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.

Eerste ervaringen met endobronchiaal ventiel met een nieuwe maat

mei 2019 | COPD

Lees meer over Eerste ervaringen met endobronchiaal ventiel met een nieuwe maat

Effect van tripeltherapie is niet afhankelijk van innametijdstip

mei 2019 | Astma

Lees meer over Effect van tripeltherapie is niet afhankelijk van innametijdstip

Minder ‘S. aureus’-gerelateerde pneumonie met suvratoxumab, hoewel niet significant

mei 2019 | Pneumonie

Lees meer over Minder ‘S. aureus’-gerelateerde pneumonie met suvratoxumab, hoewel niet significant

Eerste studie naar nieuwe ‘stoppen met roken’-app

mei 2019 | COPD

Lees meer over Eerste studie naar nieuwe ‘stoppen met roken’-app

Aanhoudende kweekconversie bij refractaire ‘M. avium’ met amikacine-formularium

mei 2019 | Pneumonie

Lees meer over Aanhoudende kweekconversie bij refractaire ‘M. avium’ met amikacine-formularium

Dupilumab verbetert uitkomsten bij ernstige rhinosinusitis met neuspoliepen

mei 2019 | Astma

Lees meer over Dupilumab verbetert uitkomsten bij ernstige rhinosinusitis met neuspoliepen

Pulmonale hypertensie is in niet-verwijscentra vaker postcapillair

mei 2019 | Pulmonale hypertensie

Lees meer over Pulmonale hypertensie is in niet-verwijscentra vaker postcapillair

Meeste patiënten zijn zeer tevreden een jaar na longvolumereductie

mei 2019 | COPD

Lees meer over Meeste patiënten zijn zeer tevreden een jaar na longvolumereductie

Kwaliteit van leven van IPF-patiënten verbetert bij behandeling met nintedanib

mei 2019 | ILD

Lees meer over Kwaliteit van leven van IPF-patiënten verbetert bij behandeling met nintedanib