Aplicación del aprendizaje automático para la clasificación de llantos de bebés y la detección de llantos...

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial
• Pediatría

Sus antecedentes:

• Los llantos de los bebés son señales de comunicación cruciales para las necesidades y la angustia.
• La interpretación precisa del llanto es vital para la intervención y el diagnóstico oportunos.
• El aprendizaje automático (ML) ofrece capacidades analíticas avanzadas para patrones acústicos complejos.

Objetivo del estudio:

• Revisar y sintetizar sistemáticamente la investigación sobre aplicaciones de ML en la clasificación de llantos de bebés.
• Evaluar la precisión de los modelos de ML en la identificación de llantos relacionados con necesidades y patológicos de los bebés.
• Evaluar el rendimiento de diferentes algoritmos y características de ML para el análisis de llantos.

Principales métodos:

• Revisión sistemática de la literatura siguiendo las pautas PRISMA, registrada en PROSPERO.
• Se buscaron estudios de 2014 a 2024 en PubMed, CINAHL, Embase y IEEE Xplore.
• Se evaluó la calidad de los estudios utilizando la herramienta QUADAS-2 y se sintetizaron los hallazgos de 17 estudios incluidos.

Principales resultados:

• El ML clasifica eficazmente los llantos de los bebés en necesidades (9 subtipos) y patológicos (6 subtipos).
• La precisión de la clasificación varió del 44,5 % al 99,82 %, variando según el modelo de ML y las características.
• Las precisiones más altas logradas: 99,82 % para llantos de hambre/dolor (GMM) y 99,42 %-99,82 % para la detección de sordera (Modelo Difuso/GMM).

Conclusiones:

• El ML demuestra un potencial significativo para la clasificación precisa de llantos de bebés y la detección de patologías.
• La investigación futura debe centrarse en conjuntos de datos diversos, validación en el mundo real e integración del análisis de llantos con señales fisiológicas.
• Los modelos de ML mejorados pueden mejorar la precisión diagnóstica y los resultados de la atención infantil.