag-darm-leveroncologie

Lees meer over PRMT5-remmer AMG 193 bij solide tumoren met MTAP-deletie

Het overwinnen van resistentie tegen PD-(L)1-remmers bij NSCLC

sep 2024 | Longoncologie

Lees meer over Het overwinnen van resistentie tegen PD-(L)1-remmers bij NSCLC

Kosten en waarde van immuuncheckpointremmers voor solide tumoren in Nederland

sep 2024 | Immuuntherapie

Lees meer over Kosten en waarde van immuuncheckpointremmers voor solide tumoren in Nederland

Meditatie heeft positief effect op mentale gezondheid bij COPD

sep 2024 | COPD

Lees meer over Meditatie heeft positief effect op mentale gezondheid bij COPD

Verandering in T2-biomarkers hangt niet samen met respons op tezepelumab

sep 2024 | Astma

Lees meer over Verandering in T2-biomarkers hangt niet samen met respons op tezepelumab

FRONTIER-4: Eerste signalen voor effect tozorakimab bij COPD

sep 2024 | COPD

Lees meer over FRONTIER-4: Eerste signalen voor effect tozorakimab bij COPD

Minder vermoeid na longrevalidatie in het hooggebergte

sep 2024 | Astma

Lees meer over Minder vermoeid na longrevalidatie in het hooggebergte