teléfono alzheimer

Un teléfono para detectar el alzheimer

El diagnóstico de la enfermedad de Alzheimer es difícil debido a la amplia gama de síntomas, la variabilidad de persona a persona, los costos de diagnóstico y la capacidad variable de los centros de salud. No obstante, identificar a las personas en riesgo de contraer la enfermedad de Alzheimer en las primeras fases de detección es clave para aliviar la carga de la enfermedad de Alzheimer entre los pacientes y los cuidadores y para comenzar el tratamiento.

En los últimos años, una gran cantidad de evidencia ha demostrado la mayor precisión y eficiencia de los modelos predictivos que utilizan algoritmos de aprendizaje automático. Se han desarrollado muchos modelos con fines clínicos, incluida la predicción de la enfermedad de Alzheimer utilizando datos clínicos de salud, pero han mostrado una eficacia variable.

Para aprovechar y perfeccionar los modelos existentes, Akihiro Shimoda y sus colegas del Departamento de Salud Pública de McCann Healthcare Worldwide Japan Inc. con sede en Tokio, Japón, han desarrollado un modelo de aprendizaje automático nuevo y mejorado que utiliza características vocales para identificar los primeros signos de la enfermedad de Alzheimer. Su estudio se publica en la revista PLOS One .

El uso de características vocales es clave, ya que la evidencia clínica sugiere que los pacientes afectados por la enfermedad de Alzheimer tienen más probabilidades de hablar lentamente, con pausas largas y dedicar tiempo a encontrar las palabras correctas, lo que resulta en mensajes entrecortados que muestran una clara falta de fluidez en el habla.

Para desarrollar modelos predictivos precisos, los investigadores utilizaron 1.465 archivos de datos de audio de 99 personas sanas, así como 151 archivos de datos de audio grabados de 24 pacientes diagnosticados con la enfermedad de Alzheimer, que se origina en un programa de prevención de la demencia en la ciudad de Hachioji en Tokio. Los datos se originaron a partir de conversaciones telefónicas muestreadas entre marzo y mayo de 2020 de personas de 65 años o más.

A partir de los archivos de audio, los investigadores desarrollaron modelos de aprendizaje automático basados ​​en el aumento de gradiente extremo (XGBoost), el bosque aleatorio (RF) y la regresión logística (LR), utilizando cada archivo de audio como una única observación. El rendimiento predictivo de los modelos se evaluó luego mediante la curva de característica operativa del receptor (ROC), que proporcionó indicaciones de efectividad, sensibilidad y especificidad.

Luego, los resultados se compararon con múltiples algoritmos de aprendizaje automático con pruebas cognitivas convencionales.

Los modelos mostraron un rendimiento predictivo similar a otras pruebas de diagnóstico.

A partir de los modelos de aprendizaje automático, los resultados mostraron que la precisión predictiva no fue significativamente diferente en la capacidad de diagnóstico en comparación con otras pruebas de diagnóstico.

Sin embargo, es necesario considerar varias limitaciones. Solo se utilizaron muestras binarias, ya que los individuos estaban sanos o diagnosticados, con una gama limitada de diagnósticos clínicos que podrían proporcionar una identificación más eficaz de la gravedad de la enfermedad. Esto se puede abordar en estudios futuros que podrían utilizar datos retrospectivos de pacientes con síntomas limitados, leves o graves.

Además, el poder predictivo estaba limitado por el tamaño de la muestra y la calidad del audio, que podría extenderse aún más para abarcar una muestra de población más grande y una calidad de muestreo estandarizada. Además, solo se utilizaron características vocales superficiales para el análisis, lo que podría provocar una pérdida de información y una identificación errónea si las personas hablaban con acentos o tenían una pronunciación inusual.

Sin embargo, la precisión de los modelos desarrollados fue respaldada por grandes conjuntos de datos de entrenamiento que proporcionaron indicaciones clave de las características vocales diferenciales entre pacientes sanos y diagnosticados. Los hallazgos, por lo tanto, demuestran que este nuevo modelo de predicción que utiliza conversaciones telefónicas diarias tiene un potencial prometedor para evaluar el riesgo de la enfermedad de Alzheimer. En el futuro, los estudios podrían ampliar este concepto para incluir una muestra de población más grande y diversa para mejorar aún más los modelos del presente estudio.

Referencias:
 
  1. Shimoda A, Li Y, Hayashi H, Kondo N (2021) Riesgos de demencia identificados por características vocales a través de conversaciones telefónicas: un modelo novedoso de predicción de aprendizaje automático. PLoS ONE 16 (7): e0253988.
 

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información. ACEPTAR

Aviso de cookies
error: ¡El contenido está protegido!
Scroll al inicio
Ir arriba