Con la ayuda de la inteligencia artificial

Una app para teléfonos móviles detecta la infección por COVID-19 en las voces de las personas

La IA también se está utilizando para desarrollar una aplicación para predecir exacerbaciones en la enfermedad pulmonar obstructiva crónica.

La inteligencia artificial (IA) se puede utilizar para detectar la infección por COVID-19 en las voces de las personas por medio de una aplicación de teléfono móvil, según una investigación que se presentará el lunes en el Congreso Internacional de la Sociedad Respiratoria Europea en Barcelona, ​​España.

El modelo de IA utilizado en esta investigación es más preciso que las pruebas de antígeno rápidas/de flujo lateral y es barato, rápido y fácil de usar, lo que significa que puede usarse en países de bajos ingresos donde las pruebas de PCR son costosas y/o difíciles de distribuir.

La Sra. Wafaa Aljbawi, investigadora del Instituto de Ciencia de Datos de la Universidad de Maastricht, Países Bajos, dijo al congreso que el modelo de IA fue preciso el 89% del tiempo, mientras que la precisión de las pruebas de flujo lateral varió ampliamente según la marca. Además, las pruebas de flujo lateral fueron considerablemente menos precisas para detectar la infección por COVID en personas que no mostraban síntomas.

“Estos resultados prometedores sugieren que las grabaciones de voz simples y los algoritmos de inteligencia artificial ajustados pueden potencialmente lograr una alta precisión para determinar qué pacientes tienen infección por COVID-19”, dijo. “Dichas pruebas se pueden proporcionar sin costo y son fáciles de interpretar. Además, permiten pruebas virtuales remotas y tienen un tiempo de respuesta de menos de un minuto. Podrían usarse, por ejemplo, en los puntos de entrada para grandes reuniones, lo que permite una detección rápida de la población”.

La infección por COVID-19 generalmente afecta las vías respiratorias superiores y las cuerdas vocales, lo que provoca cambios en la voz de una persona. La Sra. Aljbawi y sus supervisores, el Dr. Sami Simons, neumólogo del Centro Médico de la Universidad de Maastricht, y la Dra. Visara Urovi, también del Instituto de Ciencia de Datos, decidieron investigar si era posible usar IA para analizar voces con el fin de detectar el COVID-19.

Utilizaron datos de la aplicación COVID-19 Sounds de colaboración abierta de la Universidad de Cambridge que contiene 893 muestras de audio de 4352 participantes sanos y no sanos, 308 de los cuales habían dado positivo por COVID-19. La aplicación se instala en el teléfono móvil del usuario, los participantes brindan información básica sobre la demografía, el historial médico y el estado del tabaquismo, y luego se les pide que graben algunos sonidos respiratorios. Estos incluyen toser tres veces, respirar profundamente por la boca de tres a cinco veces y leer una oración corta en la pantalla tres veces.

Los investigadores utilizaron una técnica de análisis de voz llamada análisis de espectrograma de Mel, que identifica diferentes características de la voz, como el volumen, la potencia y la variación en el tiempo.

“De esta manera podemos descomponer las muchas propiedades de las voces de los participantes”, dijo la Sra. Aljbawi. “Con el fin de distinguir la voz de los pacientes con COVID-19 de aquellos que no tenían la enfermedad, construimos diferentes modelos de inteligencia artificial y evaluamos cuál funcionaba mejor para clasificar los casos de COVID-19”.

Encontraron que un modelo llamado Long-Short Term Memory (LSTM) superó a los otros modelos. LSTM se basa en redes neuronales, que imitan la forma en que opera el cerebro humano y reconoce las relaciones subyacentes en los datos. Funciona con secuencias, lo que lo hace adecuado para modelar señales recopiladas a lo largo del tiempo, como la voz, debido a su capacidad para almacenar datos en su memoria.

Su precisión general 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 COVID-19 en comparación con las pruebas más modernas, como la prueba de flujo lateral”, dijo la Sra. Aljbawi. “La prueba de flujo lateral tiene una sensibilidad de solo el 56 %, pero una tasa de especificidad más alta del 99,5 %. Esto es importante porque significa que la prueba de flujo lateral clasifica erróneamente a las personas infectadas como negativas para COVID-19 con más frecuencia que nuestra prueba. En otras palabras, con el modelo AI LSTM, podríamos pasar por alto 11 de cada 100 casos que propagarían la infección, mientras que la prueba de flujo lateral pasaría por alto 44 de cada 100 casos.

“La alta especificidad de la prueba de flujo lateral significa que solo a una de cada 100 personas se le diría erróneamente que era COVID-19 positivo cuando, de hecho, no estaban infectadas, mientras que la prueba LSTM diagnosticaría erróneamente a 17 de cada 100 personas no infectadas. como positivo. Sin embargo, dado que esta prueba es prácticamente gratuita, es posible invitar a las personas a las pruebas de PCR si las pruebas de LSTM muestran que son positivas”.

Los investigadores recopilaron 45 636 registros de 183 pacientes entre agosto de 2017 y diciembre de 2021 [3]. De estos, 45.007 fueron registros de enfermedad estable y 629 fueron exacerbaciones. Las predicciones de exacerbación se generaron de uno a ocho días antes de un evento de exacerbación autoinformado. El Sr. Glyde y sus colegas usaron estos datos para entrenar modelos de IA en el 70 % de los datos y probarlos en el 30 %.

Los pacientes eran "muy participativos", que habían estado usando la aplicación semanalmente durante meses o incluso años para registrar sus síntomas y otra información de salud, registrar medicamentos, configurar recordatorios y tener acceso a información actualizada sobre salud y estilo de vida. Los médicos pueden evaluar los datos a través de un tablero clínico, lo que les permite brindar supervisión, administración conjunta y monitoreo remoto.

“El modelo de IA más reciente que desarrollamos tiene una sensibilidad del 32 % y una especificidad del 95 %. Esto significa que el modelo es muy bueno para decirles a los pacientes cuándo no van a experimentar una exacerbación, lo que puede ayudarlos a evitar un tratamiento innecesario. Es menos bueno para decirles cuando están a punto de experimentar uno. Mejorar esto será el foco de la próxima fase de nuestra investigación”, dijo el Sr. Glyde.

Hablando antes del congreso, el Dr. James Dodd, profesor asociado de medicina respiratoria en la Universidad de Bristol y líder del proyecto, dijo: "Hasta donde sabemos, este estudio es el primero de su tipo en modelar datos del mundo real de pacientes con EPOC, extraídos de un aplicación terapéutica ampliamente implementada. Como resultado, los modelos predictivos de exacerbaciones generados a partir de este estudio tienen el potencial de implementarse en miles de pacientes con EPOC más después de realizar más pruebas de seguridad y eficacia. Permitiría a los pacientes tener más autonomía y control sobre su salud. Esto también es un beneficio significativo para sus médicos, ya que dicho sistema probablemente reduciría la dependencia del paciente en la atención primaria. Además, las exacerbaciones mejor gestionadas podrían evitar la hospitalización y aliviar la carga del sistema sanitario. Se requieren más estudios sobre la participación del paciente para determinar qué nivel de precisión es aceptable y cómo funcionaría en la práctica un sistema de alerta de exacerbaciones. La introducción de tecnologías de detección puede mejorar aún más el monitoreo y mejorar el rendimiento predictivo de los modelos”.

Una de las limitaciones del estudio es el reducido número de usuarios frecuentes de la aplicación. El modelo actual requiere que un paciente ingrese un puntaje de prueba de evaluación de EPOC, complete su diario de medicamentos y luego informe que está teniendo una exacerbación con precisión días después. Por lo general, solo los pacientes que están muy comprometidos con la aplicación, usándola a diario o semanalmente, pueden proporcionar la cantidad de datos necesaria para el modelo de IA. Además, debido a que hay significativamente más días en que los usuarios están estables que cuando tienen una exacerbación, existe un desequilibrio significativo entre los datos disponibles de exacerbación y no exacerbación. Esto da como resultado una dificultad aún mayor en los modelos que predicen correctamente los eventos después del entrenamiento con estos datos desequilibrados.

“Una asociación reciente entre pacientes, médicos y cuidadores para establecer prioridades de investigación en la EPOC descubrió que la pregunta mejor calificada era cómo identificar mejores formas de prevenir las exacerbaciones. Nos hemos centrado en esta pregunta y trabajaremos en estrecha colaboración con los pacientes para diseñar e implementar el sistema”, concluyó el Sr. Glyde.

El presidente del Consejo de Ciencias de ERS, el profesor Chris Brightling, es el investigador principal del Instituto Nacional de Investigación en Salud y Atención (NIHR) de la Universidad de Leicester, Reino Unido, y no participó en la investigación. Comentó: “Estos dos estudios muestran el potencial de la inteligencia artificial y las aplicaciones en teléfonos móviles y otros dispositivos digitales para marcar una diferencia en la forma en que se manejan las enfermedades. Tener más datos disponibles para entrenar estos modelos de inteligencia artificial, incluidos los grupos de control apropiados, así como la validación en múltiples estudios, mejorará su precisión y confiabilidad. La salud digital que utiliza modelos de IA presenta una oportunidad emocionante y es probable que tenga un impacto en la atención médica futura”.