Peneliti dari Italia menggunakan pembelajaran mesin untuk membedakan berbagai tahap dan tingkat keparahan penyakit Parkinson berdasarkan suara

Penyakit Parkinson (PD) adalah kondisi neurologis yang menyebabkan tremor, kekakuan, dan kesulitan berjalan, keseimbangan dan koordinasi. Tingkat dopamin turun karena penghancuran sel-sel saraf di otak, yang mengarah ke gejala penyakit Parkinson.

Pasien PD sering mengeluhkan gangguan emisi suara yang bervariasi. Pasien-pasien ini mungkin memiliki masalah bicara bahkan pada tahap prodromal dari kondisi tersebut. Gejala penyakit Parkinson biasanya muncul secara bertahap dan memburuk dari waktu ke waktu, akhirnya menyebabkan gangguan suara yang parah pada tahap penyakit Parkinson yang lebih lanjut.

Metode penilaian suara klinis saat ini di PD didasarkan pada penilaian kualitatif saja. Ini termasuk spektroskopi yang mengungkapkan berbagai ketidakteraturan dalam ciri vokal tertentu pada individu dengan APD, termasuk frekuensi dasar yang rendah, rasio harmonik-ke-noise, dan peningkatan jitter dan flicker. Namun, suara manusia itu kompleks, terdiri dari data berdimensi tinggi yang bergantung pada sejumlah fitur eksponensial.

Akibatnya, selain pemeriksaan independen fitur audio tertentu, ada kebutuhan untuk teknik yang lebih canggih yang mampu menganalisis dinamis dan pengumpulan kumpulan data dimensi tinggi dari fitur audio yang akan secara akurat mengklasifikasikan target sampel audio di PD.

Metode pembelajaran mesin telah memungkinkan klasifikasi otomatis gangguan suara pada banyak penyakit neurologis dengan akurasi tinggi. Namun, hanya beberapa studi eksplorasi tentang penggunaan analisis pembelajaran mesin di PD telah dilaporkan sejauh ini. Penting untuk melihat apakah pembelajaran mesin dapat membedakan antara pasien pada berbagai tahap penyakit untuk melihat apakah dapat mengenali efek keparahan penyakit.

Sebuah studi baru yang dilakukan oleh para peneliti di Italia dan Yordania meneliti suara pasien Parkinson dalam kelompok besar dengan karakteristik klinis yang baik.. Studi ini adalah yang pertama untuk mengklasifikasikan suara pada pasien Parkinson berdasarkan stadium penyakit dan tingkat keparahan dan efek L-dopa kronis. Semua tes diagnostik dievaluasi untuk sensitivitas, spesifisitas, nilai prediksi positif dan negatif, dan akurasi.

Institut Neuromed IRCCS dan Departemen Kedokteran Sistem di Universitas Tor Vergata di Roma, Italia, merekrut peserta penelitian. Peserta termasuk 115 orang dengan penyakit Parkinson dan 108 orang sehat (HS). Semua pasien adalah penutur asli bahasa Italia dan tidak merokok. Tidak ada laporan gangguan pendengaran bilateral atau unilateral, penyakit pernapasan, atau gangguan non-neurologis yang mempengaruhi pita suara pada subjek.

Peserta diberi tugas bicara khusus untuk dilakukan dengan kekuatan, nada, dan kualitas suara normal mereka dalam rekaman audio. Tugas tersebut melibatkan emisi vokal yang terus-menerus di dekat bagian tengah dahi.

Para peneliti menggunakan OpenSMILE (alat ekstraksi fitur dan klasifikasi audio open source) untuk melakukan praproses setiap sampel ucapan untuk ekstraksi fitur. Mereka mengumpulkan 6139 ciri fonemik dari setiap sampel ucapan. Mereka menggunakan algoritma penentuan fitur korelasi (CFS) untuk menemukan sifat suara (tidak berkorelasi) yang sangat berkorelasi dengan suatu kategori. Akibatnya, kumpulan data asli dilucuti dari informasi yang berlebihan dan/atau tidak berguna. Metodologi Penilaian Akuisisi Informasi (IGAE), berdasarkan metode korelasi Pearson, kemudian digunakan untuk membuat peringkat semua fitur yang dipilih dalam urutan kepentingan dengan mengevaluasi informasi yang diperoleh untuk kelas.

Peneliti juga menggunakan proses estimasi apriori untuk meningkatkan akurasi hasil dengan menentukan titik split terbaik dari dua kategori dan menetapkan nilai biner ke fitur.

Mengingat kumpulan data penelitian yang terbatas, tim menggunakan classifier Support Vector Machine (SVM) untuk mencapai klasifikasi biner. Untuk membatasi jumlah fitur spesifik yang diperlukan untuk studi pembelajaran mesin, mereka hanya menggunakan 30 properti relevan pertama yang diberi peringkat oleh IGAE. Strategi optimasi sekuensial minimum digunakan untuk melatih SVM. Menggunakan pendekatan optimasi yang mencoba mengurangi kesalahan klasifikasi model, berbagai kombinasi nilai hyperparameter diperiksa.

Hasil pembelajaran mesin menunjukkan bahwa suara tidak normal pada penyakit Parkinson, sebagaimana dibuktikan dengan akurasi diagnostik yang tinggi dalam membedakan suara antara pasien Parkinson dan subjek sehat.

Para peneliti juga melakukan analisis ROC untuk menentukan nilai batas diagnostik yang optimal untuk membedakan antara HS dan PD, pasien dalam stadium lanjut awal dan menengah, dan pasien dalam pengobatan lanjut dan tidak aktif stadium menengah.

Tim mencatat bahwa pembelajaran mesin telah memperoleh akurasi statistik yang signifikan dalam membedakan antara pasien stadium awal dan HS. Dengan ini, mereka mencatat bahwa pasien dengan PD tahap awal memiliki disfonia subklinis. Mereka percaya bahwa akurasi yang lebih tinggi dalam membedakan pasien HS tahap awal mencerminkan kemampuan pembelajaran mesin untuk membedakan gangguan vokal subklinis di Parkinson, mengingat bahwa 32% pasien tahap awal tidak memiliki gangguan vokal yang eksplisit secara klinis.

Untuk mengetahui pengaruh L-Dopa pada suara, peneliti membandingkan pengobatan pasien OFF dan ON. Studi ini menemukan bahwa L-Dopa meningkatkan kualitas suara pada pasien Parkinson stadium menengah. Selanjutnya, evaluasi klinis mereka menunjukkan bahwa L-Dopa meningkatkan suara kurang dari gejala motorik lainnya, menunjukkan bahwa L-Dopa memiliki efek klinis yang lebih lemah pada tanda-tanda penting pada PD. Mereka mengamati akurasi diagnostik yang tinggi dalam membandingkan pasien yang menjalani dan tidak pengobatan, menunjukkan bahwa L-Dopa memiliki dampak yang signifikan pada suara di Parkinson.

Para peneliti berharap penelitian mereka akan mendorong penggunaan analisis pidato pembelajaran mesin untuk teknik telemedicine pada penyakit Parkinson di masa depan.

Makalah: https://www.frontiersin.org/articles/10.3389/fneur.2022.831428/full

Referensi: https://parkinsonsnewstoday.com/2022/03/08/machine-learning-identified-patients-disease-stage-by-voice-changes/

Saran