متاسفانه بسیاری از اختلالات گفتاری مبتنی بر رفتار، به درستی تشخیص داده نمی‌شود. به‌ویژه بیماران مبتلا به اختلال صوتی تنش عضلانی (MTD) اغلب شاهد تضعیف کیفیت صدا و خستگی تارهای صوتی می‌شوند، در حالی‌که در ظاهر آسیبی به تارهای صوتی نرسیده است یا بیماری خاصی وجود ندارد. در نتیجه تشخیص بیماری و درمان آن دشوارتر می‌شود.
اما یک تیم از آزمایشگاه هوش مصنوعی و علوم کامپیوتر MIT و بیمارستان عمومی ماساچوست معتقدند که از طریق یادگیری ماشینی می‌توان به درک بهتری از بیماری‌هایی مانند MTD دست یافت.
محققان با استفاده از داده‌های شتاب‌سنج که از یک دستگاه پوشیدنی جمع‌آوری شده بود، مشخص کردند که می‌توانند تفاوت‌های بین سوژه‌های مبتلا به MTD و گروه کنترل را شناسایی کنند. این شیوه‌ها نشان داد که بعد از دریافت صوت‌درمانی، سوژه‌های مبتلا به MTD رفتارهایی از خود نشان دادند که بیشتر شبیه به رفتارهای گروه کنترل بود.
مرضیه قاسمی، دانشجوی دکترا در MIT در کنفرانس یادگیری ماشینی مراقبت‌های بهداشتی در لس آنجلس، گفت: «معتقدیم این رویکرد می‌تواند به شناسایی اختلالاتی کمک کند که به‌واسطه استفاده نادرست از تارهای صوتی تشدید شده و به اندازه‌گیری تاثیر صوت‌درمانی کمک کنیم. هدف بلندمدت ما آن است که وقتی بیماران به‌گونه‌ای از تارهای صوتی خود استفاده می‌کنند که ممکن است موجب ایجاد مشکلاتی برای آن‌ها شود، این سیستم به آن‌ها هشدار بدهد.»
قاسمی می‌گوید: «افراد مبتلا به اختلالات صوتی همیشه از تارهای صوتی خود به‌طور نادرست استفاده نمی‌کنند و افرادی که به این اختلالات دچار نیستند نیز ممکن است گاهی اوقات از صوت خود درست استفاده نکنند. کار دشواری که ما باید انجام بدهیم ساخت یک الگوریتم یادگیری است که بتواند تشخیص دهد کدام حرکت تارهای صوتی در سوژه‌های مبتلا به یک اختلال مهم است.»
یکی از اهداف بلندمدت کار آن است که بتوان از داده‌ها نه‌تنها برای بهبود زندگی افراد مبتلا به اختلالات صوتی، بلکه برای کمک به تشخیص اختلالات خاص استفاده کرد.
