Hacia un biomarcador digital basado en el habla para el deterioro cognitivo: la voz como proxy de la evaluación cognitiva

Por qué la conversación cotidiana puede revelar la salud cerebral

La mayoría de nosotros damos por sentado charlar con amigos o describir una imagen. Pero al envejecer, cambios sutiles en cómo elegimos las palabras, formamos las frases y hacemos pausas entre enunciados pueden revelar cómo funciona nuestro cerebro. Este estudio plantea una pregunta simple pero poderosa: ¿podría una breve grabación de habla cotidiana, recogida en casa con un portátil, actuar como señal temprana de problemas como la demencia—sin necesidad de largas visitas clínicas ni pruebas en papel?

Escuchar en lugar de someter a pruebas largas

Hoy en día, el diagnóstico del deterioro cognitivo suele depender de pruebas presenciales realizadas por especialistas. Estas sesiones consumen tiempo, son costosas y resultan difíciles de repetir con frecuencia o a gran escala. Al mismo tiempo, millones de personas mayores están en riesgo de condiciones como la enfermedad de Alzheimer, donde la detección temprana importa: los fármacos y los cambios en el estilo de vida suelen ser más efectivos antes de que aparezcan síntomas graves. El habla es una fuente de información atractiva: es barata de grabar, puede capturarse de forma remota y refleja de modo natural muchas capacidades mentales, desde la memoria hasta la atención y la planificación. Los investigadores se propusieron comprobar si muestras breves de habla cotidiana podían funcionar como un “biomarcador digital” de la salud cognitiva.

Convertir el habla casual en señales medibles

El equipo reclutó a 1003 adultos de habla inglesa de 60 años o más de Estados Unidos y Reino Unido. Los participantes completaron pruebas estándar en línea que medían cuatro áreas amplias: lenguaje, función ejecutiva (planificación y flexibilidad mental), memoria y velocidad. También realizaron en casa tres tareas simples de habla: describir dos escenas en blanco y negro bien conocidas usadas en pruebas clínicas de lenguaje y hablar sobre su semana pasada. Usando software de reconocimiento automático de voz, los científicos convirtieron el audio en texto y luego extrajeron docenas de propiedades medibles tanto del sonido como de las palabras—por ejemplo, la rapidez al hablar, la frecuencia de las pausas, la variedad de vocabulario y la frecuencia de uso de distintos tipos de palabras como sustantivos, verbos o pronombres.

Enseñar a las máquinas a estimar las habilidades mentales

Con estas características del habla, los investigadores entrenaron modelos de aprendizaje automático para predecir las puntuaciones de las pruebas cognitivas de cada persona. Compararon modelos que solo usaban información demográfica básica (edad, sexo, educación y país) con modelos que también incluían rasgos del habla. Añadir el habla marcó una diferencia notable: para la capacidad del lenguaje, el modelo basado en el habla explicó alrededor del 27 % de las diferencias entre personas, más de cuatro veces lo que lograban solo las demográficas. También capturó una parte significativa de la variación en función ejecutiva y velocidad de pensamiento, aunque mucho menos para la memoria. Un análisis detallado mostró que el uso rico y específico de palabras y una entrega más fluida (ritmo de habla más rápido y menos o más cortas pausas) tendían a asociarse con puntuaciones más altas en las pruebas.

Detectar a quienes pueden estar decayendo

Más allá de estimar puntuaciones en una escala continua, el equipo preguntó si el habla podía ayudar a señalar a individuos cuyo rendimiento era inesperadamente bajo para su edad y educación—personas que podrían tener mayor riesgo de desarrollar demencia. Usando las mismas características del habla, entrenaron un modelo informático separado para distinguir a estos “bajo rendimiento cognitivo” de los demás. En especial para la capacidad del lenguaje, el modelo mostró un buen rendimiento de cribado, lo que significa que una simple grabación de descripción de imágenes podría ayudar a identificar a un subgrupo de personas mayores que merecen una atención clínica más cercana o que podrían ser buenos candidatos para participar en ensayos terapéuticos.

Poner el enfoque a prueba en pacientes reales

Para ver si sus modelos captaban diferencias de relevancia clínica, los investigadores los aplicaron, sin reentrenamiento, a un conjunto de datos independiente de personas con enfermedad de Alzheimer y pares sanos que habían realizado la misma tarea de descripción de imágenes décadas antes. Aunque las grabaciones eran más antiguas y tenían más ruido, las puntuaciones basadas en el habla resultaron claramente más bajas para el grupo con Alzheimer en las cuatro áreas cognitivas, especialmente en lenguaje y función ejecutiva. Esto sugiere que los patrones aprendidos a partir de un gran grupo de adultos mayores mayoritariamente sanos siguen siendo válidos cuando se aplican a pacientes con demencia diagnosticada.

Qué podría significar para la atención cotidiana

Para los no especialistas, el mensaje clave es que muestras breves de habla ordinaria contienen una sorprendente cantidad de información sobre el funcionamiento cerebral de una persona mayor, particularmente en lo relativo al lenguaje y al pensamiento de orden superior. Si bien este método no puede sustituir una evaluación clínica completa—y por sí solo aporta menos información sobre la memoria—podría convertirse en una forma de bajo coste y no intrusiva de monitorizar cambios a lo largo del tiempo, inducir revisiones oportunas y ayudar a los investigadores a encontrar participantes adecuados para ensayos clínicos. En el futuro, una llamada telefónica o por vídeo de rutina podría analizar de forma discreta cómo hablamos, ofreciendo un empujón temprano para buscar ayuda mucho antes de que los problemas graves sean evidentes.

Cita: Heitz, J., Engler, I.M. & Langer, N. Towards a speech-based digital biomarker for cognitive impairment: speech as a proxy for cognitive assessment. npj Digit. Med. 9, 179 (2026). https://doi.org/10.1038/s41746-026-02360-8

Palabras clave: cribado cognitivo basado en el habla, biomarcadores digitales, enfermedad de Alzheimer, envejecimiento y demencia, aprendizaje automático en medicina