استفاده هوش مصنوعی از تحلیل صدا برای تشخیص دیابت


پایگاه خبری لقمه: تحقیقات جدیدی که قرار است در نشست امسال انجمن مطالعه دیابت اروپا (EASD) در روزهای ۹ تا ۱۳ سپتامبر در مادرید ارائه شود، پتانسیل استفاده از تحلیل صدا برای شناسایی موارد ابتلا به دیابت نوع ۲ را مورد تاکید قرار داده است.

به گزارش پایگاه خبری لقمه از «نیوز مدیکال»، این مطالعه به طور میانگین از ۲۵ ثانیه صدای افراد در کنار داده‌های پایه سلامتی مانند سن، جنس، شاخص توده بدنی و وضعیت فشار خون برای ساخت یک مدل هوش مصنوعی استفاده کرده که قادر است تشخیص بدهد آیا یک فرد مبتلا به دیابت نوع ۲ است یا نه. این مدل هوش مصنوعی در ۶۶ درصد موارد در زنان و ۷۱ درصد موارد در مردان این مساله را به درستی تشخیص داده است.

 
این درحالی است که روش‌های کنونی برای غربالگری دیابت نوع ۲ مستلزم صرف زمان بسیار و همچنین کارهای زیادی در آزمایشگاه هستند و هزینه زیادی دارند. ترکیب هوش مصنوعی با فناوری صدا این پتانسیل را دارد که با از میان برداشتن این موانع، آزمایش برای تشخیص دیابت نوع ۲ را بیشتر در دسترس قرار دهد.
 
حدود نیمی از بزرگسالان مبتلا به دیابت (در حدود ۲۴۰ میلیون نفر در سطح جهان) از این بیماری خود بی‌اطلاع هستند زیرا این بیماری می‌تواند با نشانه‌های عمومی یا بدون نشانه باشد. حدود ۹۰ درصد از این افراد مبتلا به دیابت نوع ۲ هستند اما تشخیص و درمان زودهنگام می‌تواند از بروز تبعات جدی جلوگیری کند. کاهش مواد دیابت بدون تشخیص باقی مانده در جهان یکی از چالش‌های سلامتی عمومی است.
 
 
این مطالعه با هدف ساخت و ارزیابی عملکرد یک الگوریتم هوش مصنوعی بر مبنای صدا برای تشخیص ابتلای افراد به دیابت نوع ۲ انجام شده است. محققان از یک جمعیت ۶۰۷ نفری (با تشخیص ابتلا و غیر مبتلا به دیابت نوع ۲) خواستند که نمونه‌ای از صدای ضبط شده خود را در حال خواندن چند جمله ارائه شده به طور مستقیم از گوشی هوشمند یا لپ‌تاپ خود ارائه بدهند.
 
هم زنان و هم مردان مبتلا به دیابت نوع ۲ در محدوده سنی بالاتر و با چاقی بیشتر بودند. از میان ۶۰۷ صدای ضبط شده، الگوریتم هوش مصنوعی، ویژگی‌های مختلف صدا را آنالیز کرد تا بتواند تفاوت بین صدای افراد مبتلا به دیابت و افراد غیر مبتلا را شناسایی کند و این کار با دو تکنیک پیشرفته انجام شد. عملکرد بهترین مدل‌های شناسایی شده با چندین فاکتور خطر دیگر دیابت از جمله سن، شاخص توده بدنی و فشار خون ترکیب شد.
 
الگوریتم بر مبنای صدا ظرفیت کلی خوبی برای پیش‌بینی ابتلا به دیابت نشان داد به طوری که ۷۱ درصد ابتلای مردان و ۶۶ درصد ابتلای زنان را به درستی شناسایی کرد. این مدل هوش مصنوعی در مورد زنان بالاتر از ۶۰ سال و افراد دارای فشار خون عملکرد بهتری هم نشان داد.
 
دکتر «گای فاگرازی» از موسسه سلامتی لوکزامبورگ و از مولفان این مطالعه گفت: هر چند یافته‌های ما امیدوارکننده هستند اما تحقیقات بیشتری مورد نیاز است پیش از آنکه بتوانیم این رویکرد را به عنوان یک راهبرد درجه اول برای غربالگری دیابت مورد استفاده قرار دهیم و تعداد افراد مبتلا به دیابت تشخیص داده نشده را کاهش دهیم. 

خبرنگار: محمدصالح حجت الاسلامی

بازگشت به صفحه نخست


نقل از :ایرنا

کد: 15637 تاریخ نشر: ۱۴۰۳ چهارشنبه ۲۱ شهريور بازدید: 40 ساعت: 12:46 عصر
نسخه چاپی نسخه چاپی     ارسال به دوست

اخبار مرتبط با این خبر

ردیفتیترتاریخ
1 آیا استفاده از تلفن همراه عامل ابتلا به بیماری قلبی است؟ ۱۴۰۳ سه شنبه ۲۰ شهريور
2 چگ.نه 1.5 میلیون تن‌ آرد یارانه‌ای در کشور صرفه‌جویی شد؟ ۱۴۰۲ يکشنبه ۵ آذر
3 کاهش مصرف آرد/ ۸۰ هزار نانوایی در کشور کارتخوان هوشمند دارند ۱۴۰۲ چهارشنبه ۶ ارديبهشت
4 امنیت غذایی با توسعه کشاورزی هوشمند تحقق می‌یابد ۱۴۰۱ يکشنبه ۷ اسفند
5 گم شدن روزانه ۵۰ میلیون نان لواش در نانوایی ها! ۱۴۰۱ يکشنبه ۱۸ دي
6 محبوب‌ترین غذا‌های ایرانی از دید گردشگران خارجی ۱۴۰۱ يکشنبه ۲۴ مهر
7 تشریح عملکرد ۱۰۰ روزه مدیریت هوشمندسازی یارانه آرد و نان توسط مشاور وزیر اقتصاد ۱۴۰۱ چهارشنبه ۲ شهريور
8 آغاز مدیریت هوشمند آرد در استان تهران از امروز ۱۴۰۱ دوشنبه ۳۰ خرداد
9 طرح فروش کیلویی نان با نرخ قبلی در 4 استان آغاز شد ۱۴۰۱ يکشنبه ۲۲ خرداد
10 نقش کافئین در کاهش خطر ابتلا به سرطان و سنگ کلیه ۱۴۰۰ شنبه ۹ مرداد


نظرات


تا کنون نظری برای این خبر ارسال نشده است

نظر شما

نام:
پست الکترونیکی:
نظر شما:
کد امنیتی:



نظرسنجی

عضویت در خبرنامه
نام :
ایمیل :
 

  آنچه باید در رژیم غذایی روزانه خود بگنجانید سبوس، پوسته سفت و هضم‌نشدنی روی دانه‌های غلات است ...

  مصرف زیاد نمک ممکن است عامل افزایش بیماری MS باشد پژوهشگران می‌گویند مصرف بیش از حد نمک ممکن است مقص...

  برای کاهش استرس چه بخوریم؟ تقریبا همه ما می دانیم نوع تغذیه روی سلامت روحی ان...

موارد بیشتر...
ورود کاربران
نام کاربر:
کلمه عبور:
یاداوری کلمه عبور عضویت در سایت