Cómo funciona el modelo de IA que podría estimar el riesgo de diabetes tipo 2 con la voz y en solo 20 segundos

Una grabación de voz de apenas 20 segundos podría ayudar a estimar el riesgo de diabetes tipo 2 mediante inteligencia artificial. El modelo analiza rasgos de la voz y, en las pruebas realizadas, logró diferenciar a personas con y sin la enfermedad con un nivel de precisión que sus autores consideran clínicamente útil.

Hasta ahora, la confirmación de la diabetes tipo 2 ha requerido análisis de sangre y, en muchos casos, la enfermedad permanece sin detectar durante años. Por eso, uno de los principales desafíos es ampliar el acceso a controles iniciales sin reemplazar las pruebas clínicas que permiten determinar con certeza los niveles de glucosa en sangre.

En este contexto, el avance fue descrito en un preprint difundido en el repositorio medRxiv. Un preprint es una versión preliminar de un trabajo científico. Allí, un equipo de la Universidad RMIT de Melbourne, en Australia, evaluó un sistema de análisis de voz en miles de participantes del Reino Unido y Estados Unidos.

Los resultados sugieren que esta herramienta podría complementar los métodos de detección existentes, aunque todavía requiere validación en ámbitos clínicos.

La voz puede reflejar cambios asociados con la diabetes tipo 2

La investigación parte de estudios previos que vincularon la diabetes tipo 2 con cambios en la calidad de la voz. Entre ellos aparecen una mayor ronquera, aspereza y dificultades para controlar la respiración o la emisión vocal mientras se habla.

El nuevo modelo buscó reconocer esas características en registros breves, sin requerir dispositivos médicos ni extracciones de sangre para la primera evaluación.

Para entrenarlo, los investigadores utilizaron 63.283 muestras de voz de 21.129 personas del Reino Unido y Estados Unidos que habían informado si contaban con un diagnóstico de diabetes. Luego, el sistema fue probado con grabaciones remotas de 20 segundos, en las que los participantes leían una fábula de Esopo.

La prueba se realizó en dos etapas. La primera incluyó a 7.319 adultos del Reino Unido, de los cuales el 67 % eran mujeres y el 45,8 % tenía 40 años o más. Dentro de ese grupo, 217 participantes declararon convivir con la enfermedad.

La herramienta asignó una puntuación de riesgo más alta a quienes habían informado la enfermedad que a quienes no lo habían hecho en el 80 % de los casos. Según se detalla en el estudio, ese resultado corresponde a un área bajo la curva de 0,80. Esta medida estadística indica qué tan bien una herramienta puede diferenciar entre dos grupos: cuanto más alto es el valor, mayor es su capacidad de distinción.

Los autores presentan el trabajo como el mayor estudio realizado hasta ahora en condiciones reales sobre detección de diabetes tipo 2 mediante el análisis de la voz. Además de considerar los diagnósticos informados por los participantes, la investigación contrastó parte de las predicciones con análisis de sangre.

Los resultados se compararon con una prueba de sangre para medir glucosa

La segunda fase incluyó a un subgrupo de 801 participantes que realizó una prueba de HbA1c en el hogar durante los tres meses posteriores a la grabación. La HbA1c es un análisis de sangre que estima el promedio de glucosa de los últimos dos o tres meses y se utiliza para detectar diabetes y prediabetes.

En este grupo, el sistema distinguió a las personas con diabetes tipo 2 de quienes no tenían la condición en el 75 % de los casos, de acuerdo con los resultados de HbA1c. La sensibilidad fue del 82 %, lo que significa que identificó correctamente a 82 de cada 100 personas que tenían diabetes tipo 2.

La tasa de falsos positivos fue del 47 %, es decir, que el modelo también asignó riesgo elevado a una parte relevante de personas que no cumplían el criterio de diabetes en el análisis de sangre.

Por esa razón, los autores remarcaron que la herramienta no está diseñada para confirmar un diagnóstico ni para reemplazar un análisis de sangre. Su posible función sería seleccionar a quienes deberían acceder después a una evaluación clínica y a una prueba sanguínea.

En el subgrupo que realizó la prueba de HbA1c, las puntuaciones de riesgo más altas mostraron correspondencia con los resultados de los análisis de sangre. Además, el sistema clasificó a los participantes en grupos de riesgo bajo, medio y alto a partir de esos valores.

Ninguna de las personas ubicadas en el grupo de bajo riesgo presentó resultados compatibles con diabetes o prediabetes, según el comunicado.

La prediabetes ocurre cuando la glucosa se encuentra por encima de los valores habituales, pero todavía no alcanza los criterios diagnósticos de diabetes. Detectarla puede permitir un seguimiento médico antes de que aparezcan complicaciones asociadas con niveles elevados de azúcar en sangre durante períodos prolongados.

El sistema mostró menor precisión en presencia de otras enfermedades

El sistema mostró menor precisión en las grabaciones de personas con enfermedad cardíaca, hipertensión arterial u obesidad. Estas condiciones pueden coincidir con la diabetes tipo 2 y también estar asociadas con cambios en la voz, lo que dificulta distinguir el origen de las señales detectadas por el algoritmo.

El estudio reconoce, además, vínculos de los investigadores con la empresa que desarrolló la tecnología. Varios autores forman parte de dicha compañía y podrían obtener réditos con su comercialización, según consta en la declaración de conflictos de interés del trabajo.

Los investigadores proponen que, si futuras pruebas confirman su desempeño en la práctica médica, los médicos de atención primaria podrían usar grabaciones cortas para clasificar a los pacientes por nivel de riesgo. Quienes obtuvieran puntuaciones elevadas pasarían luego a los análisis de sangre de confirmación.

Las muestras de voz podrían obtenerse por teléfono o mediante una aplicación, lo que permitiría ampliar el alcance de la etapa inicial de detección. El próximo paso planteado por los autores es evaluar el modelo en ámbitos clínicos y medir su desempeño en distintos grupos de población.