Un estudio realizado por Jonathan Delgado, investigador del Departamento de Psicología Evolutiva y de la Educación de la Universidad de La Laguna, y Moisés Betancort, miembro del Departamento de Psicología Clínica, Psicobiología y Metodología, ha demostrado que el análisis acústico de la voz combinado con técnicas de aprendizaje automático puede convertirse en una herramienta eficaz, no invasiva y de bajo coste para ayuda a la clasificación de la esclerosis múltiple (EM). El trabajo, publicado en la revista científica Multiple Sclerosis and Related Disorders, se desarrolló junto a los investigadores Tatiana Romero de la Universidad Europea de Canarias y Miguel Ángel Hernández del Hospital Universitario de Nuestra Señora de La Candelaria.
La investigación parte de la premisa del ámbito clínico de que las alteraciones de la voz son frecuentes en personas con esclerosis múltiple, incluso en fases tempranas de la enfermedad. Gracias a las nuevas tecnologías de análisis de voz y al uso de inteligencia artificial, el equipo desarrolló un modelo capaz de detectar esas pequeñas alteraciones vocales que muchas veces no pueden ser percibidas de forma normal.
Para ello, el estudio contó con la participación de 300 personas, de las cuales 200 tenían diagnóstico confirmado de esclerosis múltiple y 100 eran controles neurológicamente sanos. Cada participante realizó una grabación vocal sencilla que consistía en mantener el sonido de la vocal “a” durante cuatro segundos. A partir de estas muestras, los investigadores extrajeron quince parámetros acústicos relacionados con la estabilidad, el ruido y la variabilidad de la voz.
Gráfica de las curvas ROC del modelo Random Fores, en la fase de entrenamiento /test interno (rojo) y de validación en una cohorte de participantes independiente (azul).
Durante el estudio, se utilizaron varios sistemas de inteligencia artificial para analizar toda la información obtenida de las voces. Los investigadores señalan que, entre todos los modelos probados, el que ofreció los mejores resultados fue Random Forest, que logró diferenciar con notable precisión a las personas con esclerosis múltiple de las que estaban sanas.
La investigación también permitió identificar cuáles son las variables vocales con mayor peso en la clasificación automática. Entre ellas, destacan el ruido de alta frecuencia de la voz, la pendiente espectral y la variabilidad del tono fundamental, parámetros asociados a alteraciones neuromusculares características de la enfermedad.
Uno de los hallazgos más relevantes del trabajo es que estos biomarcadores vocales parecen mantenerse relativamente independientes de factores como la edad, la duración de la enfermedad o el grado de discapacidad física medido mediante la escala EDSS (Escala Ampliada del Estado de Discapacidad). Esto sugiere que las alteraciones vocales detectadas podrían actuar como biomarcadores de estado, presentes desde fases tempranas de la enfermedad y relativamente estables a lo largo de su evolución.
Sin embargo, se observó que el análisis acústico de la voz no resulta suficientemente preciso para clasificar el nivel de gravedad clínica de la esclerosis múltiple. Aunque algunos parámetros mostraron cambios en pacientes con discapacidad avanzada, el modelo no logró diferenciar de manera fiable entre estadios leves y moderados o graves de la enfermedad.
Los investigadores de este estudio subrayan que este enfoque podría tener importantes aplicaciones futuras como herramienta de apoyo clínico, especialmente por su carácter rápido, económico y no invasivo. Además, destacan que el análisis de voz podría facilitar estrategias de monitorización remota mediante dispositivos digitales, contribuyendo a una detección más temprana y accesible de alteraciones neurológicas.
