Diabete, basta la voce per capire se c'è un rischio? L'intelligenza artificiale ci prova in 20 secondi (blitzquotidiano.it)
E se per capire se una persona è a rischio di diabete bastassero pochi secondi della sua voce? È la domanda alla quale sta cercando di rispondere una nuova tecnologia basata sull’intelligenza artificiale, presentata al congresso 2026 della European Association for the Study of Diabetes (EASD), in corso a Milano. Il sistema analizza appena 20 secondi di voce e cerca nella parlata alcuni segnali che possono essere associati al diabete di tipo 2.
L’idea è sorprendente: invece di partire da un prelievo di sangue, l’intelligenza artificiale potrebbe utilizzare una registrazione effettuata attraverso uno smartphone o una telefonata per identificare le persone che potrebbero avere bisogno di un controllo più approfondito.
Ma attenzione: non significa che oggi sia possibile diagnosticare il diabete semplicemente parlando. La tecnologia è ancora in fase di sviluppo e validazione. I risultati sono però abbastanza interessanti da aprire una nuova strada alla ricerca sullo screening della malattia.
L’intelligenza artificiale ascolta soltanto 20 secondi
Il modello è stato sviluppato utilizzando un enorme archivio di registrazioni vocali. I ricercatori hanno utilizzato 63.283 campioni vocali provenienti da 21.129 persone residenti nel Regno Unito e negli Stati Uniti. Le registrazioni comprendevano sia persone che leggevano un testo sia momenti di conversazione libera.
L’intelligenza artificiale non cerca una singola parola o una frase particolare. Analizza invece caratteristiche della voce e della modalità con cui una persona parla, utilizzando parametri acustici che possono contenere informazioni indirette sullo stato fisiologico dell’organismo.
Per la successiva validazione, il modello è stato testato su registrazioni di appena 20 secondi. In una parte dell’esperimento, le persone dovevano leggere ad alta voce alcuni brani delle favole di Esopo. Il sistema trasformava quindi la registrazione in un punteggio di rischio.
Cosa ha trovato lo studio?
La prima fase della validazione ha coinvolto 7.319 adulti britannici con informazioni sul proprio stato di salute. Quando il modello è stato confrontato con il diabete di tipo 2 riferito dai partecipanti, ha raggiunto un’area sotto la curva (AUC) di circa 0,80.
In termini più semplici, il modello è riuscito a distinguere abbastanza bene le persone con e senza diabete, anche se con prestazioni inferiori rispetto a un modello clinico già utilizzato per la valutazione del rischio, chiamato QDiabetes, che nello stesso confronto aveva raggiunto un’AUC di circa 0,86.
Un altro modo di leggere il risultato è quello riportato dagli autori e dai materiali presentati in occasione dell’EASD: il sistema ha assegnato un punteggio di rischio elevato a circa l’80% delle persone che avevano riferito di avere il diabete di tipo 2.
È un dato interessante, ma non equivale a dire che l’algoritmo abbia diagnosticato correttamente l’80% dei casi. Si tratta di una misura di capacità predittiva e deve essere interpretata nel contesto dello studio.
E quando la voce è stata confrontata con il sangue?
Questa è probabilmente la parte più importante della ricerca. Gli autori hanno selezionato un sottogruppo di 801 persone che avevano effettuato anche un test dell’emoglobina glicata (HbA1c) a domicilio entro tre mesi dalla registrazione vocale.
In questo caso il modello ha mostrato prestazioni più basse rispetto all’analisi basata sulla diagnosi riferita dai partecipanti, ma ha comunque mostrato un segnale interessante.
Per una HbA1c pari o superiore a 6,5%, soglia utilizzata per il diabete, l’AUC è stata di 0,75.
Il modello ha inoltre mostrato una capacità predittiva anche per il livello di HbA1c associato al prediabete, con un’AUC di 0,73.
Questo passaggio è importante perché significa che l’algoritmo non è stato confrontato soltanto con ciò che le persone dichiaravano sulla propria salute: in un sottogruppo sono stati utilizzati anche dati biologici misurati attraverso il sangue.
Ma cosa può avere a che fare la voce con il diabete?
La voce non contiene ovviamente la glicemia come se fosse un dato registrato direttamente dal microfono. L’ipotesi è diversa: alcune alterazioni fisiologiche associate al diabete potrebbero essere riflesse, indirettamente, nelle caratteristiche della voce.
L’algoritmo cerca quindi pattern molto sottili, difficili o impossibili da riconoscere a orecchio. Tra le caratteristiche analizzate ci sono parametri acustici legati al modo di parlare, alla qualità del suono e alla produzione vocale.
Non significa che una voce roca o affaticata sia un sintomo specifico del diabete. Questi elementi possono dipendere da moltissime condizioni diverse.
È proprio la capacità dell’intelligenza artificiale di combinare contemporaneamente moltissime caratteristiche a rendere interessante l’approccio.
Non è un “test della voce” che sostituisce il prelievo
Il diabete di tipo 2 viene diagnosticato attraverso esami del sangue, tra cui glicemia, emoglobina glicata e, in determinate situazioni, test da carico orale di glucosio. La tecnologia studiata non è oggi un’alternativa a questi esami.
Gli stessi ricercatori sottolineano che l’obiettivo è piuttosto quello di creare un nuovo livello di screening preliminare: una persona potrebbe registrare la propria voce attraverso un’app o una telefonata, ricevere una stima del rischio e, se necessario, essere indirizzata verso un vero controllo clinico.
L’idea sarebbe particolarmente interessante per raggiungere quelle persone che non effettuano regolarmente controlli sanitari.
Perché potrebbe essere utile?
Il diabete di tipo 2 può svilupparsi per anni senza sintomi evidenti. Una persona può quindi avere una glicemia alterata senza sapere di essere a rischio e senza avere un motivo concreto per rivolgersi al medico.
Un sistema basato sulla voce avrebbe un vantaggio evidente: è semplice, non invasivo e potenzialmente molto economico. Basterebbe parlare per pochi secondi davanti allo smartphone.
È proprio questa possibilità di effettuare uno screening su larga scala a rendere interessante la ricerca.
Gli autori immaginano, per esempio, un percorso a più livelli: la voce potrebbe servire come primo filtro, seguito dagli esami del sangue nelle persone che risultano maggiormente a rischio.
Il problema dei falsi positivi e dei falsi negativi
Come qualsiasi sistema di screening, anche un algoritmo di questo tipo deve affrontare un problema fondamentale: non può essere perfetto.
Un falso positivo significa che il sistema identifica come a rischio una persona che non ha il diabete. Un falso negativo è invece più problematico: il sistema non segnala un rischio presente.
Per questo una tecnologia del genere non dovrebbe mai essere interpretata come una diagnosi automatica. Un risultato negativo della voce non dovrebbe indurre una persona con sintomi, fattori di rischio o indicazione medica a rinunciare agli esami del sangue.
Allo stesso modo, un risultato positivo dovrebbe significare soprattutto: “vale la pena fare un controllo”, non “hai il diabete”.
E non funziona allo stesso modo per tutti
Nel corso della validazione, le prestazioni del modello si sono ridotte in presenza di alcune condizioni, tra cui malattie cardiovascolari e ipertensione.
Gli autori hanno inoltre osservato prestazioni inferiori nei partecipanti neri rispetto ad altri gruppi, un risultato che potrebbe essere collegato almeno in parte alla loro sottorappresentazione nei dati disponibili.
È un problema cruciale per qualsiasi sistema di intelligenza artificiale applicato alla medicina. Un algoritmo può funzionare bene nel gruppo sul quale è stato sviluppato e avere prestazioni diverse quando viene utilizzato su popolazioni con caratteristiche differenti.
Prima di poterlo utilizzare nella pratica clinica sarà quindi necessario verificarne l’affidabilità in popolazioni molto più ampie e diversificate.
C’è anche un problema di privacy
La voce non è un semplice dato anonimo. Una registrazione vocale può contenere informazioni biometriche e personali e può essere potenzialmente utilizzata per riconoscere una persona.
Per questo l’uso di sistemi di screening basati sulla voce pone anche questioni legate alla privacy, alla conservazione dei dati e al consenso.
Nel lavoro pubblicato come preprint, gli autori specificano che i dati vocali grezzi non sono pubblicamente disponibili proprio per ragioni legate alla privacy dei partecipanti. È un aspetto che diventerà sempre più importante se strumenti di questo tipo passeranno dalla ricerca alle applicazioni rivolte al pubblico.
La ricerca ha anche un limite importante: è ancora un preprint
Il lavoro è stato pubblicato su medRxiv, una piattaforma che permette di condividere rapidamente i risultati scientifici prima della revisione tra pari. Questo significa che i risultati sono disponibili per la comunità scientifica, ma non hanno ancora superato il normale processo di peer review di una rivista scientifica.
Inoltre, il modello è stato sviluppato da ricercatori collegati a thymia, la società che ha sviluppato la tecnologia. Nel lavoro vengono dichiarati rapporti finanziari e interessi societari di alcuni autori.