Un paquete de herramientas de código abierto basado en aprendizaje profundo para análisis automatizados de la respuesta auditiva del tronco encefálico (ABRA)

Por qué importan mejores pruebas de audición

A medida que las personas viven más tiempo, la pérdida auditiva se está convirtiendo en uno de los problemas de salud más comunes en todo el mundo. Supone más que una dificultad para mantener conversaciones; hoy se relaciona con problemas de memoria y demencia en etapas posteriores de la vida. Para comprender y tratar la pérdida auditiva, los científicos dependen de un tipo especial de registro eléctrico procedente del oído y del tronco encefálico llamado respuesta auditiva del tronco encefálico, o ABR. Estos registros son potentes pero tradicionalmente requieren que expertos inspeccionen líneas onduladas a simple vista, un proceso lento y subjetivo. Este artículo presenta ABRA, un conjunto de herramientas de software gratuito y automatizado que usa inteligencia artificial moderna para leer estas señales de forma rápida y consistente.

De los clics en el oído a las ondas en la pantalla

Cuando se reproduce un sonido breve en el oído, pequeñas células sensoriales en el oído interno y las fibras nerviosas que las siguen disparan en un pulso rápido. Esta actividad viaja por el tronco encefálico y puede captarse con electrodos colocados en la cabeza. El resultado es una traza ABR: una serie de pequeñas ondas que aparecen en los primeros milisegundos tras el sonido. En ratones, la primera onda grande refleja la actividad del nervio auditivo y es especialmente sensible a daños tempranos en la cóclea, incluida la pérdida de las conexiones (sinapsis) entre las fibras nerviosas y las células ciliadas. Los investigadores leen estas ondas para estimar cuán alto debe ser un sonido para ser oído (el umbral) y cuán fuertes y rápidas son las respuestas nerviosas. Pequeños cambios en estas medidas pueden revelar lesiones ocultas antes de que aparezcan en las pruebas auditivas estándar.

El problema de la lectura manual

Aunque las pruebas ABR son registros objetivos, la manera de analizarlas muchas veces no lo es. Diferentes laboratorios usan distinto software, e incluso revisores experimentados pueden discrepar sobre exactamente dónde comienza, alcanza el pico y termina una onda, sobre todo cuando las señales son débiles o ruidosas. Marcar manualmente miles de trazas de grandes experimentos puede llevar muchas horas y dificulta comparar resultados entre estudios. Algunos grupos han intentado métodos informáticos basados en reglas o técnicas tradicionales de aprendizaje automático, pero estas tienen flexibilidad limitada y pueden no manejar bien la gran variedad de configuraciones de grabación, cepas de ratón y tipos de daño auditivo presentes en la investigación moderna.

Un nuevo conjunto de herramientas automatizado

ABRA (Analizador de la Respuesta Auditiva del Tronco Encefálico) aborda estos retos combinando modelos de aprendizaje profundo con una interfaz fácil de usar. Los autores entrenaron redes neuronales convolucionales, un tipo de inteligencia artificial que destaca en reconocer patrones complejos, con más de veinte mil grabaciones ABR recopiladas en tres laboratorios independientes de investigación auditiva. A pesar de las diferencias en el equipo, los ajustes de sonido y los modelos de ratón —incluidos animales que envejecieron más rápido o fueron expuestos a ruido intenso—, los mismos modelos aprendieron a detectar características clave de las ondas y a distinguir respuestas que realmente reflejan audición de aquellas que son solo ruido de fondo. ABRA incluye dos herramientas principales: una que localiza el momento y la amplitud de la primera onda ABR, y otra que decide, a lo largo de una serie de niveles sonoros, qué nivel marca el umbral auditivo verdadero.

Tan preciso como los expertos, decenas de veces más rápido

Para evaluar el rendimiento de ABRA, el equipo comparó sus mediciones automáticas con miles de etiquetados humanos. Para la primera onda del ABR, las estimaciones de ABRA sobre el tiempo y el tamaño casi siempre cayeron dentro de una minúscula fracción de milisegundo y una fracción de microvoltio respecto a las marcas de los expertos, con los errores mayores ocurriendo solo cuando la señal en sí era apenas visible. Para la detección del umbral se probaron varios tipos de modelos de aprendizaje automático, y el enfoque de aprendizaje profundo superó a los métodos más simples en todas las medidas de exactitud. En comparaciones directas, ABRA coincidió con los evaluadores expertos humanos casi con la misma frecuencia con que dos expertos coincidían entre sí y igualó o superó a un método establecido de correlación cruzada usado en otro paquete ABR popular. De forma crucial, analizar 90 conjuntos de datos de ratón llevó a los expertos alrededor de una hora a mano, pero menos de un minuto con ABRA, una aceleración de aproximadamente 75 veces.

Qué significa esto para la investigación auditiva

ABRA transforma lo que antes era un paso lento y subjetivo en experimentos de audición en un proceso rápido, estandarizado y compartible. Al ser de código abierto, estar disponible gratuitamente en línea y poder leer múltiples formatos de archivo comunes, puede integrarse en muchos flujos de trabajo existentes sin habilidades de programación especiales. Los modelos actuales están entrenados con datos de ratón y están mejor validados para la primera onda ABR, por lo que casos muy inusuales u otras especies aún pueden requerir revisión experta o reentrenamiento en el futuro. Aun así, el conjunto de herramientas muestra cómo la inteligencia artificial puede dar sentido a señales biológicas complejas, ayudando a los científicos a estudiar cómo falla la audición con la edad, el ruido o la enfermedad, y, en última instancia, apoyando los esfuerzos para proteger tanto la audición como la salud cerebral.

Cita: Erra, A., Miller, C.M., Chen, J. et al. An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA). Sci Rep 16, 9855 (2026). https://doi.org/10.1038/s41598-026-38045-1

Palabras clave: pérdida auditiva, respuesta auditiva del tronco encefálico, aprendizaje profundo, análisis de señales automatizado, neurociencia en ratón