MADRID, 8 Sep. (EUROPA PRESS) -
La inteligencia artificial (IA) puede utilizarse para detectar la infección por COVID-19 en la voz de las personas mediante una aplicación de teléfono móvil, según una investigación que se presentada en el Congreso Internacional de la Sociedad Respiratoria Europea, celebrada en Barcelona.
El modelo de IA utilizado en esta investigación es más preciso que las pruebas de flujo lateral/antígeno rápido y es barato, rápido y fácil de usar, lo que significa que puede utilizarse en países de bajos ingresos donde las pruebas de PCR son caras y/o difíciles de distribuir.
Wafaa Aljbawi, investigadora del Instituto de Ciencia de Datos de la Universidad de Maastricht (Países Bajos), explica que el modelo de IA era preciso en el 89% de las ocasiones, mientras que la precisión de las pruebas de flujo lateral variaba mucho según la marca. Además, las pruebas de flujo lateral eran considerablemente menos precisas para detectar la infección por COVID en personas que no mostraban síntomas.
"Estos prometedores resultados sugieren que unas sencillas grabaciones de voz y unos algoritmos de inteligencia artificial perfeccionados pueden lograr potencialmente una gran precisión a la hora de determinar qué pacientes están infectados por COVID-19", afirma.
"Estas pruebas pueden proporcionarse sin coste alguno y son sencillas de interpretar. Además, permiten realizar pruebas virtuales a distancia y tienen un tiempo de respuesta inferior a un minuto --añade--. Podrían utilizarse, por ejemplo, en los puntos de entrada de las grandes concentraciones, lo que permitiría un cribado rápido de la población".
La infección por COVID-19 suele afectar a las vías respiratorias superiores y a las cuerdas vocales, lo que provoca cambios en la voz de la persona. Aljbawi y sus supervisores, el doctor Sami Simons, neumólogo del Centro Médico de la Universidad de Maastricht, y la doctora Visara Urovi, también del Instituto de Ciencia de Datos, decidieron investigar si era posible utilizar la IA para analizar las voces con el fin de detectar el COVID-19.
Utilizaron datos de la aplicación de crowdsourcing COVID-19 Sounds de la Universidad de Cambridge (Reino Unido), que contiene 893 muestras de audio de 4.352 participantes sanos y no sanos, 308 de los cuales habían dado positivo en la prueba de COVID-19.
Los investigadores utilizaron una técnica de análisis de la voz denominada análisis del espectrograma de Mel, que identifica diferentes características de la voz, como el volumen, la potencia y la variación en el tiempo.
Descubrieron que un modelo llamado Memoria a Corto Plazo (LSTM) superaba a los demás modelos. Su precisión global fue del 89%, su capacidad para detectar correctamente los casos positivos (la tasa de verdaderos positivos o "sensibilidad") fue del 89%, y su capacidad para identificar correctamente los casos negativos (la tasa de verdaderos negativos o "especificidad") fue del 83%.
"Estos resultados muestran una mejora significativa en la precisión del diagnóstico de la COVID-19 en comparación con las pruebas más modernas, como la prueba de flujo lateral --afirma Aljbawi--. La prueba de flujo lateral tiene una sensibilidad de sólo el 56%, pero una tasa de especificidad mayor, del 99,5%".
"La alta especificidad de la prueba de flujo lateral significa que sólo una de cada 100 personas sería diagnosticada erróneamente como positiva a COVID-19 cuando, en realidad, no estaba infectada, mientras que la prueba LSTM diagnosticaría erróneamente como positivas a 17 de cada 100 personas no infectadas --prosigue--. Sin embargo, dado que esta prueba es prácticamente gratuita, es posible invitar a las personas a someterse a las pruebas PCR si las pruebas LSTM muestran que son positivas".
Los investigadores afirman que sus resultados deben ser validados con un gran número de personas. Desde el inicio de este proyecto, ya se han recogido 53.449 muestras de audio de 36.116 participantes, que pueden utilizarse para mejorar y validar la precisión del modelo. También están llevando a cabo otros análisis para comprender qué parámetros de la voz influyen en el modelo de IA.
En un segundo estudio, Henry Glyde, estudiante de doctorado de la Facultad de Ingeniería de la Universidad de Bristol (Reino Unido), demostró que la IA podía aprovecharse a través de una aplicación llamada myCOPD para predecir cuándo los pacientes con enfermedad pulmonar obstructiva crónica (EPOC) podrían sufrir un brote de su enfermedad, a veces llamado exacerbación aguda. Las exacerbaciones de la EPOC pueden ser muy graves y están asociadas a un mayor riesgo de hospitalización.
"Las exacerbaciones agudas de la EPOC tienen malos resultados --asegura--. Sabemos que la identificación y el tratamiento tempranos de las exacerbaciones pueden mejorar estos resultados, por lo que queríamos determinar la capacidad de predicción de una aplicación de EPOC ampliamente utilizada".
La aplicación myCOPD es una aplicación interactiva basada en la nube, desarrollada por pacientes y médicos y está disponible para su uso en el Servicio Nacional de Salud del Reino Unido. Se creó en 2016 y, hasta ahora, cuenta con más de 15.000 pacientes con EPOC que la utilizan para ayudarles a gestionar su enfermedad.
Los investigadores recopilaron 45.636 registros de 183 pacientes entre agosto de 2017 y diciembre de 2021. De ellos, 45.007 eran registros de enfermedad estable y 629 eran exacerbaciones. Las predicciones de exacerbación se generaron de uno a ocho días antes de un evento de exacerbación autoinformado. Glyde y sus colegas utilizaron estos datos para entrenar modelos de IA en el 70% de los datos y probarlos en el 30%.
"El modelo de IA más reciente que hemos desarrollado tiene una sensibilidad del 32% y una especificidad del 95%. Esto significa que el modelo es muy bueno a la hora de indicar a los pacientes cuándo no están a punto de sufrir una exacerbación, lo que puede ayudarles a evitar un tratamiento innecesario. En cambio, no es tan bueno a la hora de indicarles cuándo están a punto de sufrir una. La próxima fase de nuestra investigación se centrará en mejorar este aspecto", afirma Glyde.
Por su parte, James Dodd, catedrático asociado de medicina respiratoria de la Universidad de Bristol y director del proyecto, destaca que se trata del primer estudio que se realiza. "Por lo que sabemos, este estudio es el primero de este tipo en el que se modelan los datos del mundo real de los pacientes con EPOC, extraídos de una aplicación terapéutica ampliamente desplegada", asegura.
"Como resultado, los modelos de predicción de exacerbación generados a partir de este estudio tienen el potencial de ser desplegados a miles de pacientes con EPOC después de más pruebas de seguridad y eficacia. Esto permitiría a los pacientes tener más autonomía y control sobre su salud --explica--. Esto también es un beneficio importante para sus médicos, ya que un sistema de este tipo probablemente reduciría la dependencia de los pacientes de la atención primaria".
Según comenta, "además, una mejor gestión de las exacerbaciones podría evitar la hospitalización y aliviar la carga del sistema sanitario. Es necesario seguir estudiando el compromiso de los pacientes para determinar qué nivel de precisión es aceptable y cómo funcionaría en la práctica un sistema de alerta de exacerbaciones --subraya--. La introducción de tecnologías de detección puede potenciar aún más el seguimiento y mejorar el rendimiento predictivo de los modelos".
