La nueva aplicación Covid puede detectar el virus a partir de la voz de las personas “con más precisión que la prueba de flujo lateral

Los científicos están desarrollando una aplicación para teléfonos móviles que detecta “con precisión” las infecciones por Covid-19 analizando la voz de las personas mediante inteligencia artificial (IA).

La investigación de la aplicación, que aún no ha sido revisada por pares y que se presentará el lunes en el Congreso Internacional de la Sociedad Respiratoria Europea en Barcelona, supuestamente descubrió que el modelo de IA era preciso el 89% de las veces, en comparación con las pruebas de flujo lateral utilizadas para el diagnóstico, cuya precisión variaba en función de la marca.

Los investigadores, entre los que se encuentran los de la Universidad de Maastricht (Países Bajos), afirmaron que la aplicación puede utilizarse en países de bajos ingresos donde las pruebas de PCR son caras.

“Estos prometedores resultados sugieren que unas sencillas grabaciones de voz y unos algoritmos de IA afinados pueden lograr potencialmente una alta precisión para determinar qué pacientes tienen la infección por Covid-19”, dijo.

Los científicos dijeron que la aplicación puede permitir la realización de pruebas virtuales a distancia con un tiempo de respuesta de “menos de un minuto”.

“Podrían utilizarse, por ejemplo, en los puntos de entrada de las grandes concentraciones, lo que permitiría un rápido cribado de la población”, dijo en un comunicado Wafaa Aljbawi, investigadora del Instituto de Ciencia de Datos de la Universidad de Maastricht.

Dado que el Covid afecta al tracto respiratorio superior y a las cuerdas vocales, provoca cambios en la voz de la persona, señalaron los investigadores.

En el nuevo estudio, investigaron si era posible utilizar la IA para analizar las voces con el fin de detectar la enfermedad.

Los científicos evaluaron una base de datos que contenía 893 muestras de audio de 4.352 participantes sanos y no sanos, 308 de los cuales habían dado positivo en la prueba de Covid.

Una vez instalado en el teléfono móvil del usuario, los participantes registraron información básica sobre sus datos demográficos, su historial médico y su condición de fumadores.

A continuación, se les pidió que grabaran algunos sonidos respiratorios tosiendo tres veces, respirando profundamente por la boca de tres a cinco veces y leyendo una frase corta en la pantalla tres veces.

Los científicos también utilizaron una técnica de análisis de la voz llamada análisis del espectrograma de Mel, que identifica diferentes características de la voz, como el volumen, la potencia y la variación en el tiempo, para desglosar las numerosas propiedades de las voces de los participantes.

Los investigadores construyeron diferentes modelos de IA y evaluaron cuál funcionaba mejor para clasificar los casos de Covid.

Informaron de que el modelo denominado Memoria a Corto Plazo (LSTM) superaba a los demás con una precisión global del 89%.

“La prueba de flujo lateral tiene una sensibilidad de sólo el 56%, pero una tasa de especificidad superior del 99,5%. Esto es importante, ya que significa que la prueba de flujo lateral está clasificando erróneamente a las personas infectadas como Covid-19 negativo con más frecuencia que nuestra prueba”, dijo Aljbawi.

“En otras palabras, con el modelo LSTM de IA, podríamos pasar por alto 11 de cada 100 casos que pasarían a propagar la infección, mientras que la prueba de flujo lateral pasaría por alto 44 de cada 100 casos”, añadió.

Los científicos, sin embargo, advirtieron que sus resultados deben ser validados con un gran número de participantes.

Citando una de las limitaciones de la investigación, afirmaron que solo los pacientes que actualmente están muy comprometidos con la aplicación -que la utilizan a diario o semanalmente- pueden proporcionar la cantidad de datos necesaria para el modelado de la IA.

“Es necesario seguir estudiando el compromiso de los pacientes para determinar qué nivel de precisión es aceptable y cómo funcionaría en la práctica un sistema de alerta de exacerbación. La introducción de tecnologías de detección puede mejorar el seguimiento y el rendimiento predictivo de los modelos”, afirma James Dodd, director del proyecto en la Universidad de Bristol (Reino Unido).