Sin categoría

Analizar la voz puede mejorar el pronóstico de los pacientes de ELA

Shutterstock / Prostock-studio

La esclerosis lateral amiotrófica (ELA) es una enfermedad neurodegenerativa de progresión irregular y asimétrica, caracterizada por una pérdida progresiva de motoneuronas que conduce a la atrofia muscular, parálisis y finalmente a la muerte. La esperanza de vida de estos pacientes es de 3 a 5 años desde el inicio de los síntomas.

Actualmente no existe cura para el ELA, pero la detección temprana puede ralentizar el progreso. En ese sentido, hay que distinguir que no todos los pacientes con ELA son iguales. La enfermedad se conoce como ELA espinal (80% de los casos) cuando los primeros síntomas aparecen en los brazos y piernas (inicio en las extremidades o en la columna). Y hablamos de ELA bulbar (20% de los casos) cuando comienza en el bulbo raquídeo (inicio bulbar).

Los pacientes con la forma más tardía tienden a tener una vida más corta debido a la naturaleza crítica de la función del músculo bulbar responsable del habla y la deglución. Sin embargo, el 80% de todos los pacientes con ELA experimentan articulación del habla poco clara y difícil (disartria, en la jerga médica). En promedio, el habla no empieza a mostrar signos de empeoramiento hasta aproximadamente 18 meses después de que aparezca el primer síntoma bulbar.

Por lo general, estos síntomas se notan al comienzo de la enfermedad del ELA bulbar o en las etapas posteriores del ELA espinal. La identificación temprana de la afección bulbar en personas con ELA sería fundamental para mejorar el diagnóstico y el pronóstico y puede ser la clave para ralentizar eficazmente la enfermedad.

La clave está en las vocales

La mala noticia es que, de momento, no existen procedimientos de diagnóstico estandarizados para evaluar la disfunción bulbar del ELA. La buena es que es posible detectar cambios tempranos, a menudo imperceptibles, en el habla y la voz a través de medidas objetivas como se sugiere en trabajos previos.

Desde el grupo de Computación Distribuida de la Universitat de Lleida y el Centro Internacional de Métodos Numéricos (Barcelona) hemos demostrado que se puede detectar precozmente la afección bulbar usando parámetros acústicos obtenidos analizando vocales.

Llegados a este punto, es interesante conocer que en inteligencia artificial (IA) es necesario obtener las características, propiedades o signos diferenciales para poder realizar clasificaciones. Esto se consigue mediante algoritmos de aprendizaje automático, que es el campo de IA utilizado en esta investigación sobre ELA.

El aprendizaje automático trata de clasificar, adivinar y predecir enfermedades, clima, terremotos, fluctuación de la bolsa, evolución de los precios, demanda, etc. En nuestro caso, lo aplicamos al diagnóstico de una enfermedad, la afección bulbar en pacientes de ELA, teniendo en cuenta las características de voz propias de un individuo. La pregunta que nos formulamos para realizar la investigación fueron básicamente dos: qué características escoger y de qué sonidos. Responderlas fue el reto principal de esta investigación.

Los sonidos se convierten en señales. Éstas pueden ser procesadas por un ordenador para obtener las características. En este experimento se demostró que las características más importantes para identificar la afección bulbar fueron la fluctuación, brillo, relación armónica-ruido y tono de los sonidos vocálicos.

Las máquinas pueden percibir más sonidos que los especialistas

La prueba se realizó con 45 pacientes con ELA y 18 participantes que no lo padecían, necesarios para poder hacer comparaciones. En cuanto a los sonidos, se escogieron las vocales (en español), puesto que son los mas importantes en el habla de cualquier idioma.

Una vez obtenidas las características de los pacientes que participaron en el estudio, usamos varios algoritmos de aprendizaje automático. El algoritmo SVM ofreció el mayor rendimiento, obteniendo una precisión del 95,8%. Es decir, detectó con un 95,8% si un participante en el estudio tenia afección bulbar.

Otro resultado interesante fue el hecho que, en algunos casos, los modelos de aprendizaje automático superaron en eficiencia el diagnóstico del especialista. Al fin y al cabo, los humanos no somos capaces de percibir sonidos que sí pueden percibir las máquinas.

Los resultados obtenidos son muy alentadores y demuestran que podemos estar ante una herramienta adecuada para ayudar a equipos clínicos multidisciplinares a mejorar el diagnóstico de ELA.

The Conversation

Francesc Solsona Tehas recibe fondos del Ministerio de Economía, Industria y Competitividad (TIN2017-84553-C2-2-R).

The Conversation. Rigor académico, oficio periodístico

A %d blogueros les gusta esto: