Los investigadores han mejorado la capacidad de dispositivos de salud portátiles para detectar con precisión cuándo un paciente está tosiendo, lo que facilita el seguimiento de las condiciones de salud crónicas y la predicción de riesgos para la salud, como los ataques de asma. El avance es significativo porque las tecnologías de detección de la tos han luchado históricamente para distinguir el sonido de la tos del sonido del habla y otros sonidos humanos no verbales.

"La tos sirve como un biomarcador importante para el seguimiento de una variedad de afecciones", dice Edgar Lobatón, autor correspondiente de un artículo sobre el trabajo y profesor de ingeniería eléctrica e informática en la Universidad Estatal de Carolina del Norte (North Carolina State University), USA. "Por ejemplo, la frecuencia de la tos puede ayudarnos a monitorear el progreso de las enfermedades respiratorias o predecir cuándo la condición de asma de alguien se está exacerbando, y es posible que tengan que usar su inhalador. Es por eso que hay interés en desarrollar tecnologías que puedan detectar y rastrear la frecuencia de la tos".

Las tecnologías sanitarias portátiles ofrecen una forma práctica de detectar sonidos. En teoría, los modelos con aprendizaje automático integrado se pueden entrenar para reconocer la tos y distinguirla de otros tipos de sonidos. Sin embargo, en el uso en el mundo real, esta tarea ha resultado ser más desafiante de lo esperado.

"Si bien los modelos se han vuelto muy buenos para distinguir la tos de otros sonidos ambientales, estos modelos a menudo tienen dificultades para distinguir la tos del habla y sonidos similares como estornudos, carraspeos o gemidos", dice Lobatón. "Esto se debe en gran parte a que, en el mundo real, estos modelos se encuentran con sonidos que nunca antes se habían escuchado.

"Los modelos de detección de tos se 'entrenan' con una biblioteca de sonidos y se les dice qué sonidos son tos y qué sonidos no son tos", dice Lobatón. "Pero cuando el modelo se encuentra con un nuevo sonido, su capacidad para distinguir la tos de la no tos se ve afectada".

Para abordar este desafío, los investigadores recurrieron a una nueva fuente de datos que podría usarse para entrenar el modelo de detección de tos: los propios monitores de salud portátiles. Específicamente, los investigadores recolectaron dos tipos de datos de monitores de salud diseñados para usarse en el pecho. En primer lugar, los investigadores recopilaron datos de audio grabados por los monitores de salud. En segundo lugar, los investigadores recopilaron datos de un acelerómetro en los monitores de salud, que detecta y mide el movimiento.

"Además de capturar los sonidos del mundo real, como tos y quejidos, los monitores de salud capturan los movimientos repentinos asociados con la tos", dice Lobatón.

"El movimiento por sí solo no es suficiente para detectar la tos, porque el movimiento proporciona información limitada sobre lo que genera el sonido", dice Yuhan Chen, primer autor del artículo y recién graduado de doctorado de la Universidad Estatal de Carolina del Norte. "Diferentes acciones, como reír y toser, pueden producir patrones de movimiento similares. Pero la combinación de sonido y movimiento puede mejorar la precisión del modelo de detección de tos, porque el movimiento proporciona información complementaria que respalda la detección basada en el sonido".

Además de basarse en múltiples fuentes de datos recopilados del mundo real, los investigadores también se basaron en trabajos anteriores para refinar los algoritmos utilizados por el modelo de detección de tos.

Cuando los investigadores probaron el modelo en un entorno de laboratorio, descubrieron que su nuevo modelo era más preciso que las tecnologías anteriores de detección de tos. Específicamente, el modelo tenía menos "falsos positivos", lo que significa que los sonidos que el modelo identificó como tos tenían más probabilidades de ser toses en realidad.

"Este es un avance significativo", dice Lobatón. "Nos hemos vuelto muy buenos para distinguir la tos del habla humana, y el nuevo modelo es sustancialmente mejor para distinguir la tos de los sonidos no verbales. Todavía hay un margen para mejorar los resultados, pero tenemos una buena idea de cómo proceder y estamos trabajando en este desafío ahora".

El artículo, "Detección robusta de tos multimodal con detección optimizada de fuera de distribución para dispositivos portátiles", se publica en el IEEE Journal of Biomedical and Health Informatics. El artículo fue coescrito por Feiya Xiang, estudiante de doctorado en la Universidad Estatal de Carolina del Norte; Alper Bozkurt, Profesor Distinguido de Emprendimiento de Ingeniería de la Familia McPherson en la Universidad Estatal de Carolina del Norte; Michelle Hernández, profesora de alergia-inmunología pediátrica en la Facultad de Medicina de la Universidad de Carolina del Norte (University of North Carolina, Chapel Hill, USA); y Delesha Carpenter, profesora de la Facultad de Farmacia Eshelman de la Universidad de Carolina del Norte.

Este trabajo se realizó con el apoyo de la Fundación Nacional de Ciencias (NSF) en el marco de las subvenciones 1915599, 1915169, 2037328 y 2344423. El trabajo también contó con el apoyo del Centro de Sistemas Avanzados Autoalimentados de Sensores y Tecnologías Integradas (ASSIST) de la Universidad Estatal de Carolina del Norte, que se creó con el apoyo de NSF bajo la subvención 1160483.