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.

Antifibrotische therapie laat sterfterisico dalen

okt 2019 | ILD

Lees meer over Antifibrotische therapie laat sterfterisico dalen

Spirometrietests in eerste lijn uitstekend, al voldoen ze zelden aan ATS/ERS-criteria

okt 2019

Lees meer over Spirometrietests in eerste lijn uitstekend, al voldoen ze zelden aan ATS/ERS-criteria

Tiotropium/olodaterol Respimat verbetert fysiek functioneren in real-life

okt 2019 | COPD

Lees meer over Tiotropium/olodaterol Respimat verbetert fysiek functioneren in real-life

Nauwkeurige meting longfunctie met het ‘smart shirt’

sep 2019 | COPD

Lees meer over Nauwkeurige meting longfunctie met het ‘smart shirt’

Vrachtwagenchauffeurs hebben vaak slaapgerelateerde ademhalingsstoornissen

sep 2019

Lees meer over Vrachtwagenchauffeurs hebben vaak slaapgerelateerde ademhalingsstoornissen

Geen verschil in effectiviteit van nintedanib tussen jonge en oudere IPF-patiënt

sep 2019 | ILD

Lees meer over Geen verschil in effectiviteit van nintedanib tussen jonge en oudere IPF-patiënt

Verhoogde babysterfte door luchtvervuiling

sep 2019

Lees meer over Verhoogde babysterfte door luchtvervuiling

Mepolizumab vermindert gebruik systemische glucocorticoïden aanzienlijk

sep 2019 | Astma

Lees meer over Mepolizumab vermindert gebruik systemische glucocorticoïden aanzienlijk

Tumor mutational burden niet geassocieerd met effect pembrolizumab

sep 2019 | Immuuntherapie, Longoncologie

Lees meer over Tumor mutational burden niet geassocieerd met effect pembrolizumab