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.

5-jaarsupdate CROWN-studie toont voordeel lorlatinib ten opzichte van crizotinib

jun 2024 | Longoncologie

Lees meer over 5-jaarsupdate CROWN-studie toont voordeel lorlatinib ten opzichte van crizotinib

Subcutaan amivantamab niet-inferieur aan intraveneuze toediening

jun 2024 | Longoncologie

Lees meer over Subcutaan amivantamab niet-inferieur aan intraveneuze toediening

Adagrasib verbetert PFS ten opzichte van docetaxel bij eerder behandeld KRAS G12C+ NSCLC

jun 2024 | Longoncologie

Lees meer over Adagrasib verbetert PFS ten opzichte van docetaxel bij eerder behandeld KRAS G12C+ NSCLC

Klinische uitkomsten van desensibilisatie bij astma

jun 2024 | Astma

Lees meer over Klinische uitkomsten van desensibilisatie bij astma

Stapsgewijs afbouwen ICS haalbaar bij ernstig eosinofiel astma

jun 2024 | Astma

Lees meer over Stapsgewijs afbouwen ICS haalbaar bij ernstig eosinofiel astma

Allergisch astma voorkomen? Begin vanaf de geboorte

jun 2024 | Astma, Eczeem

Lees meer over Allergisch astma voorkomen? Begin vanaf de geboorte

Positieve invloed tripeltherapie op remodeling en longfunctie bij COPD

mei 2024 | COPD

Lees meer over Positieve invloed tripeltherapie op remodeling en longfunctie bij COPD

Nieuwe respiratoire fenotypes in de vroege kinderjaren

mei 2024 | Astma

Lees meer over Nieuwe respiratoire fenotypes in de vroege kinderjaren

Positief effect van hormoonsubstitutie op PH en RV-functie

mei 2024 | Pulmonale hypertensie

Lees meer over Positief effect van hormoonsubstitutie op PH en RV-functie