Un grupo de investigadores ha desarrollado herramientas de aprendizaje automático para detectar trastorno depresivo mayor y trastorno de ansiedad mediante señales acústicas de voz.
Investigadores de la Universidad de Illinois han desarrollado una novedosa herramienta basada en inteligencia artificial (IA) capaz de detectar trastorno depresivo mayor (TDM) y trastornos de ansiedad (TDA) mediante señales acústicas de voz.
La tecnología, descrita en un artículo en JASA Express Letters, se basa en una prueba de fluidez verbal en la que los participantes deben nombrar tantos animales como puedan en un minuto.
Mediante el análisis de las características fonéticas y acústicas de las grabaciones, los investigadores lograron diferenciar a personas con y sin trastornos comórbidos de ansiedad y depresión.
Diferenciación de los trastornos comórbidos
Uno de los principales logros de este estudio es la capacidad de distinguir el TDA/TDM comórbido, una combinación difícil de identificar, debido a que los marcadores acústicos de cada trastorno tienden a ser opuestos.
El estudio confirmó que las personas con esta condición tienden a usar un lenguaje más simple, con menor variabilidad en la longitud de las palabras y menor similitud fonémica, características que fueron detectadas con precisión mediante la IA.
La investigadora principal, Mary Pietrowicz, explicó que la inspiración para este estudio surgió al notar que muchos pacientes con TDA y TDM enfrentan largos períodos de retraso en su diagnóstico y tratamiento.
"El hallazgo de señales de voz asociadas a trastornos psiquiátricos y otras condiciones médicas abre nuevas posibilidades para mejorar el diagnóstico temprano", afirmó Pietrowicz.
El equipo espera que su modelo pueda ayudar a reducir estos retrasos y, a largo plazo, servir como herramienta complementaria en la práctica clínica.
Futuro de la investigación y mejoras del modelo
Aunque el estudio ha mostrado resultados prometedores, Pietrowicz señaló que se necesita más trabajo para perfeccionar el modelo.
"Nuestro objetivo es ampliar la diversidad de los datos y aplicar técnicas analíticas innovadoras para mejorar la precisión y profundizar en el entendimiento de las señales acústicas", indicó la investigadora.
Además, subrayó que se requieren más datos de diversas poblaciones para crear una herramienta de diagnóstico realmente efectiva y accesible.
Fuente consultada aquí
