De las máquinas vectoriales de soporte a las redes neuronales: avanzar en la detección automatizada de la disfunción...

Área de la Ciencia:

• Patología del habla
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• El habla inteligible es crucial después de la reparación del paladar hendido.
• La disfunción velofaríngea (DPV) tiene un impacto significativo en los resultados del habla.
• La prevalencia y el impacto de la EPV en los países de ingresos bajos y medios (PIBM) no se conocen bien.

Objetivo del estudio:

• Explorar el uso de la IA y el aprendizaje automático (ML) para la detección automática de VPD a partir de muestras de habla.
• Desarrollar y probar un modelo de aprendizaje profundo para la identificación de la EPV en pacientes con paladar hendido.
• Evaluar el potencial de las herramientas basadas en la IA para mejorar la atención de las personas con discapacidad visual en entornos con recursos limitados.

Principales métodos:

• Desarrollo de un modelo de aprendizaje profundo auto-supervisado basado en redes neuronales.
• Se utilizó una cohorte de 60 pacientes (30 con DPV, 30 controles) con paladar hendido.
• Entrenado y probado el modelo en aproximadamente 8000 muestras de voz de audio.

Principales resultados:

• El modelo ML logró una precisión perfecta, precisión, recuerdo y puntuaciones F1 (1.0) en la detección de VPD.
• El modelo demostró un alto rendimiento tanto en conjuntos de datos aumentados como no aumentados.
• Los resultados iniciales indican una fuerte capacidad de ML en la identificación de patrones de habla asociados con VPD.

Conclusiones:

• Los resultados prometedores apoyan el potencial de los modelos de aprendizaje automático para la detección de VPD en el habla.
• Se necesita más investigación para abordar los factores de confusión y permitir el análisis multilingüe.
• La implementación clínica de dichos modelos de IA podría mejorar significativamente la atención de los pacientes con FPV de paladar hendido en los LMIC.