Desarrollo de Fármacos

Área de la Ciencia:

• Neurología y Ciencia del Habla
• Descubrimiento de Biomarcadores
• Inteligencia Artificial en la Atención Médica

Sus antecedentes:

• Los biomarcadores de voz muestran potencial para la detección temprana del Deterioro Cognitivo Leve (DCL).
• Es esencial evaluar la eficacia de diferentes tareas de habla para el cribado del DCL.
• La identificación de combinaciones de tareas óptimas puede mejorar la precisión diagnóstica.

Objetivo del estudio:

• Evaluar el rendimiento de tareas de habla individuales y combinadas en la identificación del DCL.
• Determinar qué combinaciones de tareas de habla producen la mayor precisión en la detección del DCL.
• Investigar la contribución de las características acústicas frente a las lingüísticas en la clasificación del DCL.

Principales métodos:

• Se diseñaron tres tareas de habla: Lectura Guionizada (Tarea 1), Preguntas y Respuestas Basadas en Imágenes (Tarea 2) y Narración de Habla Espontánea (Tarea 3).
• Se analizaron 129 muestras de voz de 21 participantes.
• Se utilizó la Eliminación Recursiva de Características con Validación Cruzada (RFECV) para identificar 32 características acústicas y lingüísticas clave de más de 1700.
• Se evaluó un enfoque combinatorio de varias combinaciones de tareas para la modelización predictiva.

Principales resultados:

• La combinación de las tres tareas (Tarea 1+2+3) logró el Área Bajo la Curva (AUC) más alta de 0.963.
• La Tarea 3 (Narración de Habla Espontánea) fue integral para las combinaciones de alto rendimiento.
• Las características acústicas, específicamente las derivadas de MFCC y los coeficientes de codificación lineal (LPC), fueron las más significativas para la clasificación.

Conclusiones:

• La combinación de Lectura Guionizada, Preguntas y Respuestas Basadas en Imágenes y Narración de Habla Espontánea ofrece un rendimiento superior para el cribado del DCL.
• Las tareas de habla espontánea son componentes críticos para modelos efectivos de detección del DCL.
• Las características acústicas demuestran una mayor contribución a la precisión de la clasificación que las características lingüísticas.