Desarrollo y Validación de un Modelo de Aprendizaje Automático que Utiliza la Voz para Predecir el Riesgo de...

Área de la Ciencia:

• Otorrinolaringología; Ciencia del Habla; Inteligencia Artificial

Sus antecedentes:

• La aspiración presenta riesgos para las enfermedades respiratorias, pero los métodos de diagnóstico actuales son invasivos o poco fiables.; Las evaluaciones subjetivas en el lecho del paciente carecen de consistencia, mientras que pruebas como la VFSS y la FEES requieren muchos recursos.

Objetivo del estudio:

• Desarrollar y validar un algoritmo de aprendizaje automático (ML) para predecir el riesgo de aspiración.; El algoritmo analiza las características acústicas de las fonaciones de vocales simples.

Principales métodos:

• Análisis retrospectivo de las fonaciones de vocales [i] de 163 pacientes, registrando características acústicas.; Modelo de ML supervisado entrenado para diferenciar aspiradores de alto y bajo riesgo, utilizando la VFSS como referencia.; El modelo se validó en una cohorte externa y se comparó con logopedas (SLP).

Principales resultados:

• El modelo de ML mostró diferencias significativas en las puntuaciones de riesgo entre los grupos de aspiración de alto riesgo (0,530) y bajo riesgo (0,243) (p<0,001).; Se logró un Área Bajo la Curva (AUC) de 0,76 en la cohorte de desarrollo y 0,70 en la cohorte externa.; El rendimiento del modelo de ML fue comparable al de los logopedas capacitados en la clasificación del riesgo de aspiración.

Conclusiones:

• Las características cuantificables de la voz en pacientes de otorrinolaringología (ENT) se correlacionan con el riesgo de aspiración.; Un modelo de ML que analiza la fonación sostenida puede detectar eficazmente las diferencias entre aspiradores de alto y bajo riesgo.; Este enfoque ofrece un método prometedor y no invasivo para la evaluación del riesgo de aspiración.