L’intelligenza artificiale (AI) può essere utilizzata per rilevare l’infezione da COVID-19 nelle voci delle persone tramite un’app per telefoni cellulari, secondo una ricerca, presentata al Congresso internazionale della European Respiratory Society ERS a Barcellona [1].
Il modello AI utilizzato in questa ricerca è più accurato dei test antigenici a flusso laterale/rapido ed è economico, veloce e facile da usare, il che significa che può essere utilizzato nei paesi a basso reddito dove i test PCR sono costosi e/o difficili da distribuire.
La Wafaa Aljbawi, ricercatrice presso l’Istituto di scienza dei dati, Università di Maastricht, Paesi Bassi, ha dichiarato al congresso che il modello di intelligenza artificiale era accurato l’89% delle volte, mentre l’accuratezza dei test di flusso laterale variava ampiamente a seconda del marchio. Inoltre, i test del flusso laterale erano notevolmente meno accurati nel rilevare l’infezione da COVID nelle persone che non mostravano sintomi.
"Questi risultati promettenti suggeriscono che semplici registrazioni vocali e algoritmi di intelligenza artificiale perfezionati possono potenzialmente raggiungere un'elevata precisione nel determinare quali pazienti hanno l'infezione da COVID-19- ha spiegato l'esperta- Tali test possono essere forniti gratuitamente e sono semplici da interpretare. Inoltre, consentono test virtuali e remoti e hanno un tempo di risposta inferiore a un minuto. Potrebbero essere utilizzati, ad esempio, nei punti di ingresso per grandi assembramenti, consentendo uno screening rapido della popolazione".
L'infezione da COVID-19 di solito colpisce le vie respiratorie superiori e le corde vocali, portando a cambiamenti nella voce di una persona. Aljbawi e i suoi supervisori, il dott. Sami Simons, pneumologo presso il Centro medico dell'Università di Maastricht, e il dott. Visara Urovi, dell'Institute of Data Science, hanno deciso di indagare se fosse possibile utilizzare l'IA per analizzare le voci al fine di rilevare il COVID-19 .
Hanno utilizzato i dati dell'app COVID-19 Sounds dell'Università di Cambridge che contiene 893 campioni audio di 4.352 partecipanti sani e non sani, 308 dei quali sono risultati positivi al COVID-19. L'app viene installata sul cellulare dell'utente, i partecipanti riportano alcune informazioni di base su dati demografici, anamnesi e stato di fumo, quindi viene chiesto di registrare alcuni suoni respiratori. Questi includono tosse tre volte, respirare profondamente attraverso la bocca da tre a cinque volte e leggere una breve frase sullo schermo tre volte.
I ricercatori hanno utilizzato una tecnica di analisi vocale chiamata Mel-spectrogram analysis, che identifica diverse caratteristiche della voce come volume, potenza e variazione nel tempo.
"In questo modo possiamo scomporre le molte proprietà delle voci dei partecipanti- prosegue Aljbawi-. Per distinguere la voce dei pazienti COVID-19 da quelli che non avevano la malattia, abbiamo costruito diversi modelli di intelligenza artificiale e valutato quale funzionava meglio per classificare i casi di COVID-19”.
Hanno scoperto che un modello chiamato memoria a lungo termine (LSTM) ha superato gli altri a disposizione. LSTM si basa su reti neurali, che imitano il modo in cui opera il cervello umano e riconoscono le relazioni sottostanti nei dati. Funziona con sequenze, il che lo rende adatto a modellare segnali raccolti nel tempo, ad esempio dalla voce, per la sua capacità di memorizzare i dati nella sua memoria.
La sua accuratezza complessiva era dell'89%, la sua capacità di rilevare correttamente i casi positivi (il tasso di vero positivo o "sensibilità") era dell'89% e la sua capacità di identificare correttamente i casi negativi (il tasso di vero negativo o "specificità") era dell'83%.
"Questi risultati mostrano un miglioramento significativo nell'accuratezza della diagnosi di COVID-19 rispetto a test all'avanguardia come il test del flusso laterale-ha evidenziato la ricercatrice- Il test del flusso laterale ha una sensibilità di solo il 56%, ma un tasso di specificità più elevato del 99,5%. Questo è importante in quanto significa che il test del flusso laterale classifica erroneamente le persone infette come negative al COVID-19 più spesso del nostro test. In altre parole, con il modello AI LSTM, potremmo perdere 11 casi su 100 che avrebbero continuato a diffondere l'infezione, mentre il test del flusso laterale mancherebbe 44 casi su 100.
“L'elevata specificità del test rapido significa che solo a una persona su 100 verrebbe erroneamente detto che era positiva al COVID-19 quando, in realtà, non era infetta, mentre il test LSTM diagnosticherebbe erroneamente 17 persone su 100 non infette come positivo. Tuttavia, poiché questo test è praticamente gratuito, è possibile invitare persone per i test PCR se i test LSTM mostrano che sono positivi".
I ricercatori affermano che i loro risultati devono essere convalidati con grandi numeri. Dall'inizio di questo progetto, sono stati raccolti 53.449 campioni audio da 36.116 partecipanti e possono essere utilizzati per migliorare e convalidare l'accuratezza del modello. Stanno inoltre effettuando ulteriori analisi per capire quali parametri nella voce stanno influenzando il modello di intelligenza artificiale.
Antonio Caperna
[1] Abstract no: OA1626, “Developing a multivariate prediction model for the detection of COVID-19 from crowd-sourced respiratory voice data”, presented by Wafaa Aljbawi in “Digital medicine for COVID-19” session, 08.15-09.30 hrs CEST on Monday 5 September 2022, https://k4.ersnet.org/prod/v2/Front/Program/Session?e=377&session=14843
Also available as a pre-print paper at https://arxiv.org/ from 5 September: “Developing a multi-variate prediction model for the detection of COVID-19 from crowd-sourced respiratory voice data”, by Wafaa Aljbawi, Sami O. Simons and Visara Urovi.
