In Breve
- Come funziona l'algoritmo per il diabete?
- Analizza registrazioni vocali di 20 secondi per identificare segnali associati al diabete di tipo 2.
- Quali sono i risultati del modello?
- Ha identificato il diabete nell'80% dei casi tra i partecipanti che lo dichiaravano.
- Può sostituire gli esami ematici?
- No, il modello necessita di ulteriori validazioni cliniche e non può sostituire gli esami tradizionali.
Un recente studio presentato al congresso dell’European Association for the Study of Diabetes ha rivelato un innovativo modello di intelligenza artificiale capace di individuare segnali associati al diabete di tipo 2 attraverso l’analisi di registrazioni vocali di soli 20 secondi. Questo sistema, sviluppato da una società di deep tech in collaborazione con la RMIT University di Melbourne, è stato addestrato su un vasto campione di 63.283 registrazioni vocali provenienti da 21.129 individui nel Regno Unito e negli Stati Uniti.
Il modello si concentra su cambiamenti vocali noti per essere correlati al diabete, come la raucedine, la ruvidità della voce e alterazioni nel controllo della respirazione durante il parlato. Durante la fase di validazione, i partecipanti sono stati invitati a leggere una favola di Esopo per 20 secondi, registrando la loro voce a distanza. In una prima valutazione condotta su 7.319 adulti del Regno Unito, il modello ha assegnato un punteggio di rischio più elevato a coloro che dichiaravano di avere il diabete nell’80% dei casi, mostrando prestazioni simili tra uomini e donne e tra diverse fasce d’età. Tuttavia, la performance è risultata inferiore nei partecipanti di etnia nera, probabilmente a causa del numero limitato di persone con diabete in quel gruppo.
In un secondo confronto con i valori di emoglobina glicata (HbA1c), analizzato su 801 partecipanti che avevano effettuato il test a domicilio entro tre mesi dalla registrazione vocale, il modello ha identificato un rischio maggiore nelle persone con diabete nel 75% dei casi. La sensibilità del modello è stata dell’82%, mentre il tasso di falsi positivi ha raggiunto il 47%. Inoltre, l’intelligenza artificiale è stata in grado di distinguere tra persone a basso, medio e alto rischio sulla base dei valori di HbA1c, con nessuno dei partecipanti classificati nella fascia di rischio più bassa che presentava valori compatibili con diabete o prediabete.
È importante sottolineare che i risultati ottenuti non implicano che l’analisi vocale possa sostituire gli esami ematici tradizionali. Il modello necessita di ulteriori validazioni cliniche e test su popolazioni diverse per confermarne l’affidabilità. Tuttavia, tra le potenziali applicazioni future vi è l’uso di brevi registrazioni vocali al telefono o tramite app come strumento di triage in medicina generale. Questo approccio potrebbe indirizzare a ulteriori esami ematici le persone segnalate a maggior rischio, ma resta da dimostrare la sua applicabilità su larga scala.
