Biomarcadores del habla

El campo de la salud digital propicia múltiples avances para detectar casos de demencia. Entre ellos se destacan los biomarcadores digitales del habla, alteraciones acústicas o lingüísticas en la producción verbal que pueden captarse y analizarse mediante inteligencia artificial. Múltiples trabajos de nuestro equipo y otros centros internacionales demuestran la sensibilidad y escalabilidad de este enfoque. Sin embargo, a la fecha, ningún estudio había realizado una prueba clave para su validación clínica: compararlos directamente, en una misma muestra, con medidas cognitivas y de neuroimagen ya consolidadas. Ese fue el objetivo de nuestra reciente investigación, publicada en Alzheimer’s & Dementia (Figura 1). 

Figura 1. Resumen de la investigación. Los resultados del panel titulado “Rendimiento de detección” se expresan como ‘área bajo la curva ROC’ (métrica que mide qué tan bien un modelo distingue entre dos grupos posibles, donde 1 es una separación perfecta y 0,5 equivale a adivinar al azar).

Analizamos datos de 66 adultos hispanohablantes: 33 pacientes con demencia por enfermedad de Alzheimer y 33 personas sin deterioro cognitivo. Todos completaron dos tareas breves de fluidez verbal, ampliamente utilizadas en la evaluación cognitiva habitual por ser breves, económicas y fáciles de administrar. En estas tareas, los participantes debían producir la mayor cantidad de palabras posible durante un minuto. En la versión fonémica, las palabras debían comenzar con la letra ‘p’; en la versión semántica, se debía consignar distintos tipos de animales. Además, realizaron pruebas de memoria episódica y funciones ejecutivas, y estudios de resonancia magnética estructural y funcional. 

A partir de las grabaciones de estas tareas extrajimos biomarcadores digitales del habla. Entre ellos se incluyeron medidas de pausas, velocidad de articulación y propiedades del vocabulario, como la frecuencia de las palabras, su longitud y su grado de especificidad conceptual. Estas medidas permiten caracterizar no solo la cantidad de palabras producidas, sino también aspectos de cómo se desarrolla la producción verbal y qué tipo de palabras se utilizan.

Con todos estos datos entrenamos modelos computacionales para distinguir entre pacientes con Alzheimer y personas sin deterioro cognitivo. El objetivo fue comparar de manera directa qué rendimiento alcanzaban distintos tipos de información: las medidas derivadas de las tareas de fluidez verbal, los puntajes de las pruebas cognitivas y las medidas obtenidas de las imágenes cerebrales.

Los resultados mostraron que las medidas de fluidez verbal discriminaron a los pacientes de las personas sin deterioro cognitivo con un rendimiento comparable al de varias medidas estándar. El clasificador basado en fluidez alcanzó un AUC de 0,84, sin diferencias significativas frente a los modelos basados en memoria episódica (AUC de 0,90), funciones ejecutivas (AUC de 0,79) y resonancia magnética estructural (AUC de 0,90). En cambio, el modelo basado en conectividad cerebral mostró un rendimiento menor, con un AUC de 0,65. En términos prácticos, esto sugiere que ciertos patrones de la producción verbal, obtenidos a partir de tareas breves y ampliamente utilizadas en la práctica clínica, pueden ofrecer una capacidad de discriminación comparable a la de evaluaciones más extensas o costosas.

 El análisis más detallado de los datos mostró que algunas propiedades del vocabulario fueron especialmente informativas. En comparación con las personas sin deterioro cognitivo, los pacientes con Alzheimer tendieron a producir palabras más cortas, más frecuentes, conceptualmente más generales y más cercanas, en términos sonoros, a muchas otras palabras del idioma. Este patrón sugiere que, durante la búsqueda de palabras, recurren a términos que resultan más accesibles en la memoria semántica, el sistema que almacena el conocimiento sobre palabras y conceptos.

También encontramos que dos de estas variables se asociaban con diferencias en el volumen de sustancia gris en regiones frontales derechas. El uso de palabras más frecuentes se relacionó con menor volumen en la corteza órbitofrontal y en el giro frontal inferior derechos, mientras que la menor longitud fonémica se asoció con menor volumen en regiones órbitofrontales derechas. Estas áreas se vinculan con procesos de búsqueda y selección léxica, lo que ofrece una posible explicación neurobiológica para los patrones observados.

Desde una perspectiva clínica, estos resultados son relevantes porque muchas medidas estándar utilizadas para evaluar la enfermedad de Alzheimer requieren más tiempo, personal entrenado o equipamiento costoso. Las tareas de fluidez verbal, en cambio, son breves, económicas y ampliamente utilizadas en la práctica clínica. El análisis automatizado del habla y del lenguaje permite extraer a partir de ellas indicadores objetivos sobre pausas, velocidad de articulación y propiedades del vocabulario. En nuestro estudio, esos indicadores mostraron un rendimiento comparable al de varias medidas cognitivas y de neuroimagen.

Esto sugiere que los biomarcadores digitales del habla podrían contribuir a evaluaciones más accesibles y escalables en contextos con recursos limitados, especialmente en América Latina, donde el acceso a métodos diagnósticos más complejos suele ser desigual. Además, al centrarse en una muestra latinoamericana hispanohablante, nuestro estudio aporta evidencia relevante para avanzar en la validación de estos enfoques en poblaciones históricamente subrepresentadas en la investigación sobre la enfermedad de Alzheimer.

Como todo estudio, este trabajo tiene limitaciones. La muestra fue relativamente pequeña y estuvo compuesta por pacientes con enfermedad ya establecida, por lo que será importante replicar estos hallazgos en cohortes más grandes y en etapas más tempranas.

El estudio fue liderado por Ivan Caro desde el Centro de Neurociencias Cognitivas de la Universidad de San Andrés y coordinado por Adolfo M. García, también de esa institución. En el trabajo participaron además investigadores del mismo centro, entre ellos Gonzalo Pérez, con aportes al desarrollo metodológico y computacional, así como equipos de la Universidad de Buenos Aires y de otras instituciones de Argentina, Chile y Estados Unidos. 

Ivan Caro,^1,2 Gonzalo Pérez,^1,2 Adolfo M. García^1,3,4

1. Centro de Neurociencias Cognitivas, Departamento de Ciencias de la Vida y del Comportamiento, Universidad de San Andrés, Buenos Aires, Argentina

2. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina

3. Global Brain Health Institute, University of California San Francisco, San Francisco, EE. UU.

4. Departamento de Lingüística y Literatura, Facultad de Humanidades, Universidad de Santiago de Chile, Santiago, Chile.