Una aplicación para teléfonos móviles detecta con precisión la infección por COVID-19 en la voz de las personas con la ayuda de la inteligencia artificial

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), explicó en el congreso 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", afirmó. "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. 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. 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 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, 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. La aplicación se instala en el teléfono móvil del usuario, los participantes comunican algunos datos básicos sobre la demografía, el historial médico y el hábito de fumar, y a continuación 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 frase corta en la pantalla tres veces.

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.

"De este modo podemos descomponer las múltiples propiedades de las voces de los participantes", dijo Aljbawi. "Para distinguir la voz de los pacientes de COVID-19 de los que no tenían la enfermedad, construimos diferentes modelos de inteligencia artificial y evaluamos cuál funcionaba mejor para clasificar los casos de COVID-19".

Descubrieron que un modelo llamado Memoria a Corto Plazo (LSTM) superaba a los demás modelos. La LSTM se basa en redes neuronales, que imitan el funcionamiento del cerebro humano y reconocen las relaciones subyacentes en los datos. Funciona con secuencias, lo que lo hace adecuado para modelar señales recogidas a lo largo del tiempo, como las de la voz, por su capacidad de almacenar datos en su memoria.

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", afirmó Aljbawi. "La prueba de flujo lateral tiene una sensibilidad de sólo el 56%, pero una tasa de especificidad mayor, del 99,5%. Esto es importante, ya que significa que la prueba de flujo lateral clasifica erróneamente a las personas infectadas como negativas a COVID-19 con más frecuencia que nuestra prueba. En otras palabras, con el modelo LSTM de AI, podríamos pasar por alto 11 de cada 100 casos que llegarían a propagar 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 sólo se diría erróneamente que una de cada 100 personas era 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. 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, 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. Los síntomas incluyen dificultad para respirar, tos y producción de más flema (mucosidad).

"Las exacerbaciones agudas de la EPOC tienen malos resultados. 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", dijo.

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 recogieron 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. El Sr. Glyde y sus colegas utilizaron estos datos para entrenar modelos de IA en el 70% de los datos y probarlos en el 30%.

Los pacientes eran "muy comprometidos", que habían utilizado la aplicación semanalmente durante meses o incluso años para registrar sus síntomas y otra información sanitaria, anotar la medicación, establecer recordatorios y tener acceso a información actualizada sobre salud y estilo de vida. Los médicos pueden evaluar los datos a través de un panel de control clínico, lo que les permite supervisar, gestionar conjuntamente y hacer un seguimiento a distancia.

"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", afirmó Glyde.

Antes del congreso, el Dr. James Dodd, catedrático asociado de medicina respiratoria de la Universidad de Bristol y director del proyecto, afirmó: "Por lo que sabemos, este estudio es el primero que se realiza en el mundo: "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. 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. 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. 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. La introducción de tecnologías de detección puede mejorar el seguimiento y 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 el paciente introduzca la puntuación de la prueba de evaluación de la EPOC, rellene su diario de medicación y comunique que tiene una exacerbación con precisión días después. Por lo general, sólo los pacientes que están muy comprometidos con la aplicación, utilizándola a diario o semanalmente, pueden proporcionar la cantidad de datos necesarios para el modelo de IA. Además, como hay muchos más días en los que los usuarios están estables que cuando tienen una exacerbación, hay un desequilibrio importante entre los datos disponibles sobre exacerbaciones y los que no lo están. Esto hace que los modelos tengan aún más dificultades para predecir correctamente los eventos tras el entrenamiento con estos datos desequilibrados.

"En una reciente colaboración entre pacientes, médicos y cuidadores para establecer las prioridades de investigación en la EPOC, se descubrió que la pregunta más votada era cómo identificar mejores formas de prevenir las exacerbaciones. Nos hemos centrado en esta cuestión, y trabajaremos estrechamente con los pacientes para diseñar e implantar el sistema", concluyó el Sr. Glyde.

El presidente del Consejo Científico de la ERS, el profesor Chris Brightling, es investigador principal del Instituto Nacional de Investigación Sanitaria y Asistencial (NIHR) de la Universidad de Leicester (Reino Unido) y no participó en la investigación. Comentó: "Estos dos estudios demuestran el potencial de la inteligencia artificial y las aplicaciones de los teléfonos móviles y otros dispositivos digitales para marcar la diferencia en la gestión de las enfermedades. Disponer de más datos para entrenar estos modelos de inteligencia artificial, incluyendo grupos de control adecuados, así como la validación en múltiples estudios, mejorará su precisión y fiabilidad. La salud digital mediante modelos de IA presenta una oportunidad apasionante y es probable que repercuta en la atención sanitaria del futuro."