Los trastornos del lenguaje en la enfermedad de Alzheimer: estado de la cuestión y revisión de los avances de la inteligencia artificial para su estudio y detección

Trabajo Fin de Grado Grado en Filología Hispánica, Facultad de Filología Universidad de Sevilla Los trastornos del lenguaje en la enfermedad de Alzheimer: estado de la cuestión y revisión de los avances de la inteligencia artificial para su estudio y detección Autor: Sergio Durán Hidalgo Tutor: Antonio Benítez Burraco Lengua Española, Lingüística y Teoría de la Literatura Sevilla, 29 de mayo de 2023 2 A Vicky, por ayudarme a encontrar mi vocación. A mis amigas, por apoyarme y sacarme siempre una sonrisa. A mi madre, por escucharme y creer siempre en mí. A Dani, por ser la luz en mis días oscuros y tener siempre un abrazo para mí. Gracias. 3 ÍNDICE 1. Introducción ............................................................................................................. 4 2. La enfermedad de Alzheimer (EA) ........................................................................ 5 3. Alteraciones del lenguaje en la EA ........................................................................ 8 3.1. Alteraciones del lenguaje en la EA por niveles ................................................. 9 3.1.1. Alteraciones primarias: fonética y léxico-semántica.................................. 9 3.1.2. Otras alteraciones: sintaxis y pragmática ................................................. 10 3.2. Visión de conjunto de las alteraciones del lenguaje en EA ........................ 11 4. El trabajo conjunto de la lingüística y la IA ....................................................... 12 4.1. Aplicaciones de IA en la evaluación de los trastornos del lenguaje .......... 12 4.2. El uso de la IA para el estudio del lenguaje en la EA ................................. 14 4.3. Análisis automático de la voz en la detección de la EA a través de la IA . 16 4.4. El habla y la IA ............................................................................................... 20 4.5. GPT-3 .............................................................................................................. 21 5. Perspectivas futuras .............................................................................................. 22 Referencias .................................................................................................................... 25 4 1. Introducción El objetivo principal de este estudio es el de describir, de manera detallada, qué es la enfermedad del Alzheimer, referida a partir de ahora como EA, y cómo esta enfermedad neurodegenerativa puede producir deterioros en función lingüística de una persona afectada. Para ello, se explicarán primeramente los criterios convencionales para la descripción de los síntomas más comunes de EA y para su detección, así como las etapas de la enfermedad según el Instituto Nacional de Envejecimiento, referencia internacional en los criterios diagnósticos de EA, y recogidos en NIA-AA Research Framework. Hablaremos también sobre la aplicación de las diferentes técnicas basadas en la inteligencia artificial (IA) como medio de ayuda en la detección, discriminación y tratamiento de la EA. Es decir, cómo un procedimiento basado en IA podría aportar beneficios a la detección y a las posibles vías de intervención terapéutica en EA, una enfermedad neurodegenerativa sin cura. En ello, haremos mención de tales enfermedades como el trastorno del espectro autista (TEA) o los trastornos del espectro de la esquizofrenia (SC), debido a que existe una gran cantidad de estudios que han utilizado la IA para intentar arrojar luz a la detección y al tratamiento de este tipo de enfermedades y, por lo tanto, pueden aportar una visión única sobre el papel que las técnicas basadas en IA pueden aportar a la lingüística clínica. De manera más específica para este trabajo, se hablará de los hallazgos más recientes en la aplicación de IA al análisis del habla en personas con EA, como una evidencia de la utilidad de este tipo de herramientas en la detección de las enfermedades neurodegenerativas. Entre los avances más destacados, se mencionarán los análisis automáticos de la voz y el habla, por un lado, y las herramientas basadas en la IA para el estudio de los biomarcadores de EA (como el GPT-3), por el otro. Por último, expondremos unas perspectivas futuras para destacar los retos de la investigación de la IA en la lingüística clínica, y a su vez, cuáles serían las prioridades de estudio en este ámbito. Entre otros, destacaremos tales necesidades como la mejora del perfilado y del entrenamiento más profundo de las bases de datos lingüísticos en poblaciones clínicas, así como la de una mayor precisión de algoritmos de análisis para la discriminación y el estudio de enfermedades con afectación cognitiva. De manera general, buscaremos responder a las siguientes preguntas de investigación asociadas a este trabajo: 5 • ¿Han sido significativos los avances en IA para la detección de la enfermedad de Alzheimer? • ¿Cuáles son sus fortalezas y puntos de mejora en la actualidad? • ¿Qué puede aportar la investigación lingüística para mejorarlos? 2. La enfermedad de Alzheimer (EA) La EA es una enfermedad neurodegenerativa que deriva en la atrofia y la muerte de células nerviosas, conduciendo a la pérdida de conexiones neuronales y a la reducción del volumen de la masa encefálica. Al afectar primeramente a la corteza entorrinal y al hipocampo, la atrofia causada por EA conduce, de manera general, a la pérdida de memoria y al deterioro progresivo de otras funciones cognitivas, como el razonamiento, las funciones ejecutivas y el lenguaje (Jack et al. 2018). El transcurso de EA suele dividirse en tres fases: la leve, la moderada y la severa. Además de estas fases asociadas a la enfermedad en marcha en sí, las investigaciones experimentales reconocen la así llamada fase prodrómica, es decir, la posible fase preclínica de la EA y en la que se focaliza una gran parte de los estudios clínicos para la detección precoz de la demencia. La fase prodrómica de la EA se caracteriza por la aparición de síntomas de deterioro cognitivo, concretamente por problemas de memoria para recordar hechos recientes, que son objetivos y analizables en las pruebas neuropsicológicas, pero que no ocasionan repercusión sobre las actividades de la vida diaria (Fases de la enfermedad de Alzheimer, CUN 2023). Algunas personas que presentan síntomas característicos de esta fase llegan a tener EA en un futuro; sin embargo, no siempre es así. Una gran parte de personas con dichos síntomas desarrollan otro tipo de demencias, no progresan a la demencia o incluso revierten a la normalidad. La dificultad de un diagnóstico en esta fase deriva del hecho de que las alteraciones cognitivas más tempranas -ante todo, los problemas de memoriase presentan en condiciones clínicas de origen diferente, siendo incluso propios de un envejecimiento no patológico. 6 Por ello, los trabajos destacan la importancia de identificar a aquellos pacientes que sí sufren un riesgo elevado de progresión a EA, y diferenciarlos de aquellas personas que no lo harán (Fases de la enfermedad de Alzheimer, CUN 2023). Frente a la etapa prodrómica, las tres fases de la EA clínica (es decir, ya en curso), se caracterizan por las siguientes manifestaciones recogidas en la entrada informativa de la Fundación Pasqual Maragall. Fase leve. Se asocia a un nivel de deterioro cognitivo moderado y determina el diagnóstico de la demencia. En esta fase aumentan las dificultades para llevar a cabo las tareas más complejas, debido a problemas organizativos y de concentración. Es habitual que las personas afectadas presenten dificultades para recordar cosas que han ocurrido recientemente o confundan detalles de su propia historia personal. Los problemas de orientación aumentan, pero no afectan a la orientación en lugares conocidos. Fase moderada. La persona afectada ya empieza a necesitar asistencia para realizar actividades cotidianas (p.ej. elegir adecuadamente la ropa o preparar la comida). También se observan dificultades para recordar datos habituales (p.ej. su propio número de teléfono e identificar correctamente a ciertas personas). En esta fase, el deterioro cognitivo se agrava y con este, se observa la alteración funcional relajada en las actividades cotidianas, como no poder vestirse sin ningún tipo de ayuda. Con la progresión de esta fase, el paciente necesita ayuda para realizar actividades cotidianas más básicas (p.ej. el aseo habitual). También aparecen síntomas de desorientación, tanto en el tiempo y el lugar, como respecto a su propia persona. En este punto es habitual que el paciente pueda olvidar el nombre de las personas cercanas, aunque suele poder distinguir entre personas familiares y desconocidas. Aparecen cambios de conducta, apatía, obsesiones, agitación o ansiedad, entre otros muchos síntomas. Fase severa. Por último, destaca la fase severa, o final, caracterizada por un deterioro cognitivo y funcional muy grave. En esta fase la persona afectada va perdiendo, de manera progresiva, la capacidad para hablar y comunicarse. La comunicación se sustenta fundamentalmente en el tono de voz y el contacto físico. 7 La EA suele afectar a personas mayores de 60 años; de hecho, la edad es el principal factor de riesgo de desarrollo de alzhéimer. La afectación de personas más jóvenes es poco frecuente y suele clasificarse en dos subtipos: EA genética, con una incidencia menor a un 1% de casos, y EA de inicio temprano (early-onset), que afecta de forma espontánea a personas menores de 60 años. No obstante, el hecho de que la gran mayoría de las personas afectadas por EA sean mayores de 60 años es relevante en tanto que, al poder padecer de otras afecciones clínicas, el diagnóstico temprano de la enfermedad puede resultar más complejo. A día de hoy, EA es una de las principales causas de envejecimiento patológico a nivel mundial. Se trata de una enfermedad sin cura ni posibilidad de revertir las consecuencias del deterioro cognitivo, por lo que los principales esfuerzos clínicos están orientados en dos direcciones: La identificación de las terapias farmacológicas y de estimulación cognitiva más eficaces para preservar las habilidades y las funciones cognitivas de las que aún dispone la persona afectada. La identificación de los rasgos que permitirían detectar EA y discriminarla de otras patologías asociadas al envejecimiento (ante todo, el deterioro cognitivo leve (DCL), la depresión mayor u otros tipos de enfermedades neurodegenerativas), de forma temprana. De hecho, uno de los objetivos prioritarios de la investigación actual es encontrar tales rasgos para la fase prodrómica de EA -explicada arribaque es en la que se focalizan los estudios basados en las técnicas de la IA. En la búsqueda de estas soluciones, se parte de las siguientes convenciones acerca de los síntomas discriminatorios de EA. Según el Manual Diagnóstico y Estadístico de los Trastornos Mentales, en su última versión (DSM-5), la EA se diagnostica a partir de los siguientes criterios: Tener constancia de la mutación genética asociada al inicio de la EA. Presentar un declive significativo de la memoria y del aprendizaje y, al menos, de otro dominio cognitivo, constatado a través de pruebas neuropsicológicas estandarizadas. Presentar un declive progresivo, gradual y constante de la capacidad cognitiva sin mesetas prolongadas. 8 No padecer de otra enfermedad neurodegenerativa o cerebrovascular, otra enfermedad neurológica o sistémica, o cualquier otra afección con probabilidades de contribuir al declive cognitivo. Es necesario mencionar que, según la convención de NIA-AA (Jack et al., 2018), el diagnóstico de la EA solo puede realizarse post mortem, es decir: cualquier diagnóstico en vida es siempre posible o probable, incluso cuando se registran biomarcadores clínicos (p.ej. análisis del líquido cefalorraquídeo o resultados de análisis con PET de depósitos de beta-amiloide). Por ello, cabe destacar que las pruebas clínicas, tanto neurológicas como neuropsicológicas y cognitivas, son decisivas en la detección de EA, ya que otras enfermedades asociadas al envejecimiento pueden presentar sintomatología cognitiva y conductual similar. De ahí la importancia de diagnóstico temprano para asegurar la eficacia de la intervención terapéutica, y la mayor preservación de la calidad de vida de la persona afectada. Como se comentará a continuación, la evaluación del lenguaje y de sus trastornos puede ser especialmente útil en la precisión de tal diagnóstico temprano. 3. Alteraciones del lenguaje en la EA La EA, como ya hemos señalado anteriormente, es una enfermedad neurodegenerativa que deriva en un deterioro cognitivo progresivo. Este deterioro suele presentarse de forma más leve en las etapas iniciales de EA y aumenta de forma progresiva en la etapa moderada, desencadenando un deterioro pronunciado -incluso la incapacidad- en la etapa severa. Como enfermedad neurodegenerativa, el progreso de EA causa alteraciones en tales funciones cognitivas como las funciones ejecutivas, la atención, la resolución de problemas, las habilidades constructivas o las habilidades de cálculo. Una de las funciones cognitivas con afectación más pronunciada y sensible al inicio de la EA es el lenguaje. En los últimos años, han sido numerosos los trabajos que han descrito la importancia de la evaluación del lenguaje para la detección temprana de la EA, incluso por encima de la evaluación de la memoria y de otras funciones cognitivas. Las alteraciones del lenguaje son primarias al transcurso de la EA, es decir, se presentan de forma sistemática y temprana en las personas afectadas por la demencia. No obstante, es necesario tener en cuenta algunos de los aspectos característicos de tal alteración, y 9 son los siguientes. El deterioro del lenguaje en EA sigue dos patrones: por un lado, es progresivo. Es decir, las habilidades lingüísticas se deterioran con el avance de las fases. Por otro lado, como se ha mencionado arriba, el orden de afectación de los diferentes niveles del lenguaje es irregular, afectando a unos niveles antes que a otros. El estado actual sobre las alteraciones del lenguaje en EA sostiene la manifestación temprana, incluso preclínica, de alteraciones léxico-semánticas y fonéticas; y aporta evidencias para una mayor fortaleza de los niveles más estructurales -el morfológico y el sintácticofrente al deterioro cognitivo. Al respecto, los resultados actuales arrojan diferentes evidencias sobre la competencia pragmática, resaltando la preservación de algunas de las habilidades pragmático-discursivas frente a la alteración significativa de otras. En la actualidad, muchos investigadores se centran en la identificación de los marcadores lingüísticos de la EA y su relación con las fases de la enfermedad. Las pruebas de acceso léxico-semántico (p.ej., Isaac’s Set Test), fonación y articulación, (p.ej., fluencia fonológica, grabaciones de lectura y producción oral espontánea) y producción general del lenguaje en todos los niveles (p.ej., Boston Naming Test) son, además de modelos experimentales novedosos, los que aportan datos fundamentales para la detección de estos marcadores lingüísticos. No obstante, no existe una revisión sistemática y unificada de las alteraciones del lenguaje en EA debido a varios factores, entre los que destacan la variabilidad de los pacientes, la dificultad de establecer parámetros de referencia y el efecto de las estrategias compensatorias. Por ello, a pesar de que existen importantes evidencias experimentales, no siempre se puede establecer una correlación clara entre un tipo de deterioro lingüístico y la fase de la EA. 3.1. Alteraciones del lenguaje en la EA por niveles 3.1.1. Alteraciones primarias: fonética y léxico-semántica Como se ha mencionado arriba, las alteraciones fonéticas y léxico-semánticas representan los niveles de mayor, y más temprana, afectación en EA. En el plano fónico, se asume que los pacientes con EA conservan la capacidad de producir los sonidos del lenguaje y ordenarlos de manera lógica, al menos hasta el avance de la enfermedad. En un trabajo ya clásico, Bayles y Kaszniak (1987) concluyeron que los pacientes con alzhéimer podían aplicar el conocimiento fonológico a pesar de las dificultades comunicativas. No obstante, trabajos muy recientes (p.ej., Ivanova et al., 16 ¿puede la IA identificar a personas que sufren deterioro cognitivo leve que se convertirán en EA? Nada nos hace dudar de que una IA bien preparada pudiera detectar la EA con alta precisión, al tener en cuenta resultados de pruebas o, por ejemplo, datos de neuroimagen. No obstante, la variación en la precisión en la identificación de una persona con y sin EA a partir del análisis del lenguaje es muy variable, pudiendo ofrecer un nivel de precisión muy alto (hasta el 92%) pero también el de una sensibilidad bastante menor (la mayoría se sitúa en torno al 70%). Asimismo, otro reto es la detección de un caso de deterioro subjetivo que posteriormente se convertirá en alzhéimer. Los algoritmos que se diseñan para casos como estos tienen como objetivo clasificar a los pacientes con deterioro cognitivo leve en dos grupos: los que se convertirán en alzhéimer (DCL-c), dentro de un periodo de tiempo generalmente estimado en tres años, y los que no (DCL-nc). Actualmente, este algoritmo estima que un 15% de pacientes con DCL acabarán desarrollando EA. Esta identificación de la enfermedad es crucial a la hora de mejorar el resultado y retrasar, de algún modo y con alguno de los métodos vistos anteriormente, la progresión de la enfermedad. No obstante, hoy en día carecemos aún de resultados sólidos basados en este tipo de aplicaciones. A continuación, pasamos a exponer varios proyectos que han resultado de mucha utilidad en el diagnóstico precoz de EA y que lo han hecho con pruebas puramente lingüísticas. En particular, vamos a referirnos a varios proyectos que usan IA en el análisis de la voz o el habla, o exploran las posibilidades de GPT-3. 4.3. Análisis automático de la voz en la detección de la EA a través de la IA La IA ha revolucionado significativamente la forma en la que se analizan los datos. En algunos ámbitos, su uso es significativamente extendido, como es el caso del reconocimiento de la voz o del reconocimiento facial. El reconocimiento de la voz, no obstante, también ha cobrado especial relevancia en los estudios de la aplicación de la IA a la detección temprana de la EA. A continuación, presentaremos los resultados más importantes del estudio de Agbavor & Liang (2023), en el que exploran el análisis de la voz en la EA a través de la IA, para su mejor y más precisa detección. 17 Antes de proceder con el análisis del estudio de Agbavor & Liang (2023), cabe destacar que algunos trabajos anteriores ya han puesto de manifiesto que el uso de la voz es sensible al deterioro cognitivo y, por tanto, a la discriminación de la EA. Por ello, se sugiere que los cambios en la voz pueden ser un importante predictor de la enfermedad, sobre todo en las etapas tempranas. Además, también se ha confirmado que, como predictor, la voz puede ayudar en la identificación de las personas con EA asintomática. El estudio de Agbavor & Liang (2023) analiza la información acústica y lingüística integrada en las grabaciones de la voz. Para ello, proponen un nuevo sistema impulsado por la IA de extremo a extremo, para la detección y la evaluación de la gravedad de la EA directamente a través de la voz. El núcleo de este sistema reposa en data2vec, un modelo de aprendizaje preentrenado multimodal, que permite que el sistema de IA genere representaciones vectoriales contextualizadas (lo que llamamos como incrustación o embedding) directamente a partir de las grabaciones de voz. Como se representa en la imagen de arriba, el sistema toma como entrada la grabación de la voz del sujeto, que el programa convierte en la incrustación (embedding). A continuación, el programa alimenta con los datos incrustados la red neuronal, contrastándolos con los datos disponibles para cada fase de la EA, y, seguidamente, evalúa la gravedad de esta de acuerdo con la puntuación del Mini Mental State Examination (MMSE). El MMSE es la prueba de cribado cognitivo más utilizada para evaluar la sospecha de síntomas compatibles con el deterioro cognitivo o la demencia. La manera de validación de datos que utilizan en este estudio es como sigue. Se divide el conjunto de datos en 70% de entrenamiento y 30% de prueba. Tanto en el conjunto de datos de entrenamiento, como en el de pruebas se utiliza la validación cruzada (CV). Se utiliza como punto de referencia para la comparación el enfoque convencional basado en (Agbavor & Liang, 2023) 18 características acústicas. Esto se refiere principalmente al análisis temporal (p.ej. tasa de pausas, tasa de fonación, periodicidad del habla, etc.). Para efectuar los cálculos de correlación, las características acústicas se extraen directamente de la voz utilizando OpenSMILE: un conjunto de herramientas de código abierto que permiten extraer las características del audio y clasificar las señales sonoras. Después de añadir todos los datos facilitados por el programa, el algoritmo crea gráficas que explican, de manera detallada y concisa, las conclusiones extraídas en el estudio (p.ej. elratio de falso positivo, el intervalo de confianza o diagramas de la red neuronal calibradas o no calibradas). Los porcentajes extraídos permiten formular conclusiones y, sobre todo, validar si el estudio ha tenido un alcance positivo o no. Cuando el estudio se entrenó y probó con la población clínica con demencia, obtuvo un porcentaje alto de satisfacción (0.846 – 0.835) en la discriminación de las personas con EA frente a personas sin enfermedad. Además, testó la calidad entre sistemas operativos, los cuales obtuvieron, del mismo modo, una satisfacción mayor que los probados en otras ocasiones. De esta forma, destacó por el nivel de calibrado del sistema. Dado que cualquier aplicación requiere de predicciones confiables que deben ser no solo precisas, sino también capaces de expresar su incertidumbre, el calibrado resulta lo suficientemente válido para implementar en entornos de alto riesgo, como lo es el clínico. A pesar de estos importantes hallazgos sobre la sensibilidad de modelos basados en la IA a la discriminación de la EA, Agbavor & Liang (2023) consideran varias limitaciones en su estudio: En primer lugar, la cantidad relativa de datos con los que trabajan. Para que un modelo funcione bien, se necesita disponer de un conjunto de datos que sea grande, diverso y sólido. En segundo lugar, destacan el sesgo, el cual estaría involucrado en el desarrollo del modelo. Es esencial disponer de datos de voz en muchos idiomas diferentes para protegerse contra este problema y garantizar que los modelos trabajen de manera equitativa con todos los pacientes. En tercer lugar, resulta relevante el tema de la privacidad, en particular en los datos de voz, que pueden utilizarse para revelar la identidad de las personas con las que se está trabajando. Existe una necesidad de establecer la confianza en la IA. 19 Es importante reconocer que la IA no reemplaza a los humanos, sino que proporciona una toma de decisiones aumentada para impulsar una atención eficiente y ayudar a realizar diagnósticos precisos. En definitiva, podríamos afirmar que este estudio proporciona evidencias de que el uso de un sistema impulsado por la IA de extremo a extremo para discriminar la EA y predecir el puntaje de la prueba cognitiva de un sujeto únicamente por los datos de voz, puede resultar positivo y prometedor. Como es de esperar, en los estudios de este enfoque se necesitar usar un gran corpus de datos para el entreno de los modelos basados en la IA. Es aquí donde expondremos algunos de los interesantes sistemas que estos dos autores utilizaron en su estudio de voz, con el fin de destacar qué pueden aportar para la mejora de los modelos de análisis del lenguaje en la demencia. Los dos tipos de datos usados en el estudio reseñado son la base de datos de AdreSSo y DementiaBank Pitt Corpus. AdreSSo (Alzheimer’s Dementia Recognition Through Spontaneous Speech) es un protocolo de voz, diseñado a partir de un corpus de descripciones de imágenes producidas por personas cognitivamente sanas y por personas diagnosticadas con EA. Los participantes describen una imagen estandarizada de la prueba Boston Diagnostic Aphasia Examination (BDAE) y sus datos son a continuación procesados en relación con el puntaje neurocognitivo. Se trata de una prueba de confrontación visual que mide la capacidad de una persona para nombrar objetos y describir una escena (en este caso, la lámina del robo de galletas). Si bien esta prueba puede ayudar a identificar la dificultad existente entre el lenguaje y la comunicación, no es una herramienta de diagnóstico completamente fiable, sino solamente una parte de la evaluación integral. Muchos estudios destacan sus limitaciones derivadas de la tipología de producciones lingüísticas que genera -producciones orales semi-guiadas-, con frecuencia difíciles de estandarizar. DementiaBank Pitt Corpus es una base de datos que incluye grabaciones de voz de 99 pacientes controles y 160 pacientes con la EA. Cada uno de estos pacientes se somete a una serie de pruebas, tanto médicas como psiquiátricas. En este caso, los temas de las grabaciones pueden ser de cualquier tipo, de tal manera que, si un paciente tiene varias grabaciones de voz, la primera grabación de su primera visita es la que se utiliza para obtener la incrustación de la voz (embedding). 20 El uso de estas dos fuentes de datos evidencia que las producciones discursivas son las más completas para la aplicación de los modelos de la IA, si bien su preparación y análisis son, al mismo tiempo, los más complejos. 4.4. El habla y la IA Existe una sólida base empírica que evidencia que el análisis automático del habla -una de las técnicas de evaluación de las producciones verbales basadas en algoritmos matemáticos, muy vinculados a la IA- puede convertirse en una herramienta prometedora y con un alto potencial para la mejora de la detección y el diagnóstico de envejecimiento patológico (Gagliardi, 2022). En este apartado analizaremos otro artículo experimental, el de Fristed et al. (2022), que se basa en un análisis de habla de un grupo extenso de pacientes con la EA en diferentes fases. Estos pacientes (71 sin deterioro cognitivo y 62 con DCL), con edades entre los 50 y los 85 años, fueron examinados a partir de unas videoconferencias, que sirvieron para recoger sus puntuaciones neurocognitivas con la prueba MMSE. Además de los datos neurocognitivos, se recogieron datos lingüísticos a partir de un conjunto de pruebas, que incluían la narración retardada y la fluidez verbal semántica. La prueba se administró a través de teléfonos inteligentes y se analizó con un sistema de IA para predecir EA leve y AB-positividad. En este punto, concretamos que la AB+ sería un positivo en biomarcador beta amiloide establecido, lo que se traduciría en demencia confirmada; de no ser así, nos encontraríamos con AB-. Los resultados permitieron hacer una serie de conclusiones. El estudio limitó la evaluación del lenguaje al análisis textual de las narraciones. La selección de la tarea fue condicionada por el hecho de que el lenguaje espontáneo -tanto espontáneo como guiado – es altamente multidimensional, incorporando, además de las características lingüísticas, una serie de características acústicas y temporales, permitiendo recoger datos de mayor sensibilidad para la detección del deterioro cognitivo. Los resultados del estudio demostraron un nivel relativamente alto de discriminación de personas con DCL y demencia leve, si bien también se observaron algunas limitaciones en la clasificación de los grupos. Además, los participantes de este estudio experimentaron pocos problemas técnicos y, en general, calificaron la aplicación como fácil de usar e interesante. Sin embargo, a pesar de estos resultados prometedores, las evaluaciones cognitivas remotas y sin supervisión 21 pueden ser un gran desafío para las personas con deterioro cognitivo más avanzado. Además, las evaluaciones remotas en ausencia de supervisión o vigilancia incluyen incertidumbre sobre si se utilizaron ayudas adicionales (como tomar notas o apoyo de cuidadores) durante el periodo de evaluación. En definitiva, este trabajo demostró la enorme utilidad del desarrollo de la IA para la evaluación del envejecimiento a partir de los datos lingüísticos, pero, al mismo tiempo, dejó en evidencia sus principales limitaciones. En este caso, las limitaciones clave fueron la dificultad de controlar el desarrollo de la prueba y la de establecer correlaciones seguras entre el estado cognitivo y las alteraciones del lenguaje. 4.5.GPT-3 GPT-3 (Generative Pre-trained Transformer 3), un modelo de lenguaje específico producido por OpenAI, una compañía de investigación de inteligencia artificial, podría ser un paso hacia la predicción temprana de la EA a través del habla (Agbavor & Liang, 2022). Los modelos de lenguaje extenso (LLM) han demostrado un rendimiento muy bueno en muchas tareas de los programas de neurolingüística, pues brindan una poderosa comprensión y generación del lenguaje universal. GPT-3 es uno de los modelos de lenguaje existentes más grandes producidos por OpenAI hasta la fecha, y ha demostrado ser muy eficaz en el lenguaje de tipo cero, donde el modelo de lenguaje se adapta a tareas posteriores, como la traducción o el resumen de un texto sin necesidad de ningún otro dato especifico. Destaca, asimismo, por ser muy eficaz en codificar grandes cantidades de conocimiento semántico sobre el mundo y producir una representación aprendida – o incrustación- (Agbavor & Liang, 2022). Como hemos visto anteriormente, Agbavor & Liang (2023) utilizan el ya citado sistema AdreSSO, con el cual aplican dos tareas: por una parte, la clasificación de EA para discriminar a personas con la enfermedad de los controles sanos y, por otro lado, una prueba de regresión de la puntuación MMSE (prueba escrita con una puntuación máxima de 30 – Mini Mental State Examination) para deducir la puntuación de la prueba cognitiva de la persona. Se muestra en este estudio cómo la incrustación de texto se puede utilizar de forma fiable para la detección de la EA y la consecuencia de la puntuación de las pruebas cognitivas. Además, se evidencia que la incrustación de texto generada por GPT- 3 supera el enfoque convencional basado en características acústicas. 22 Estos resultados, en conjunto, sugieren que esta representación de texto aprendida por GPT-3 es un enfoque prometedor para la evaluación de la EA y tiene el potencial de mejorar el diagnóstico temprano de una posible demencia, basándose únicamente en los datos que proporciona el habla del sujeto. De esta forma, existe un gran potencial para desarrollar y traducir un análisis de habla impulsado por la IA totalmente desplegable para el diagnóstico temprano de la demencia e intervenciones directas adaptadas a las necesidades individuales (Agbavor & Liang, 2022). Los principales desafíos se encuentran en la calidad de los datos, la cantidad de estos, y su diversidad. Para que un modelo funcione bien, se necesita un conjunto de datos grande, diverso y sólido, y sin el que un entrenamiento de algoritmo no produce un umbral de fiabilidad suficiente. Aprovechar en este caso la IA con el creciente desarrollo de datos multimodales a gran escala, como neuroimágenes, habla y lenguaje, biomarcadores de comportamiento e información del paciente en registros médicos electrónicos, ayudará a aliviar el problema de los datos y permitirá un diagnóstico más preciso, eficiente y temprano (Agbavor & Liang, 2022). 5. Perspectivas futuras La EA es una enfermedad neurodegenerativa sin cura y sin posible prevención, por lo que son necesarios métodos y técnicas para su pronta discriminación y detección. En este sentido, la ralentización del avance del deterioro cognitivo que produce la enfermedad en las personas es la prioridad de la investigación clínica. En estos momentos, gran parte de la investigación se focaliza en cómo poder ayudar a las personas a retrasar el inicio de EA, aumentando su reserva cognitiva. Como ya hemos visto anteriormente, se están haciendo intentos para aplicar herramientas basadas en la IA tanto para el diagnóstico precoz como para la intervención en la EA. Además, sabemos que estos avances son una necesidad, ya que tenemos constancia de que podemos implantarlos con un desarrollo mayor en el tiempo y con mayor dedicación. A día de hoy, lo que más preocupa es el coste económico que puede tener la implantación de estos proyectos innovadores directamente en la salud. Es decir, se estudia y se investiga con IA muy habitualmente, pero también es muy habitual que este tipo de estudios conlleve un alto coste, lo que implica la dificultad de su implantación. Quizás, en un 23 futuro, todos los proyectos, así como la implantación a la medicina, sea más fácil y menos costoso, pudiéndose unir muchos ámbitos en uno mismo, y alzando la sensibilidad de detección de la enfermedad a niveles más altos de los que estamos viendo y conocemos hoy en día. Por otro lado, alguna de las perspectivas futuras que vemos en el ámbito lingüístico y médico es la implantación de más profesionales de la lengua en proyectos en los que predominan generalmente los profesionales de la ingeniería. Como ya se ha señalado anteriormente, las ciencias deben unirse en el estudio para luchar contra enfermedades como esta de la manera más concisa y conjunta posible. Es por ello por lo que profesionales de la tecnología, ingeniería, lengua, matemáticas o física se unen en el desarrollo de proyectos que, sin duda, ayudan en la detección y la intervención de diferentes enfermedades, en especial, enfermedades neurodegenerativas. El planeta entero está en camino hacia la digitalización (Mahind & Amil, 2017) y, para ello, los conceptos de la IA y aprendizaje automático juegan un papel muy importante en este sentido. La tecnología y, con ello, las máquinas de hoy en día, están listas para dar la educación basada en el conocimiento y son las encargadas de mejorar la inteligencia. No podemos llegar a imaginar hasta dónde pueden llegar los avances en cuanto a IA, pero lo que sí debemos saber es que el apoyo a los jóvenes es una de las partes más importantes para desarrollar las nuevas tecnologías. La combinación de las diferentes ciencias y el aprendizaje automático de calidad seguramente llevarán al mundo a su mejor nivel. Podríamos decir que enfermedades como la EA en un futuro serán supervisadas y tratadas por métodos que llevarán la IA intrínseca. Según la Organización Mundial de la Salud (OMS), los programas nacionales deben promover el diagnóstico precoz para fomentar estilos de vida saludables y permitir un tratamiento adecuado. Por lo tanto, sería adecuado centrar los esfuerzos de investigación futuros en la detección de estados preclínicos de diferentes enfermedades. Además, el diagnóstico diferencial, las comorbilidades (dos o más trastornos o enfermedades ocurridos en una misma persona) psiquiátricas y los análisis longitudinales debe ser una prioridad en futuras investigaciones. Nos centramos aquí en el importante desarrollo de la IA para el ámbito específicamente clínico. La detección, el tratamiento y la mejoría de la calidad de vida de cada uno de los pacientes es la prioridad en este punto. Esto debería ser más que una prioridad; se deberían 24 dedicar muchísimos más medios para el desarrollo de estos métodos de mejoría de la calidad de vida. Para ello, es conveniente mentalizar a las personas de lo que una IA podría ayudarnos en el transcurso de nuestras vidas, y animar e incentivar a las personas a estudiar e invertir en este tipo de proyectos. 25 Referencias 1. Agbavor, F. Liang, H. (2022). Predicting dementia from spontaneous speech using large language models. School of Biomedical Engineering, Science and Health Systems, PLOS Digit Health 1-14. https://doi.org/10.1371/journal.pdig.0000168 2. Agbavor, F. Liang, H. (2023). Artificial Intelligence-Enabled End-To-End Detection and Assessment of Alzheimer’s Disease Using Voice. School of Biomedical Engineering, Science and Health Systems, PA 19104, 1-13. https://doi.org/10.3390/brainsci13010028 3. Amit Umesh, P. Mahind Rupali N. Ms. (2017). A review Paper on General Concepts Of “Artificial Intelligence and Machine Learning”. IARJSET, 79-82. DOI 10.17148/IARJSET/NCIARCSE.2017.22 4. Aranda, L. Gordillo-Villatoro, M. Enamorado J. Miguel. López-Zamora, M. (2017). Estudio del lenguaje en las diferentes fases de la enfermedad de Alzheimer a través del Test de Boston. Logopedia, Foniatría y Audiología, 111-120. DOI: https://doi.org/10.1016/j.rlfa.2017.02.002 5. Arango López, C. Ayuso Mateos, José L. Vieta Pascual, E. Bagney Lifante, A. Baeza Pertegaz, I. Bobes Bascarán, T. López Gracía, P. Suárez Pinilla, P. (2014). Manual Diagnóstico y Estadístico de los Trastornos Mentales (DSM-5) (5ª Ed.). Editorial Médica Panamericana. 6. Clifford R. Jack Jr. A. Bennet, D. Blennow, Kaj, C. Carrillo, María. D. Billy. Budd Haeberlein, S. M. Holtzman, D. Jagust, W. Jessen, F. Karlawish, J. Liu Enchi. Molinuevo, José L. Montine, T. Phelps, Creihton. P. Rankin, K. C. Rowe, C. Scheltens, P. Eric Siemers, Heather M. Snyder, Reisa Sperling, Contributors, Cerise E. Masliah, E. Laurie R. Silverberg, N. (2018). NIA-AA Research Framework: Toward a biological definition of Alzheimer's disease. Alzheimer’s & Dementia, 535-562. DOI: https://doi.org/10.1016/j.jalz.2018.02.018