In Breve
- Come funziona il modello di intelligenza artificiale per il diabete?
- Analizza registrazioni vocali di 20 secondi per identificare segnali associati al diabete di tipo 2.
- Quali sono i risultati del modello?
- Il modello ha identificato correttamente l'80% delle persone con diabete nel campione analizzato.
- Può la voce sostituire gli esami ematici?
- No, il modello necessita di ulteriori validazioni cliniche e non può sostituire gli esami ematici.
Un recente studio ha dimostrato che un modello di intelligenza artificiale (AI) è in grado di identificare segnali associati al diabete di tipo 2 analizzando registrazioni vocali di soli 20 secondi. Questa innovazione è stata presentata al congresso dell’European Association for the Study of Diabetes ed è stata sviluppata da una società di deep tech in collaborazione con la RMIT University di Melbourne.
Il sistema è stato addestrato su un vasto campione di 63.283 registrazioni vocali provenienti da 21.129 individui nel Regno Unito e negli Stati Uniti. L’algoritmo cerca specifici cambiamenti vocali che sono stati precedentemente associati al diabete, come raucedine, ruvidità e alterazioni nel controllo della respirazione e della voce durante il parlato.
Nella fase di validazione, i partecipanti hanno registrato la loro voce mentre leggevano una favola di Esopo per 20 secondi. I risultati sono stati sorprendenti: su un campione di 7.319 adulti del Regno Unito, il modello ha assegnato un punteggio di rischio più elevato all’80% delle persone che dichiaravano di avere il diabete. Le prestazioni del modello si sono dimostrate simili tra uomini e donne e nelle diverse fasce d’età, sebbene la performance sia risultata inferiore nei partecipanti di etnia nera, probabilmente a causa del numero ridotto di individui con diabete in quel gruppo.
In un secondo confronto, il modello è stato testato rispetto ai valori di emoglobina glicata (HbA1c) su 801 partecipanti che avevano effettuato il test a domicilio entro tre mesi dalla registrazione vocale. Qui, il modello ha indicato un rischio più alto di diabete nel 75% dei casi, con una sensibilità dell’82% e un tasso di falsi positivi del 47%. Inoltre, l’AI è stata in grado di classificare le persone in categorie di rischio basso, medio e alto in base ai valori di HbA1c. È interessante notare che nessuno dei partecipanti classificati nella fascia di rischio più bassa presentava valori compatibili con diabete o prediabete.
Tuttavia, è importante sottolineare che i risultati ottenuti non implicano che l’analisi vocale possa sostituire gli esami ematici. Il modello necessita di ulteriori validazioni cliniche e test su popolazioni diverse. Tra le potenziali applicazioni future, si ipotizza l’uso di brevi registrazioni vocali tramite telefono o app come strumento di triage in medicina generale, per indirizzare a successivi esami ematici le persone identificate a maggior rischio. Tuttavia, resta da dimostrare l’affidabilità e l’applicabilità su larga scala di questa tecnologia innovativa.
