La detección temprana del asma en niños es crucial para prevenir complicaciones respiratorias a largo plazo y reducir las intervenciones de emergencia. Este trabajo presenta una línea de diagnóstico impulsada por inteligencia artificial que aprovecha el modelo Health Acoustic Representations (HeAR) de Google para detectar signos tempranos de asma a partir de sonidos respiratorios pediátricos.
Se utiliza el conjunto de datos SPRSound, la primera colección de acceso abierto de sonidos respiratorios anotados en niños de entre 1 mes y 18 años, para extraer segmentos de audio de 2 segundos etiquetados como sibilancias, crepitaciones, roncus, estridor o normales. Cada segmento se convierte en una representación de 512 dimensiones utilizando HeAR, un modelo base preentrenado con 300 millones de clips de audio relacionados con la salud, incluidos 100 millones de sonidos de tos.
Se entrenan múltiples clasificadores, incluidos SVM, Random Forest y MLP, sobre estas representaciones para distinguir entre sonidos indicativos de asma y sonidos normales. El sistema alcanza una precisión superior al 91 %, con un alto rendimiento en métricas de precisión-recall para los casos positivos.
Además de la clasificación, las representaciones aprendidas se visualizan mediante PCA, se analizan las clasificaciones erróneas mediante la reproducción de las ondas sonoras, y se proporcionan gráficos ROC y matrices de confusión. Este método demuestra que grabaciones pediátricas cortas y de bajo recurso, cuando se potencian con modelos de audio base, pueden permitir una detección rápida y no invasiva del asma. Este enfoque es especialmente prometedor para diagnósticos digitales en entornos remotos o con recursos limitados.
” chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://arxiv.org/pdf/2504.20124 “
Abul Ehtesham1, Saket Kumar2, Aditi Singh3, Tala Talaei Khoei4 1Kent State University, USA 2Northeastern University, USA 3Department of Computer Science, Cleveland State University, USA 4Khoury College of Computer Science, Roux Institute at Northeastern University, USA [email protected], [email protected], [email protected], [email protected]