Toolkit to Examine Lifelike Language (TELL) 2.0
Fondo de Ciencias de la Vida | SF500, Argentina
PI: Adolfo M. García
El mundo está enfrentando una crisis de salud cerebral. Estimaciones recientes indican que los costos asociados llegaran a los 16 billones de dólares para el 2030. Tal carga financiera será desproporcionadamente grande en Latinoamérica, ya que 8 millones de latinos se verán afectados por enfermedades neurodegenerativas. Estos trastornos, entre los que se encuentran la enfermedad de Alzheimer (EA), la enfermedad de Parkinson (EP) y la demencia frontotemporal (DFT), figuran entre las principales causas de discapacidad y muerte a nivel local y global. A falta de una cura, las posibilidades de mejorar la calidad de vida de los pacientes radican en la detección temprana, lo que conduce a terapias oportunas. Alarmantemente, los métodos de diagnóstico de referencia son invasivos, costosos y dependen de personal especializado, el cual se encuentra poco disponible a lo largo de la región. Este escenario ha incentivado una búsqueda de marcadores digitales, los que resultan ser objetivos, no invasivos, de bajo costo y escalables, lo que les permite identificar y monitorear enfermedades específicas. El análisis automatizado del habla (AAH) cumple con todos estos requisitos. Se trata de un método que capta marcadores de enfermedades cerebrales en la producción del habla espontánea. Sin embargo, pocas herramientas ofrecen soluciones de AAH a médicos clínicos y pacientes, y ninguna de ellas está adaptada a las poblaciones latinoamericanas ni tampoco se basa en investigaciones publicadas en las principales revistas especializadas. Además, los marcadores de AAH se han detectado principalmente en hablantes de inglés, un idioma que difiere enormemente del español. Por lo tanto, los marcadores de AAH propuestos pueden ser no ser válidos para latinos hablantes de español. Esto exacerba las desigualdades mundiales en torno a la salud cerebral, lo que crea un gran nicho para la ciencia traslacional comercializable.
En respuesta a esto, hemos desarrollado una aplicación digital llamada Toolkit to Examine Lifelike Language (TELL), diseñada específicamente para poblaciones latinoamericanas y respaldada por investigaciones de alto impacto. Impulsada por la tecnología de Sigmind, esta herramienta, que cumple con las normas HIPPA, , permite recopilar, almacenar y visualizar datos de habla en tiempo real. Los participantes simplemente deben hablar en respuesta a ciertas instrucciones breves (por ejemplo., «describa su rutina» o «narre un recuerdo agradable»), y se utilizan algoritmos de aprendizaje automático para extraer información valiosa para detectar trastornos específicos, predecir la severidad de los síntomas, captar anomalías cerebrales y anticipar la progresión de la enfermedad. Las tareas estratégicas de habla y las métricas novedosas de TELL pueden identificar a individuos latinos con EA, EP, y DFT con hasta un 90% de precisión, y todo con solo unos cuantos minutos de habla. Nuestra herramienta se diferencia de otras tecnologías digitales en cuanto a que (i) prueba ser útil para diversos trastornos cerebrales; (ii) proporciona resultados sobre la marcha para personal clínico; (iii) incluye comparaciones de métricas con datos normativos para estimar la gravedad del déficit; y (iv) puede ser ampliamente utilizada sin importar el nivel de alfabetización, el dialecto, las comorbilidades y otros factores que limitan a las tecnologías de la competencia.
Toolkit to Examine Lifelike Language (TELL) 2.0
Fondo de Ciencias de la Vida | SF500, Argentina
PI: Adolfo M. García
The world is facing a brain health crisis. Recent estimates indicate that associated costs will hit 16 trillion USD by 2030. Such a financial burden will be disproportionately great in Latin America, as 8 million Latinos will then be affected by neurodegenerative diseases. These disorders, including Alzheimer’s disease (AD), Parkinson’s disease (PD), and frontotemporal dementia (FTD), rank among the main causes of disability and death locally and globally. In the absence of a cure, chances of improving patients’ life quality lie in early detection, leading to timely therapies. Alarmingly, gold standard diagnostic methods are invasive, costly, and dependent on specialized staff who are widely unavailable across the region. This scenario has spurred a quest for digital markers, offering objective, non-invasive, low-cost, scalable insights to identify and monitor specific diseases. All these requisites are met by automated speech analysis (ASA), an approach that captures markers of brain disease in spontaneous language production. However, few tools offer ASA solutions to clinicians and patients, and none of these are tailored to Latin American populations or informed by research published in top specialty journals. Moreover, ASA markers have been detected mainly for speakers of English, a language that differs greatly from Spanish. Proposed ASA markers may thus be invalid for Spanish-speaking Latinos. This exacerbates global inequities around brain health, creating a major niche for marketable translational science.
We have developed a digital app called Toolkit to Examine Lifelike Language (TELL), specifically designed for Latin American populations and supported with high-impact research. Powered by Sigmind’s technology, this HIPPA-compliant tool allows collecting, storing, and visualizing speech data in real time. Participants are simply required to speak in response to brief instructions (e.g., “describe your routine” or “narrate a pleasant memory”), and machine learning algorithms are used to extract rich information for detecting specific disorders, predicting symptom severity, capturing brain anomalies, and anticipating disease progression. TELL’s strategic speech tasks and novel metrics can identify Latino individuals with AD, PD, and FTD with up to 90% accuracy, all based on a few minutes of speech. Our tool differs from other digital technologies in that it (i) proves useful for diverse brain disorders; (ii) provides on-the-fly results for clinicians; (iii) includes comparisons of metrics with normative data to estimate deficit severity; and (iv) can be used broadly irrespective of literacy, dialect, comorbidities, and other factors limiting competing technologies.