Un reciente avance tecnológico está revolucionando la detección del asma en niños, utilizando inteligencia artificial desarrollada por Google. El modelo de Representaciones Acústicas de Salud (HeAR) ha sido entrenado en más de 300 millones de muestras de audio relacionadas con salud, incluyendo 100 millones de sonidos de tos. Este modelo ha sido aplicado al conjunto de datos SPRSound, la primera base pública que contiene sonidos respiratorios pediátricos abiertamente anotados.
Este sistema innovador analiza sonidos respiratorios de niños de 1 mes a 18 años, categorizando segmentos de dos segundos en etiquetas como silbidos y crepitaciones. Las muestras se transforman en representaciones de 512 dimensiones que luego entrenan varios clasifícadores de machine learning, como SVM y Random Forest, logrando una precisión superior al 91% en la detección de indicios de asma. La eficacia se ha probado bajo métricas de precisión-rellamada para casos positivos.
El análisis de características embebidas, visualizado con análisis de componentes principales (PCA), y el uso de matrices de confusión, revela la capacidad del sistema para distinguir entre sonidos normales e indicativos de asma. Además, se han creado herramientas interpretativas, como la reproducción de formas de onda, para examinar errores de clasificación.
El modelo HeAR demuestra una notable capacidad de generalización en dispositivos y poblaciones variadas, respaldado por su entrenamiento intensivo, lo que lo hace especialmente adecuado para diagnósticos digitales en áreas rurales o de bajos recursos. El enfoque también ofrece la ventaja de ser no invasivo, crucial en la población pediátrica donde los métodos tradicionales pueden ser difíciles de aplicar debido a la variabilidad y subjetividad clínica.
Este avance ofrece una solución prometedora para el diagnóstico temprano y accesible del asma pediátrica, evitando complicaciones respiratorias a largo plazo mediante una intervención más oportuna en contextos clínicos reales. La integración de este sistema en dispositivos locales o nubes puede facilitar evaluaciones de salud automatizadas en la práctica clínica diaria. Sin embargo, el ruido de fondo y sonidos semejantes como el ronquido pueden causar falsos positivos, señalando áreas para mejorar la precisión del modelo.
Con evaluaciones adicionales, el potencial para aplicaciones clínicas es vasto, abriendo la puerta a diagnósticos más precisos y accesibles de enfermedades respiratorias en niños.