[et_pb_section fb_built=”1″ _builder_version=”3.22″ global_colors_info=”{}” theme_builder_area=”post_content”][et_pb_row _builder_version=”3.25″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}” theme_builder_area=”post_content”][et_pb_column type=”4_4″ _builder_version=”3.25″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||” theme_builder_area=”post_content”][et_pb_text _builder_version=”4.9.10″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}” theme_builder_area=”post_content”]
Se publicó en The Lancet el 21 de julio Detección del Covid-19 por audio: siete granos de sal. Este es un interesante análisis de un equipo de Ingeniería, Informática y Computación del Imperial College y de la Universidad de Oxford, del Reino Unido, en el que revisan la evidencia disponible acerca de las aplicaciones y modelos basados en inteligencia artificial para la detección del Covid-19 a partir de la voz, tos y respiración de los infectados, y enumeran 7 motivos de por qué, estás aplicaciones, muchas ya en uso, no son del todo confiables.
[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row column_structure=”1_2,1_2″ _builder_version=”4.14.7″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”post_content” sticky_enabled=”0″][et_pb_column type=”1_2″ _builder_version=”4.9.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”post_content”][et_pb_button button_url=”https://infomed.com.ar/im2025/wp-content/uploads/2021/08/COVID-19-detection-from-audio-seven-grains-of-salt-The-Lancet.pdf” url_new_window=”on” button_text=”VER ORIGINAL” _builder_version=”4.9.10″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”post_content”][/et_pb_button][/et_pb_column][et_pb_column type=”1_2″ _builder_version=”4.9.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”post_content”][et_pb_button button_url=”https://infomed.com.ar/im2025/wp-content/uploads/2021/08/Deteccion-del-COVID-19-por-audio-siete-granos-de-sal-The-lancet.pdf” url_new_window=”on” button_text=”VER TRADUCCIÓN” _builder_version=”4.9.10″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”post_content”][/et_pb_button][/et_pb_column][/et_pb_row][et_pb_row _builder_version=”3.25″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}” theme_builder_area=”post_content”][et_pb_column type=”4_4″ _builder_version=”3.25″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||” theme_builder_area=”post_content”][et_pb_text _builder_version=”4.9.10″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” custom_padding=”||0px|||” global_colors_info=”{}” theme_builder_area=”post_content”]
La frase, usada en varias lenguas, “un grano de sal”, significa ver algo con escepticismo, o no tomarlo literalmente. La evidencia sugiere que el Covid-19 produce carácterísticas identificables en el audio de los pacientes infectados al hablar, toser y respirar. La recopilación de los datos de los pacientes con Covid-19 al hablar, toser y respirar, gracias al uso de modelos de aprendizaje basados en inteligencia artificial, podría servir para generar aplicaciones precisas de detección del Covid-19 a partir de los sonidos emitidos por el paciente.
Las pruebas basadas en la detección de voz, tos y respiración de los pacientes con Covid-19 podría ser masivas, gratuitas y estar disponibles en una aplicación de un teléfono inteligente. Muchos de los problemas sobre la precisión de la detección del Covid-19 por la voz, tos o respiración se relacionan con una sola pregunta: ¿Son los datos aprendidos a partir de los pacientes con infección por SARS-CoV-2 verdaderos biomarcadores de audio causados por el Covid-19?
– Los algoritmos de aprendizaje automático pueden fácilmente distinguir entre individuos sanos y enfermos, pero si estos enfermos tienen Covid-19, es más difícil de precisar. Ningún estudio ha podido concluir que el propio Covid-19 es la enfermedad detectada.
– Otro problema es la contaminación sonora ambiental: habitualmente el paciente con Covid-19 está aislado, en una habitación de hospital o de su casa, en interiores, un medio más silencioso, en comparación con un paciente sano, que no lo está, o está en exteriores, generalmente en un medio más ruidoso. Esto genera sesgos en el aprendizaje por inteligencia artificial.
– La conciencia de enfermedad de los participantes, o falta de cegamiento, es otro problema. Al saber los pacientes con Covid-19 que lo padecen, la emoción y el comportamiento del participante pueden influenciar la voz, aportando sesgo a la base de datos.
– La mayoría de los métodos de aprendizaje automático se basan en el autoinforme de datos por el participante, lo que también le resta precisión a las técnicas. En muchos tampoco se específica el método de detección del SARS-CoV-2 (PCR, o pruebas menos precisas). Esto afecta la validez de la base de datos usada en los algoritmos. Pocos estudios pusieron a disposición hasta el momento la base utilizada, lo que no permite una adecuada revisión por pares de la información.
– No hay una base de datos y códigos de diagnóstico unificada para los distintos modelos de inteligencia artificial y aprendizaje automático, lo que dificulta que otros investigadores puedan reproducir los resultados de los trabajos.
– Otro factor, al generar las bases de datos sonoros, son los factores geográficos, étnicos y socioeconómicos, en relación directa con el acceso a la tecnología, lo que puede hacer que los datos y patrones de voz, tos o respiración tomados de un grupo de personas, no se puedan generalizar a toda la población.
– Además, el hecho de que no haya una identificación estricta de los participantes en estos estudios usados para conformar las bases de datos, que van a constituir el “patrón” en base al cual los algoritmos inteligentes harán el diagnóstico de Covid-19, un mismo individuo puede hacer varios ingresos, generando así más posibilidad de sesgo en los diagnósticos.
En conclusión, el uso de la tecnología, en este caso para la detección del Covid-19 por la voz, tos y respiración de los individuos, a través de algo tan simple como una aplicación de un smartphone, resulta promisorio y sumamente interesante, y podría constituir un modo de detección masivo y económico, pero aún resta mucho camino de investigación, revisión y validación científica por recorrer.
[/et_pb_text][et_pb_text _builder_version=”4.14.7″ _module_preset=”default” theme_builder_area=”post_content” text_text_color=”#0066cc” background_color=”#f1f1f1″ custom_padding=”25px|25px|25px|25px|false|false” border_radii=”on|15px|15px|15px|15px” hover_enabled=”0″ sticky_enabled=”0″]
Actualización 15/02/2022
–
Recientemente se dio a conocer en distintos medios de difusión, a partir de información brindada por la autoridades sanitarias de la Cuidad Autónoma de Buenos Aires, la aplicación de un sistema de detección del Covid-19 a través de la tos, usando un audio de WhatsApp, mediante el programa de inteligencia artificial IATos, instalado en Boti, el robot de usado por la ciudad. A partir de una base de datos sonora generada a partir de 140 mil pacientes con y sin Covid-19, un grupo de ingenieros, mediante algoritmos basados en inteligencia artificial, desarrolló un método de screening o tamizaje de casos de infección por SARS-CoV-2. Estos datos esperan aún publicación y una revisión por pares, siendo por el momento un anuncio de prensa.
[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row _builder_version=”4.14.7″ _module_preset=”default” theme_builder_area=”post_content”][et_pb_column _builder_version=”4.14.7″ _module_preset=”default” type=”4_4″ theme_builder_area=”post_content”][et_pb_text _builder_version=”4.14.7″ _module_preset=”default” theme_builder_area=”post_content” text_text_color=”#0066cc” hover_enabled=”0″ sticky_enabled=”0″]
Referencias
[/et_pb_text][et_pb_text _builder_version=”4.14.7″ _module_preset=”default” theme_builder_area=”post_content” text_text_color=”#0066cc” hover_enabled=”0″ sticky_enabled=”0″ text_font_size=”14px” text_font=”||on||||||”]
[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]
