El estudio analizó miles de muestras de voz de participantes del Reino Unido y Estados Unidos.
Una grabación de voz de apenas 20 segundos podría convertirse en una herramienta complementaria para identificar a personas con riesgo de diabetes tipo 2. Un modelo de inteligencia artificial desarrollado por investigadores de la Universidad RMIT de Melbourne, Australia, logró diferenciar a personas con y sin la enfermedad a partir de características vocales, aunque los especialistas advierten que todavía necesita más validación antes de utilizarse de manera generalizada.
El estudio, difundido en el repositorio científico medRxiv, analizó miles de muestras de voz de participantes del Reino Unido y Estados Unidos. La propuesta busca facilitar una primera evaluación sin necesidad de extraer sangre, con el objetivo de identificar a quienes podrían beneficiarse de controles médicos posteriores. Sin embargo, la herramienta no reemplaza los análisis clínicos necesarios para confirmar un diagnóstico.
Los investigadores partieron de estudios previos que relacionaron la diabetes tipo 2 con modificaciones en la voz, como la ronquera, la aspereza y las dificultades para controlar la respiración durante el habla. A partir de esas señales, entrenaron un algoritmo capaz de reconocer patrones que podrían estar asociados con la enfermedad, incluso en grabaciones realizadas de manera remota.
Cómo funciona la inteligencia artificial que analiza la voz
Para desarrollar el sistema, el equipo utilizó 63.283 muestras de voz correspondientes a 21.129 personas. Los participantes informaron si tenían un diagnóstico de diabetes y, posteriormente, el modelo fue evaluado mediante grabaciones de 20 segundos en las que debían leer una fábula de Esopo.
La Corte Suprema tomó una decisión sobre los rugbiers condenados por el crimen de Fernando Báez Sosa
En una primera etapa, el sistema asignó una puntuación de riesgo más alta a las personas que habían declarado tener diabetes en el 80% de los casos. Este resultado, expresado mediante un área bajo la curva de 0,80, indica una capacidad considerable para distinguir entre los dos grupos, aunque no significa que el modelo tenga un 80% de precisión diagnóstica.
La investigación también incluyó una segunda evaluación con 801 participantes que realizaron una prueba de hemoglobina glicosilada (HbA1c), un análisis de sangre que permite estimar los niveles promedio de glucosa de los últimos dos o tres meses. En este grupo, el sistema distinguió a las personas con diabetes de aquellas sin la enfermedad en el 75% de los casos y alcanzó una sensibilidad del 82%.
No obstante, el modelo presentó una tasa de falsos positivos del 47%. Esto significa que una proporción importante de personas que no cumplían los criterios de diabetes en el análisis de sangre también recibió una clasificación de riesgo elevado. Por ese motivo, los autores plantean que la tecnología podría servir para orientar controles posteriores, pero no para establecer diagnósticos por sí sola.
Las limitaciones que todavía enfrenta el sistema
El rendimiento también fue menor en personas con enfermedades cardíacas, hipertensión arterial u obesidad, condiciones que pueden asociarse con cambios vocales y dificultar la interpretación de las señales. Además, el trabajo es un preprint, es decir, una publicación preliminar que todavía requiere evaluación científica adicional.
Los investigadores también declararon vínculos con la empresa que desarrolló la tecnología, un aspecto relevante al analizar los resultados y sus posibles aplicaciones comerciales. Aunque el método podría facilitar futuras estrategias de detección temprana, será necesario comprobar su desempeño en poblaciones más diversas y en entornos clínicos reales.
La diabetes tipo 2 puede permanecer sin detectar durante años, por lo que ampliar las posibilidades de identificar a personas en riesgo constituye un objetivo importante para la salud pública. Por ahora, una grabación de voz puede aportar información complementaria, pero la confirmación de la enfermedad continúa dependiendo de las pruebas médicas correspondientes.
