Exploración de modelos de inteligencia artificial basados en habla y análisis acústico para la predicción de trastornos neurocognitivos en adultos mayores

El Deterioro Cognitivo (DC), y particularmente la Enfermedad de Alzheimer (EA), constituyen un problema de salud pública de creciente magnitud a nivel mundial (1,2). Se estima que entre el 50% y el 75% de todos los casos de demencia se deben a la EA, la enfermedad neurodegenerativa más común en la población mundial (2). La EA se caracteriza por un largo período preclínico, lo que dificulta la diferenciación entre personas con Deterioro Cognitivo Leve (DCL) que quizá puedan pasar por una demencia antes de llegar a la EA (1). Esta dificultad representa un vacío de conocimiento crítico, ya que la detección temprana es esencial para implementar intervenciones que puedan retrasar la progresión de la enfermedad y mejorar la calidad de vida de los afectados (2). La severidad del DC se manifiesta en la pérdida progresiva de funciones cognitivas, lo que lleva a la dependencia funcional, la disminución de la calidad de vida y una mayor carga para los cuidadores y los sistemas de salud (2). Además, el DC aumenta significativamente el riesgo de mortalidad y la necesidad de institucionalización. La tendencia del fenómeno es al alza, debido al envejecimiento de la población mundial, lo que incrementa el número de personas en riesgo de desarrollar demencia (1). Los métodos tradicionales de evaluación neuropsicológica a menudo arrojan resultados ambiguos, especialmente en las etapas tempranas del DC, lo que dificulta el diagnóstico precoz (2). En este contexto, el análisis del habla emerge como una herramienta prometedora para la detección temprana del DC (1,2). El habla es un proceso complejo que involucra aspectos fisiológicos, neurológicos y cognitivos, y puede verse alterado incluso en las etapas iniciales del DC. El análisis acústico del habla, que cuantifica las características de la señal de voz, ofrece un método no invasivo, de bajo costo y objetivo para detectar estos cambios sutiles (3). Las investigaciones han identificado diversos parámetros acústicos y prosódicos que se ven afectados por el DC, como la fluidez, el ritmo, la entonación y las características fonéticas (4). Sin embargo, existen vacíos en el conocimiento sobre cómo optimizar el uso de estos parámetros en modelos de inteligencia artificial (IA) para mejorar la precisión en la predicción del DC, particularmente en la diferenciación entre DCL y demencia establecida, y en la predicción de la progresión de DCL a demencia (1). A pesar de los avances, se necesita investigación adicional para refinar la capacidad de los modelos de IA para detectar el deterioro cognitivo a través del habla, especialmente en la identificación de marcadores tempranos y sutiles que permitan una intervención oportuna.