Un equipo de científicos, expertos en inteligencia artificial (IA), ha desarrollado una aplicación para móviles (app) que detecta los casos de COVID-19 en las voces de la gente con más precisión y rapidez que las pruebas de antígenos utilizadas hasta ahora.
El sistema, que se presentaba este lunes en el Congreso Internacional de la Sociedad Respiratoria Europea de Barcelona, también es más barato que las pruebas de antígenos, lo que significa que podría usarse en países de bajos ingresos en los que estos test son caros o difíciles de conseguir.
Según Wafaa Aljbawi, investigadora del Instituto de Ciencia de Datos de la Universidad de Maastricht (Países Bajos), este modelo de IA tiene una precisión del 89%, un porcentaje que en caso de los test varía en función de la marca.
“Nuestros resultados son prometedores y sugieren que las grabaciones de voz y los algoritmos de inteligencia artificial ajustados pueden ser muy precisos a la hora de determinar qué pacientes tienen infección por COVID-19”, asegura.
“Estas pruebas son gratuitas y fáciles de interpretar. Además, pueden ser pruebas virtuales remotas y su tiempo de respuesta es de menos de un minuto por lo que podrían usarse, por ejemplo, en los puntos de entrada para grandes reuniones para asegurar una detección rápida en la población”, avanza.
MyCOPD mobile app may help detect COVID-19 infection in people through their voices. What’s the role of AI in this detection method? Read to find out. #Science https://t.co/Pmz5Tzo8X9
— ScienceTimes (@ScienceTimesCom) September 5, 2022
La infección por COVID-19 suele afectar a las vías respiratorias superiores y las cuerdas vocales, causando cambios en la voz de una persona.
A partir de ahí, Aljbawi, Sami Simons, neumólogo del Centro Médico de la Universidad de Maastricht, y Visara Urovi, del Instituto de Ciencia de Datos, investigaron si era posible usar IA para analizar voces y detectar contagios.
Para ello usaron la aplicación abierta “COVID-19 Sounds”, creada por la Universidad de Cambridge para estudiar los síntomas del coronavirus, una base de datos que contiene 893 muestras de audio de 4.352 participantes sanos y no sanos, 308 de los cuales dieron positivo por la enfermedad
La aplicación se instala en el teléfono móvil del usuario, los participantes deben dar información básica, y datos de su historial médico y de hábitos como el tabaquismo, y luego se les pide que graben su respiración, su tos y su voz.
Usando la 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, pudieron descomponer las distintas propiedades de las voces de los participantes.
Después, para distinguir la voz de los pacientes con COVID-19 de los sanos, los científicos construyeron diferentes modelos de inteligencia artificial y estudiaron cuál funcionaba mejor para clasificar los casos.
El modelo “Long-Short Term Memory” (LSTM), basado en redes neuronales que imitan la forma en que opera el cerebro humano y reconoce las relaciones subyacentes en los datos, logró una precisión del 89 % detectando correctamente los casos positivos y del 83 % en los negativos.
Los resultados del estudio se validarán en un estudio más amplio con las 53.449 muestras de audio de 36.116 participantes.
En un segundo estudio, Henry Glyde, de la Universidad de Bristol, ha demostrado que la IA (a través de una aplicación llamada “myCOPD”) podría predecir exacerbaciones (brotes graves) en los pacientes con enfermedad pulmonar obstructiva crónica (EPOC).
“MyCOPD” es una aplicación interactiva desarrollada por pacientes y médicos que desde 2016 está disponible para su uso en el Servicio Nacional de Salud del Reino Unido y que actualmente ayuda a más de 15.000 pacientes con EPOC a controlar su enfermedad.
Los investigadores recopilaron 45.636 registros de 183 pacientes entre agosto de 2017 y diciembre de 2021 (45.007 registros de enfermedad estable y 629 exacerbaciones) y usaron estos datos para entrenar modelos de IA.
“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”, concluye Glyde.
