Door werkgroep wetenschapsnieuws

De ziekte van Parkinson kent vele verschijnselen waaronder stijfheid, tremor, freezing, instabiliteit, depressie, obstipatie en spraakproblemen. Vaak voorkomende klachten daarbij zijn veranderingen in de kwaliteit van spraak, zoals het zachter, fluisterend of hees worden van de stem, en het optreden van haperingen bij het spreken. Deze klachten verergeren in de loop van de tijd. De onderzoekers hebben een model ontwikkeld dat op basis van analyse van met een smartphone opgenomen stemgeluid, de ernst van parkinsonsymptomen kan schatten. Voor met name de parkinsonpatiënten met spraakproblemen, biedt dit systeem betrouwbare thuisbeoordeling en monitoring van de ziekte van Parkinson.

Aanpak

De ziekte van Parkinson kent verschillende symptomen. Een veel voorkomende activiteit die wordt beïnvloed, is de kwaliteit van spraak en soms moeite met spreken. Niet alle patiënten ondervinden spraakproblemen in dezelfde fase van de ziekte van Parkinson. Echter in het algemeen verergeren deze symptomen in de loop van de tijd, zoals stemmen die zachter, fluisterend of hees worden. De stem wordt in het algemeen monotoon en mist de intonaties, wat het verstaan ​​voor de luisteraars bemoeilijkt.

Er zijn verschillende meetmethoden ontwikkeld om het stadium van de ziekte van Parkinson te beoordelen, waaronder de Unified Parkinson's Disease Rating Scale (UPDRS). De UPDRS wordt bepaald door meerdere symptomen waaronder de beoordeling van gedrag, stemming en de beoordeling van dagelijkse activiteiten zoals spreken, slikken, voedsel snijden, tekenen, handschrift, enz. Met de spraakvariaties van parkinsonpatiënten is het mogelijk om de voortgang van de ziekte te analyseren en te classificeren/rangschikken met de UPDRS.

Het ontwikkelde online model is getraind met de Amerikaanse database (UCI Parkinson’s Telemonitoring Voice dataset) met de medische kennis van parkinsonpatiënten behept met spraakproblemen. Het ontwikkelde online model maakt gebruik van smartphones die de patiënten de mogelijkheid bieden met een app stemmonsters te verzamelen en die vervolgens naar een cloudservice te sturen voor opslag en verwerking.

Een hybride deep learning-model[1] analyseert deze gegevens om de ernst van parkinsonsymptomen in te schatten. De prestaties van het online model zijn opmerkelijk, met nauwkeurigheids-, gevoeligheids- en specificiteitsstatistieken van elk 95% of hoger.

De patiënten worden geïnformeerd via smartphone-waarschuwingsmeldingen gekoppeld aan een kennisbankfunctie over de ziekte van Parkinson.

Conclusies

Omdat vele parkinsonpatiënten stem- en spraakstoornissen hebben, is het mogelijk om de progressie van de ziekte te volgen door de stemsignalen te analyseren. Een belangrijk probleem bij deze stem en spraak-analyse is de keuze van de rangschikkingsmethode van de spraakgegevens. Traditionele rangschikkingsmethoden geven redelijke resultaten, maar met een verminderde efficiëntie. Deep learning-technieken blijken aanzienlijk beter te presteren bij het verwerken van gegevens zoals audio- en spraaksegmenten.

Tevens bleek dat de uitkomsten met de gekozen deep-learning techniek beter overeen kwamen met het motore deel van de UPDRS score dan met de gehele (motore + niet-motore) UPDRS score.

Het beschreven online systeem met de smartphone app en de analyse van spraaksignalen met deep learning-technieken in de cloud biedt betrouwbare schattingen van de progressie van de ziekte van Parkinson. Het maakt een snelle medische interventie mogelijk van een medisch specialist met bijvoorbeeld een aanpassing van de medicatie, wat de kwaliteit van leven van parkinsonpatiënten verbetert.

Naschrift van de Werkgroep Wetenschapsnieuws

Het beschreven online systeem met de smartphone app maakt gebruik van de UCI Parkinson’s Telemonitoring Voice dataset zonder te vermelden hoeveel parkinsonpatiënten met spraakproblemen hierin opgenomen zijn. Bovendien wordt er geen onderscheid gemaakt tussen patiënten met zwakke articulatiespieren (motore bewegingsklachten) en patiënten met een haperende stem en woordvindingsproblemen (niet-motore cognitieve klachten).

Het onderliggende online model in de publicatie is gebaseerd op het analyseren en vervolgens classificeren van het spraaksegment ten opzichte van de opgeslagen en gevalideerde verzameling spraaksegmenten van de UCI dataset. Hierbij wordt de UPDRS meetmethode toegepast met 42 items onderverdeeld in 4 subcategorieën. Spraakproblemen komen slechts 2 keer voor in de UPDRS. De auteurs van de besproken publicatie suggereren dat je met een bepaling van de spraakproblemen het hele ziektebeeld kunt vatten. Dit lijkt ons zeer onwaarschijnlijk. Dat neemt niet weg dat de informatie verzameld met de app de behandelend specialist kan helpen bij het aanpassen van de medicatie of de instellingen van de DBS, indien aanwezig.

Besproken publicatie

Sushruta Mishra, et al. (2024) “PD-DETECTOR: A sustainable and computationally intelligent mobile application model for Parkinson’s disease severity assessment”, Journal Heliyon, Volume 10, issue 14, e34593, July 30, 2024. Published: DOI: 10.1016/j.heliyon.2024.e34593