Investigadores de la Universidad de Alicante (UA) y del Instituto de Investigación Sanitaria y Biomédica de Alicante (ISABIAL) han desarrollado una plataforma para detección temprana de la enfermedad de Alzheimer a través de la voz empleando tecnologías avanzadas de procesamiento del lenguaje natural (NLP) y aprendizaje profundo.

La Plataforma de Inteligencia Artificial para la Detección Temprana de la Enfermedad de Alzheimer a través de la Voz (IAEAV) recopila datos de voz mediante una aplicación móvil sencilla y accesible, que permite a los usuarios grabar sus voces en diversos contextos, con el objetivo principal identificar patrones de deterioro cognitivo a partir del análisis de señales acústicas y lingüísticas de la voz humana.

El equipo de investigación, liderado por Miguel Ángel Teruel, de la UA, y por Ángel Pérez Sempere, de ISABIAL, destaca que esta innovadora herramienta se fundamenta en estudios previos que han demostrado que cambios neurológicos tempranos pueden manifestarse en alteraciones del lenguaje, como una disminución en la complejidad sintáctica, pausas prolongadas y errores gramaticales.

Para detectar estas alteraciones la plataforma IAEAV utiliza tecnologías avanzadas de procesamiento del lenguaje natural (NLP) y aprendizaje profundo, lo que permite solo facilitar el diagnóstico temprano, sino también ofrecer una solución sencilla, de bajo coste, fácilmente accesible y no invasiva.

Además, la recopilación de datos de voz se realizará mediante una aplicación móvil sencilla y accesible, que permitirá a los usuarios grabar sus voces en diversos contextos, como lectura de textos, narraciones espontáneas o respuestas a preguntas estandarizadas. Esta aplicación está diseñada para su uso tanto en entornos clínicos como en el hogar, lo que “reduce barreras de acceso y facilita la obtención de datos en poblaciones con recursos limitados”, indican los investigadores de la UA e ISABIAL.

Las grabaciones recopiladas a través de la aplicación móvil se procesan para extraer características acústicas como tono, intensidad y pausas, así como aspectos lingüísticos como riqueza semántica y errores en la fluidez verbal. Estas características son posteriormente evaluadas por modelos de aprendizaje profundo que han sido entrenados en bases de datos representativas, permitiendo una detección precisa y personalizada.

Uno de los aspectos más relevantes de este enfoque es su accesibilidad. En este sentido, Miguel Ángel Teruel recalca que esta tecnología “no solo busca mejorar la detección clínica, sino también contribuir al desarrollo científico mediante la generación de grandes volúmenes de datos de voz, que pueden facilitar investigaciones más profundas sobre la relación entre las alteraciones lingüísticas y los cambios neurodegenerativos, promoviendo avances en el tratamiento y manejo de la enfermedad”.