@misc{10902/37002,
year = {2025},
month = {6},
url = {https://hdl.handle.net/10902/37002},
abstract = {Introducción
La Enfermedad de Parkinson (EP) se diagnostica actualmente mediante criterios
clínicos, lo cual implica una detección tardía. No obstante, existen
manifestaciones prodrómicas que aparecen años antes de los síntomas motores
clásicos que podrían permitir un diagnóstico precoz. Entre ellas, las alteraciones
en la voz destacan como biomarcadores tempranos, detectables hasta una
década antes del diagnóstico.
Objetivos
Evaluar la utilidad del análisis de voz mediante modelos de Inteligencia Artificial
(IA) para discriminar entre pacientes con EP, portadores asintomáticos de la
mutación G2019S del gen LRRK2 y controles sanos.
Métodos
Se analizaron grabaciones de voz de 27 pacientes con EP, 34 portadores
asintomáticos y 25 controles sanos mediante un modelo de IA basado en PSLA.
Un neurólogo experto también evaluó los audios para comparar resultados.
Resultados
El modelo alcanzó un AUC del 93,8% en la clasificación de pacientes con EP
frente a controles sanos, superando la precisión diagnóstica del neurólogo
experto. En el caso de los portadores asintomáticos, el AUC fue de 58,8%.
Conclusiones
Los resultados respaldan el potencial del análisis de voz para el diagnóstico
temprano de la EP, abriendo nuevas posibilidades en su abordaje, como el
desarrollo de terapias modificadoras.},
abstract = {Introduction
Parkinson's Disease (PD) is currently diagnosed using clinical criteria, leading to
late detection. However, prodromal manifestations that appear years before the
classic motor symptoms may enable early diagnosis. Among these, voice
alterations stand out as early biomarkers, detectable up to a decade before
diagnosis.
Objectives
Evaluate the effectiveness of voice analysis using Artificial Intelligence (AI)
models to discriminate between patients with PD, asymptomatic carriers of the
G2019S mutation in the LRRK2 gene, and healthy controls.
Methods
Voice recordings from 27 PD patients, 34 asymptomatic carriers, and 25 healthy
controls were analyzed using an AI model based on PSLA. An expert neurologist
also evaluated the recordings to compare the results.
Results
The model achieved an AUC of 93,8% in classifying PD patients versus healthy
controls, surpassing the diagnostic accuracy of the expert neurologist. For
asymptomatic carriers, the AUC was 58,8%.
Conclusions
The results support the potential of voice analysis as a tool for early PD diagnosis,
opening new possibilities for its management, such as the development of
disease-modifying therapies.},
title = {Análisis de la voz para el diagnóstico temprano de la Enfermedad de Parkinson},
author = {Cortiguera Ruiz, Laura},
}