El estudio "Sonidos de COVID-19: exploración del rendimiento realista de las pruebas digitales basadas en audio", fue publicado en la revista científica npj Digital Medicine de Nature.
Es posible utilizar enfoques basados en audio para la detección eficiente, asequible y además a escala de COVID-19. El estudio publicado en Nature recientemente, utiliza pistas de audio como tos, respiración y voz, y la aplicación de modelos de aprendizaje automático y aprendizaje profundo, para realizar pruebas de esta enfermedad.
No obstante, los autores del estudio reconocen que es necesario explorar cómo los sesgos y las decisiones metodológicas llega a afectar el desempeño práctico de este tipo de herramientas. Para ello lograron recopilar un amplio conjunto de datos de audio respiratorio a través de una app móvil, estos datos además incluyeron información sobre síntomas y sobre resultados de pruebas COVID-19.
El conjunto de datos incluyó 5240 muestras de audio de 2478 participantes de habla inglesa, la importancia de elegir solamente un idioma fue para evitar sesgos acústicos, según explica el estudio. El estudio también contempló subgrupos de población como sexo, edad y además mostró un rendimiento consistente sobre la prevalencia de COVID-19.
“Usamos estas muestras de audio para construir un modelo de predicción de COVID-19 basado en audio. El modelo imparcial tomó las características extraídas de la respiración, la tos y las señales de voz como predictores y arrojó un AUC-ROC de 0,71 (IC del 95 %: 0,65–0,77)”, explica el estudio.
En este sentido fue posible la creación y validación de un método de aprendizaje profundo para la detección de COVID-19, analizando sonidos humanos. “Analizamos el rendimiento predictivo del modelo presentado en la detección de la infección por COVID-19, lo que puede aportar información sobre la adopción de tecnologías de salud digital en la era de la COVID-19”, concluyen los autores en el apartado de discusión en el estudio.
Consulta el estudio completo en el siguiente enlace: https://www.nature.com/articles/s41746-021-00553-x
