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.

Sacituzumab govitecan plus pembrolizumab effectief bij gemetastaseerd NSCLC

sep 2023 | Immuuntherapie, Longoncologie

Lees meer over Sacituzumab govitecan plus pembrolizumab effectief bij gemetastaseerd NSCLC

Ifinatamab deruxtecan effectief bij uitgebreid voorbehandeld SCLC

sep 2023 | Longoncologie

Lees meer over Ifinatamab deruxtecan effectief bij uitgebreid voorbehandeld SCLC

Minder pneumonieën met intensiteitsgemoduleerde radiotherapie

sep 2023 | Longoncologie, Radiotherapie

Lees meer over Minder pneumonieën met intensiteitsgemoduleerde radiotherapie

Nieuwe informatie over toevoegen perioperatief durvalumab bij resectabel NSCLC

sep 2023 | Immuuntherapie, Longoncologie

Lees meer over Nieuwe informatie over toevoegen perioperatief durvalumab bij resectabel NSCLC

Reproductieve factoren gerelateerd aan longkankerrisico bij vrouwen

sep 2023 | Longoncologie

Lees meer over Reproductieve factoren gerelateerd aan longkankerrisico bij vrouwen

Kleur van het sputum voorspelt prognose bij bronchiëctasieën

sep 2023

Lees meer over Kleur van het sputum voorspelt prognose bij bronchiëctasieën

Longtransplantaat minder vaak afgestoten bij gebruik van tacrolimus

sep 2023

Lees meer over Longtransplantaat minder vaak afgestoten bij gebruik van tacrolimus

Geen additioneel effect van longrevalidatie bij longventielen

sep 2023 | COPD

Lees meer over Geen additioneel effect van longrevalidatie bij longventielen

Samenwerking tussen ziekenhuizen verbetert zorg voor longfibrosepatiënt

sep 2023 | ILD

Lees meer over Samenwerking tussen ziekenhuizen verbetert zorg voor longfibrosepatiënt