هوش مصنوعی دیابت را با آنالیز صدا تشخیص می‌دهد
دیابت نوع دو یکی از شایع‌ترین بیماری‌های غدد است که به آن دیابت تیپ دو، دیابت شیرین نوع دو یا دیابت شیرین غیروابسته به انسولین هم می‌گویند. این بیماری نوعی دیابت است که در آن، بدن نمی‌تواند انرژی مورد نیاز خود را از سوخت‌وساز مواد غذایی به دست بیاورد.
کار لوزالمعده در بدن، تولید هورمون انسولین است تا به سلول‌ها کمک کند بتوانند از گلوکز (قند) استفاده کنند، اما در بدن فرد مبتلا به دیابت نوع دو، لوزالمعده به‌مرور زمان انسولین کمتری تولید می‌کند و مقاومت انسولینی در سلول‌ها ایجاد می‌شود. در نتیجه، قند زیادی در جریان خون انباشته می‌شود. میزان قند خون بالا در دیابت تیپ دو، به بیماری‌های جدی و خطرناکی مثل بیماری‌های قلبی و عروقی، سکته یا حتی مرگ ختم می‌شود.
شیوع دیابت
شیوع فزایندة دیابت نوع دو و تأثیر چشمگیر آن در سلامت جهانی، در سال‌های اخیر، توجه زیادی را به خود جلب و فشار زیادی وارد کرده است. سازمان جهانی بهداشت با توجه به آمار و روند رو به افزایش در سراسر جهان، دیابت را نوعی اپیدمی نهفته اعلام کرد و از سال 1993، تمام کشورهای جهان را به مقابله با این اپیدمی فراخواند.
براساس آمارهای فدراسیون بین‌المللی دیابت ، از هر دوازده نفر، یک نفر به دیابت مبتلا است و از هر دو نفر دیابتی، یک نفر از بیماری خود اطلاع ندارد. پیش‌بینی می‌شود در سال 2045، تعداد مبتلایان به دیابت به 783 میلیون نفر برسد. در سال 2014، هزینه‌های پزشکی ناشی از دیابت، 612 بیلیون دلار بوده است. ایران جزء پنج کشور اول از نظر تعداد مبتلایان به مبتلایان به دیابت در منطقة غرب آسیاست.
علاوه بر این، تشخیص دیابت با افزایش خطر مرگ‌ومیر ناشی از سرطان، بیماری کلیوی، عفونت، بیماری کبد، اختلالات سیستم عصبی و بیماری مزمن انسدادی ریه مرتبط است. توسعة راهبردهای مؤثر برای تشخیص بیماری، که بتواند افراد را در مراحل اولیة بیماری شناسایی کند، ضروری است و امکان مداخلات به‌موقع و کاهش عواقب برای افراد و زیرساخت‌های مراقبت‌های بهداشتی را فراهم می‌کند.
به‌تازگی، «صدا» به‌عنوان نامزدی امیدوارکننده برای تشخیص و غربالگری آسیب‌شناسی ظاهر شده است که غیرتهاجمی، ارزان و راحت است؛ زیرا می‌توان صداها را با استفاده از تلفن هوشمند یا دستگاه قابل حمل ضبط کرد. این روش نه‌تنها راحتی بیمار را افزایش می‌دهد، بلکه قابلیت استفاده در مناطق دورافتاده و محروم را نیز دارد که ممکن است به خدمات مراقبت‌های بهداشتی، دسترسی محدودی داشته باشند.
براساس گزارش‌ها، مطالعة جدیدی انجام شده است که فناوری ضبط صدا را با هوش مصنوعی ترکیب می‌کند و گام بزرگی در تشخیص بیماری دیابت محسوب می‌شود. دانشمندان در این مطالعه، از شش تا ده ثانیه صدای افراد، همراه با داده‌های اولیة سلامت مانند سن، جنس، قد و وزن، برای ایجاد نوعی هوش مصنوعی استفاده کردند که می‌تواند دیابت نوع دو را در افراد تشخیص دهد.
سنتز صدا فرایند پیچیده‌ای است که بر آثار ترکیبی سیستم تنفسی، سیستم عصبی و حنجره اتکا دارد. هر چیزی که در این سیستم‌ها تأثیر بگذارد، می‌تواند در صدا نیز اثرگذار باشد، خواه به‌صورت شنیداری قابل درک باشد، یا از طریق تجزیه‌وتحلیل رایانه‌ای قابل تشخیص باشد. در دیابت نوع دو، قند خون افراد بالاست.
فرض شده است که غلظت گلوکز در خواص کشسانی تارهای صوتی تأثیر می‌گذارد و افزایش طولانی‌مدت گلوکز، آثار مضری مانند نوروپاتی محیطی و میوپاتی (به‌ترتیب آسیب به رشته‌های عصبی و عضلانی) دارد. دیابت نوع دو با افزایش شیوع اختلالات روانی مانند افسردگی، اضطراب، اختلالات خوردن و کاهش عملکرد شناختی همراه است که همگی با تغییرات صوتی مرتبط هستند. به طورکلی، برای تفاوت‌های صوتی که در دیابت نوع دو اتفاق می‌افتد، توجیهی قوی وجود دارد.
هدف این بررسی، ارزیابی و امکان‌سنجی استفاده از صدا برای پیش‌بینی و تشخیص دیابت نوع دو است. اگرچه نتایج اولیه امیدوارکننده بوده است، داده‌های محدودی دربارة تغییرات صوتی بین افراد غیردیابتی و دیابتی نوع دو در جمعیت‌های با محدوة سنی یکسان وجود دارد.
روش انجام مطالعه
شرکت‌کنندگان از چهار منطقة مختلف در هند انتخاب شدند و براساس دستورالعمل‌های انجمن دیابت آمریکا و تحت‌نظر پزشک، تشخیص داده شد که این افراد غیردیابتی یا دارای دیابت نوع دو هستند. 267 شرکت‌کننده (170 مرد: 113 نفر غیردیابتی و 57 نفر دیابتی نوع دو؛ 97 نفر زن: 79 غیر دیابتی و 18 نفر دیابتی نوع دو) وارد این مطالعه شدند. تمامی شرکت‌کنندگان رضایت‌نامة کتبی را امضا کردند.
این مطالعه کد اخلاق دریافت کرده است و تمامی روش‌ها مطابق با دستورالعمل‌ها و مقررات مربوطه انجام شد. برای شرکت‌کنندگان هیچ اختلال عصبی یا گفتاری‌ای تشخیص داده نشده بودند و همه غیرسیگاری بودند.
از افراد خواسته شد صدای خود را حداقل شش بار در روز، به‌مدت دو هفته، با استفاده از اپلیکیشن تلفن همراه، ضبط کنند و جملات ثابت «سلام، خوبی؟ سطح گلوکز من در حال حاضر چقدر است؟» را بگویند. صداهای ضبط‌شده ارسال و در پایگاه دادة امن ابری بارگذاری می‌شد. درمجموع، 18465 نمونه‌صدا ضبط شد. برای ارزیابی تغییرات صدا، داده‌ها به مجموعه‌ای منطبق بر سن و شاخص تودة بدنی برای هر دو دستة مرد و زن تقسیم شدند. به‌منظور توسعه و پیشبرد مطالعه، چهارده ویژگی صوتی استخراج شدند.
طراحی مدل‌ها
رگرسیون لجستیک و ماشین بردار پشتیبان به‌عنوان مدل‌هایی برای تحلیل انتخاب شدند. برای یافتن مدل بهینه و مجموعة ویژگی‌ها، روش اعتبارسنجی متقابل روی مجموعه داده‌ها انتخاب شد. پیش‌بینی کلاس با استفاده از نتایج احتمالی دیابت نوع دو مدل انجام شد. اگر احتمال، بیشتر یا مساوی یک آستانة تعیین‌شده بود، فرد مبتلا به دیابت دو پیش‌بینی می‌شد و اگر نتایج مدل احتمال، کمتر از آستانه بود، پیش‌بینی می‌شد که فرد غیردیابتی است.
پس از طراحی مدل اولیه، چندین روش به‌منظور بهبود صحت پیش‌بینی اعمال شد. مدل طراحی‌شده براساس سه شاخص صحت ، حساسیت و ویژگی ارزیابی شد.
به‌طور کلی، تفاوت‌های مشخصی بین صدای افراد مبتلا به دیابت نوع دو و افراد سالم پیدا شد. این تفاوت‌ها بین زنان و مردان متفاوت است. دقیق‌ترین روش پیش‌بینی مربوط به مدل یادگیری گروهی بود که نتایج نسبتاً چشمگیری داشت. صحت به‌دست‌آمده برای زنان، 89 درصد و برای مردان، 86 درصد بود.
تغییرات در ویژگی‌ها نشان می‌دهد که مردان مبتلا به دیابت نوع دو، در مقایسه با زنان، صدای ضعیف‌تری داشتند. این تغییرات احتمالاً ناشی از تفاوت در علائم بیماری بین زنان و مردان است. برای مثال، ضعف و آتروفی عضلانی، که با ضعف و بی‌ثباتی صوتی مرتبط است، در دیابت نوع دو رخ می‌دهد و در مردان مبتلا به دیابت، شایع‌تر از زنان مبتلا به دیابت است. در مقابل، احتمال بیشتری وجود دارد که زنان مبتلا به دیابت، محتوای زیاد آب خارج سلولی و ادم (تجمع غیرطبیعی آب موجود در پلاسما در فضای میان بافتی) را تجربه کنند.
تورم و ادم تارهای صوتی، ویژگی‌های ارتعاشی را کاهش می‌دهد و به تشابه در نتایج منجر می‌شود. علاوه بر این، کاهش عملکرد شناختی و اختلال افسردگی ماژور ، در زنان مبتلا به دیابت نسبت به مردان مبتلا به دیابت، با شیوع بیشتری همراه است و نوروپاتی محیطی در مردان مبتلا به دیابت نوع دو، با شیوع بیشتری رخ می‌دهد.
اختلال شناختی تأثیر قابل‌توجهی بر صدا دارد و افسردگی ماژور با تغییرات صدا، مانند گفتار آهسته‌تر و زیر و بمی پایین‌تر، مرتبط است. تفاوت‌های جنسی در دیابت نوع دو، به‌طور فزاینده‌ای برجسته شده است؛ همان‌طور که در ویژگی‌های پیش‌بینی دیده می‌شود و تحقیقات آینده باید به دقت این موضوع را با بینش جامع‌تری توضیح دهند. در مطالعات قبلی، عمدتاً برای جمع‌آوری داده‌ها، از میکروفون مستقل یا دستگاه ضبط خاص استفاده می‌شد. درصورتی‌که در این بررسی، گوشی هوشمند و رویکردی مبتنی بر اپلیکیشن، بررسی و ارزیابی شده است.
ضبط صدا مبتنی بر اپلیکیشن، در مقایسه با میکروفون‌های مستقل برای جمع‌آوری داده‌های صوتی، مزایای قابل توجهی دارد. دردسترس‌بودن این وسایل به محققان اجازه می‌دهد تا داده‌ها را جمع‌آوری کنند و مشارکت شرکت‌کنندگان را گسترش دهند. علاوه بر این، ضبط صدا با استفاده از گوشی‌های هوشمند، قابلیت ثبت گفتار و تعاملات در محیط را دارد و محققان می‌توانند دربارة چگونگی تغییر صداها در سناریوهای روزمره، بینشی به دست آورند.
ترکیب عوامل صوتی، سن و شاخص تودة بدنی در یک مدل یادگیری گروهی، توانست سبب صحت بیش از 70 درصد موارد شود. همچنین، حتی ترکیب سن و شاخص تودة بدنی در یک مدل یادگیری گروهی با صدا، روش پیش‌بینی دقیقی برای شناسایی دیابت نوع دو ایجاد می‌کند.
بحث و نتیجه‌گیری
پیشرفت‌های علمی روز دنیا در حوزة پزشکی اهمیت دارد. هوش مصنوعی از مؤلفه‌هایی است که در آیندة نزدیک، جایگاه و نقش آزمایشگاه‌های تشخیص پزشکی را متحول خواهد کرد. تشخیص دیابت با آنالیز صدا، از مثال‌هایی است که آیندة آزمایشگاه‌های تشخیص پزشکی را به‌خوبی تبیین می‌کند. مطالب ارائه‌شده در این بررسی، کاربرد امیدوارکننده‌ای را از تجزیه‌وتحلیل صدا برای تشخیص دیابت نوع دو گزارش می‌دهد. اگرچه نتایج دلگرم‌کننده‌اند، تحقیقات بیشتر با گروه‌های بزرگ‌تر و متنوع‌تر برای تأیید اثربخشی و تعمیم‌پذیری آن مورد نیاز است.
یافته‌ها قابلیت تجزیه‌وتحلیل صدا را به‌عنوان ابزار غربالگری در دسترس و مقرون‌به‌صرفه برجسته می‌کنند. اجرای ارزیابی صوتی می‌تواند به مداخلة زودهنگام و مدیریت دیابت نوع دو کمک کند و توسعة مستمر آن می‌تواند بار فزاینده بیماری را کاهش دهد و نتایج مراقبت‌های بهداشتی را بهبود بخشد.
References
1. M. Kaufman, A. Thommandram, “Acoustic Analysis and Prediction of Type 2 Diabetes Mellitus Using Smartphone-Recorded Voice Segments”, Mayo Clin Proc Digital Health, December 2023; 1(4):534-544.
