In Breve
- Come funziona l'algoritmo per il diabete?
- L'algoritmo analizza registrazioni vocali di 20 secondi per identificare segnali associati al diabete di tipo 2.
- Qual è la precisione del modello?
- Il modello ha identificato correttamente il rischio di diabete nell'80% dei casi su un campione di adulti.
- 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 presentato al congresso dell’European Association for the Study of Diabetes ha rivelato un innovativo modello di intelligenza artificiale capace di identificare segnali associati al diabete di tipo 2 analizzando 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 basa sull’analisi di cambiamenti vocali noti per essere associati al diabete, come una maggiore raucedine e ruvidità, oltre a variazioni nel controllo della respirazione e della voce durante il parlato. Durante la fase di validazione, i partecipanti hanno registrato la loro voce mentre leggevano una favola di Esopo. I risultati sono stati sorprendenti: su un campione di 7.319 adulti del Regno Unito, il modello ha identificato correttamente il rischio di diabete nell’80% dei casi, mostrando prestazioni simili tra uomini e donne e tra diverse fasce d’età.
Tuttavia, la performance del modello è risultata inferiore nei partecipanti di etnia nera, un aspetto che potrebbe essere attribuito al numero ridotto di persone con diabete in quel gruppo. In un secondo confronto con l’emoglobina glicata (HbA1c), effettuato su 801 partecipanti che avevano eseguito il test a domicilio entro tre mesi dalla registrazione vocale, il modello ha indicato un rischio più elevato di diabete nel 75% dei casi. La sensibilità del modello è stata dell’82%, mentre il tasso di falsi positivi ha raggiunto il 47%.
Un ulteriore aspetto interessante è che l’intelligenza artificiale è stata in grado di classificare i partecipanti in fasce di rischio basso, medio e alto sulla base dei valori di HbA1c. È importante notare che nessuno dei partecipanti classificati nella fascia di rischio più bassa presentava valori compatibili con diabete o prediabete.
Tuttavia, i ricercatori avvertono che i risultati ottenuti non implicano che la voce possa sostituire gli esami ematici. Il modello necessita di ulteriori validazioni cliniche e test su popolazioni diverse per confermarne l’affidabilità. Tra le possibili 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 segnalate a maggior rischio. Resta da dimostrare l’affidabilità e l’applicabilità su larga scala di questa tecnologia.
