Archivo - Control del nivel de glucemia en un paciente de diabetes con un glucómetro. - SIMPSON33/ISTOCK - Archivo
MADRID, 29 Sep. (EUROPA PRESS) -
Los signos de la diabetes tipo 2 pueden detectarse en tan solo unos segundos observando la forma de hablar de una persona según un trabajo desarrollado por l expertos de la Universidad RMIT en Melbourne, Australia, y presentado en la reunión anual de la Asociación Europea para el Estudio de la Diabetes (EASD, por sus siglas en inglés) en Milán, Italia (del 28 de septiembre al 2 de octubre).
UNA IA QUE ESCUCHA LA VOZ PARA DETECTAR LA DIABETES
El estudio, el más grande de su tipo, concluye que el análisis basado en inteligencia artificial de grabaciones cortas podría ser una herramienta de detección rápida, no invasiva y escalable para esta afección.
La diabetes tipo 2 es cada vez más común y la detección temprana es clave para prevenir complicaciones como enfermedades cardíacas y daño nervioso. Sin embargo, muchos casos pasan desapercibidos, lo que ejerce presión sobre los sistemas de salud. Actualmente, las pruebas de detección incluyen análisis de sangre o citas con el médico de cabecera.
Por ejemplo, el Servicio Nacional de Salud (NHS) incluye la detección de la diabetes en los chequeos médicos que ofrece a las personas mayores de 40 años cada cinco años, pero menos de la mitad de los adultos que cumplen los requisitos (40,4%) acuden a estas citas útiles, aunque requieren mucho tiempo, según los autores del estudio.
Investigaciones previas han relacionado la diabetes tipo 2 con cambios en el habla, como un aumento de la ronquera y la aspereza, así como la incapacidad para controlar la respiración y la voz al hablar. Por ello, investigadores de la empresa de tecnología avanzada thymia, liderados por Roseline Polle, investigadora sénior de aprendizaje automático, y la doctora Elisa Brann, científica investigadora sénior, junto con colegas de la Universidad RMIT desarrollaron primero un modelo de IA para detectar estos cambios, entrenándolo con 63.283 muestras de voz de 21.129 personas en el Reino Unido y Estados Unidos que habían informado si habían sido diagnosticadas con diabetes.
Posteriormente, validaron o probaron el modelo de habla con grabaciones remotas de 20 segundos de personas que leían una de las fábulas de Esopo (historias cortas con personajes animales y moralejas).
TAMBIÉN DISTINGUE ENTRE RIESGO BAJO, MEDIO Y ALTO
La primera de las dos evaluaciones comparó el rendimiento del modelo con grabaciones realizadas por 7.319 adultos (67% mujeres, 45,8% de 40 años o más, 217 que declararon tener diabetes tipo 2) en el Reino Unido. Este estudio reveló que el modelo de habla otorgaba una puntuación de riesgo más alta a las personas que informaron tener diabetes tipo 2 que a aquellas que no informaron tener la afección en el 80% de los casos, lo cual se considera clínicamente útil.
El modelo tuvo un buen desempeño en diferentes sexos y edades. Sin embargo, su rendimiento fue menor en las grabaciones de participantes negros. Esto probablemente se deba al bajo número de participantes negros que reportaron diabetes tipo 2, según los autores. El rendimiento también fue inferior en las grabaciones de personas con cardiopatías, hipertensión u obesidad. Se cree que esto se debe a que estas afecciones suelen coincidir con la diabetes tipo 2 y pueden provocar cambios vocales similares.
La segunda evaluación incluyó a un subgrupo de 801 participantes que se realizaron pruebas de HbA1c en casa dentro de los tres meses posteriores a la grabación del discurso. (La prueba de sangre de HbA1c mide los niveles promedio de azúcar en sangre durante los últimos dos o tres meses y es la prueba de referencia para la diabetes tipo 2. También se puede utilizar para detectar la prediabetes, donde los niveles de azúcar en sangre son más altos de lo normal, pero no lo suficientemente altos como para ser clasificados como diabetes).
En este caso, el modelo de voz asignó una puntuación de riesgo más alta a las personas con diabetes tipo 2 que a las que no la padecían, según las pruebas de HbA1c, en el 75% de los casos. La sensibilidad fue del 82% (es decir, el modelo identificó correctamente al 82% de las personas con diabetes tipo 2) y la tasa de falsos positivos fue del 47%.
El modelo de voz también pudo distinguir entre personas con riesgo bajo, medio y alto de desarrollar diabetes tipo 2, según sus resultados de HbA1c. Ninguna de las personas que el modelo clasificó como de bajo riesgo presentó resultados sanguíneos dentro del rango diabético o prediabético.
Los investigadores concluyen que la diabetes tipo 2 puede detectarse a niveles clínicamente útiles a partir de 20 segundos de habla.
PENDIENTE DE VALIDACIÓN EN ENTORNOS CLÍNICOS
A la espera de una mayor validación clínica de la herramienta, una opción sería que los médicos de familia utilizaran grabaciones breves para clasificar a los pacientes. A aquellos con mayor riesgo se les podrían realizar análisis de sangre para confirmar su estado. Según los autores, la detección mediante voz complementaría los análisis de sangre, no los sustituiría.
Giedre Cepukaityte, investigadora científica de thymia, que presenta los resultados en EASD, declara: "Este es el mayor estudio en condiciones reales realizado hasta la fecha sobre la detección de la diabetes tipo 2 mediante el análisis del habla, que también compara las predicciones del modelo con los resultados de los análisis de sangre y con la información que las personas proporcionaron sobre su propio diagnóstico".
Aquellos señalados como de mayor riesgo por el modelo tenían resultados de análisis de sangre que coincidían. Esto tiene el potencial de cambiar la forma en que se realizan las pruebas de detección. Se puede tomar una muestra de voz por teléfono o a través de una aplicación, por lo que podemos llegar a muchas más personas que necesitan un análisis de sangre que con los métodos actuales, en particular a aquellas que nunca llegan a hacerse un chequeo médico.
"Nuestro modelo abre una nueva vía para la detección de la diabetes. No sustituye a un análisis de sangre y nunca debería impedir que nadie que crea necesitarlo se lo haga. El siguiente paso es probar el modelo en entornos clínicos y comprender qué tan bien funciona para cada grupo de personas, porque una herramienta de detección tiene que funcionar para todos", concluye.
