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.

Gebruik biological bij CRS vermindert aantal aanvullende interventies

jun 2024

Lees meer over Gebruik biological bij CRS vermindert aantal aanvullende interventies

Zijn astma-aanvallen door acute luchtweginfecties te verminderen?

jun 2024 | Astma, Bacteriële infecties, Virale infecties

Lees meer over Zijn astma-aanvallen door acute luchtweginfecties te verminderen?

Speciaal dieet voor immuunsysteem bij allergieën

jun 2024 | Astma, Eczeem

Lees meer over Speciaal dieet voor immuunsysteem bij allergieën

Durvalumab-onderhoudsbehandeling verbetert totale overleving bij limited-stage kleincellig longcarcinoom

jun 2024 | Longoncologie

Lees meer over Durvalumab-onderhoudsbehandeling verbetert totale overleving bij limited-stage kleincellig longcarcinoom

Osimertinib nieuwe standaard bij irresectabel EGFR+ stadium III NSCLC behandeld met chemoradiotherapie

jun 2024 | Longoncologie

Lees meer over Osimertinib nieuwe standaard bij irresectabel EGFR+ stadium III NSCLC behandeld met chemoradiotherapie

Zwangerschapsgymnastiek als primaire preventie voor astma

jun 2024 | Astma

Lees meer over Zwangerschapsgymnastiek als primaire preventie voor astma

Houd schimmels in het microbioom in de gaten

jun 2024 | Astma

Lees meer over Houd schimmels in het microbioom in de gaten

Desensibilisatie mogelijk door de B-geheugencellen aan te passen?

jun 2024

Lees meer over Desensibilisatie mogelijk door de B-geheugencellen aan te passen?

Het was hoog tijd voor nieuwe nomenclatuur, en die is er nu

jun 2024 | Astma, Eczeem

Lees meer over Het was hoog tijd voor nieuwe nomenclatuur, en die is er nu