Machine learning-algoritmen kunnen niet nauwkeurig voorspellen of iemand COVID-19 heeft door het geluid van hun hoest te analyseren, volgens een studies geleid door het Britse Alan Turing Institute. 

Beweringen dat AI het verschil in hoestgeluiden tussen mensen met en zonder COVID-19 met een nauwkeurigheid tot 98.5 procent kon detecteren, werden voor het eerst gemeld in een papier van onderzoekers onder leiding van het Massachusetts Institute of Technology. Het resultaat leidde tot pogingen om een ​​app te bouwen die wordt aangedreven door de algoritmen om mensen een goedkope en gemakkelijke methode te bieden om te testen op het nieuwe coronavirus.

Het Britse ministerie van Volksgezondheid en Sociale Zorg ging zelfs zo ver dat het twee contracten, met een gezamenlijke waarde van meer dan £ 100,000, toekende aan Fujitsu om in 2021 het zogenaamde "Cough In A Box" -initiatief van de regering te ontwikkelen, Politico gerapporteerd. De software zou audio-opnamen van hoesten van gebruikers verzamelen om te analyseren in de COVID-19-app.

Maar tests uitgevoerd door een team van onderzoekers onder leiding van het Alan Turing Institute en de Royal Statistical Society hebben uitgewezen dat de technologie toch niet helemaal werkt. Ze verzamelden en onderzochten een dataset met audio-opnamen van meer dan 67,000 mensen die waren gerekruteerd uit de Test and Trace- en REACT-1-programma's van de National Health Service, die een willekeurig deel van de bevolking vroegen om neus- en keeluitstrijkjes uit te voeren en terug te sturen om te testen op COVID- 19.

Deelnemers werd gevraagd om monsters van hoesten, ademen en praten op te nemen, evenals de resultaten van hun uitstrijkjes. Meer dan 23,000 van hen waren positief getest op luchtwegaandoeningen. Het team trainde een machine learning-model op deze geluiden en vergeleek ze met de COVID-19-testresultaten van mensen om te zien of hoest als een nauwkeurige biomarker zou kunnen fungeren.

"Maar toen we de resultaten bleven analyseren, bleek dat de nauwkeurigheid waarschijnlijk te wijten was aan een effect in statistieken dat confounding wordt genoemd - waarbij modellen andere variabelen leren die correleren met het echte signaal, in tegenstelling tot het echte signaal zelf," uitgelegd Kieran Baker, een onderzoeksassistent aan het Alan Turing Institute.

De confounding was te wijten aan rekruteringsbias in de Test en traceer systeem, waarbij deelnemers ten minste één symptoom moesten hebben om deel te nemen. De onderzoekers voerden meer tests uit waarbij deelnemers van dezelfde leeftijd en hetzelfde geslacht in paren werden gegroepeerd, waarbij slechts één van hen COVID-19 had. 

"Toen we deze modellen evalueerden op basis van de gematchte gegevens, presteerden de modellen niet goed, en daarom concluderen we dat onze modellen geen COVID-19 bio-akoestische marker uit deze gegevens kunnen detecteren", aldus Baker.

Chris Holmes, hoofdauteur van het artikel dat vorige maand werd uitgebracht, hoogleraar biostatistiek aan de Universiteit van Oxford, en programmadirecteur voor gezondheids- en medische wetenschappen aan het Alan Turing Institute, zei: “Nieuwe manieren vinden om snel en gemakkelijk virussen zoals COVID-19 te diagnosticeren. 19 is echt belangrijk om de verspreiding ervan te stoppen. Hoewel het teleurstellend is dat deze technologie niet werkt voor COVID-XNUMX, kan het in de toekomst nog steeds werken voor andere respiratoire virussen”, aldus de Britse autoriteit. gerapporteerd​ ​

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://go.theregister.com/feed/www.theregister.com/2023/01/05/ai_covid_cough/