El modelo mostró resultados prometedores en pruebas con miles de participantes, pero los expertos advierten que aún debe validarse antes de su aplicación clínica
Mujer hablando con APP de glucosa
Imagen generada con IAUna herramienta desarrollada por investigadores de thymia y la Universidad RMIT analiza patrones sutiles del habla para identificar a personas con mayor riesgo de diabetes tipo 2. El modelo fue entrenado con más de 63.000 grabaciones y mostró resultados prometedores en evaluaciones con miles de participantes. Aunque podría facilitar el acceso al cribado de la enfermedad, todavía necesita validación clínica y no sustituye los análisis de sangre.
La posibilidad de identificar una enfermedad metabólica a partir de una conversación, sin agujas ni una consulta presencial, comienza a ganar terreno en la investigación médica. Un sistema de inteligencia artificial (IA) plantea que una grabación de apenas 20 segundos de la voz de una persona podría ayudar a detectar señales relacionadas con la diabetes tipo 2.
La herramienta fue presentada durante la reunión anual de la Asociación Europea para el Estudio de la Diabetes (EASD), celebrada en Milán, Italia, entre el 28 de septiembre y el 2 de octubre de 2026. El proyecto fue desarrollado por investigadores de thymia, empresa especializada en herramientas digitales para evaluar la salud, junto con científicos de la Universidad RMIT, en Melbourne, Australia.
El objetivo no es reemplazar los procedimientos médicos, sino explorar una forma rápida y no invasiva de identificar a personas que podrían necesitar una evaluación adicional. La diabetes tipo 2 puede permanecer sin detectar durante años: algunas personas no presentan síntomas claros o no se realizan controles de manera regular. Un diagnóstico tardío puede retrasar el tratamiento y las medidas para reducir el riesgo de complicaciones.
Los investigadores consideran que el análisis vocal podría ampliar el alcance de los programas de cribado, aunque advierten que el modelo no confirma por sí solo la presencia de la enfermedad.
Estudios anteriores habían explorado posibles asociaciones entre la diabetes tipo 2 y cambios en la voz, como variaciones en la calidad vocal o en la estabilidad del sonido. Sin embargo, esas señales no son exclusivas de la diabetes: otras condiciones también pueden modificar el habla, lo que dificulta identificar patrones específicos de una enfermedad.
La IA permite examinar múltiples características acústicas que podrían pasar inadvertidas en una escucha convencional. En lugar de basarse en una sola señal, el modelo busca combinaciones de patrones presentes en las grabaciones y asigna una puntuación de riesgo.
La herramienta podría permitir que una persona grabara su voz desde el teléfono para completar una evaluación inicial. Pero una puntuación algorítmica no equivale a un diagnóstico y su utilidad depende de que el modelo sea validado en poblaciones diversas.
El equipo utilizó una base de datos de 63.283 muestras vocales correspondientes a 21.129 participantes de Estados Unidos y Reino Unido. Los participantes habían informado si contaban con un diagnóstico previo de diabetes. Con esos datos, el modelo fue entrenado para reconocer patrones que pudieran relacionarse con la enfermedad.
Una primera evaluación incluyó a 7.319 adultos del Reino Unido, de los cuales 217 reportaron un diagnóstico de diabetes tipo 2. En aproximadamente el 80% de las comparaciones, el sistema asignó una puntuación de riesgo más alta a las personas que habían informado el diagnóstico que a quienes no lo habían reportado.
Ese resultado sugiere potencial para el cribado, pero no significa que la IA haya diagnosticado correctamente al 80% de todos los participantes. Se refiere a la comparación entre puntuaciones de grupos con y sin diagnóstico reportado. Para valorar una herramienta de detección también es necesario examinar cuántos casos identifica, cuántos se le escapan y cuántas personas sin la enfermedad reciben una señal de riesgo.
El desempeño fue relativamente consistente entre distintas edades y sexos. No obstante, los investigadores observaron una menor capacidad de identificación entre participantes negros, posiblemente relacionada con la representación limitada de personas con diabetes en ese grupo dentro de los datos de entrenamiento.
También disminuyó el rendimiento entre participantes con obesidad, hipertensión o enfermedades cardiovasculares. Estas condiciones pueden coexistir con la diabetes y estar asociadas a cambios vocales que dificultan distinguir qué patrones corresponden específicamente a la alteración metabólica.
En una segunda evaluación, el equipo examinó a 801 participantes que se habían realizado pruebas de hemoglobina glicosilada (HbA1c) en casa dentro de los tres meses posteriores a la grabación.
La HbA1c es un análisis sanguíneo que estima el promedio de glucosa en los últimos dos o tres meses y se utiliza para apoyar el diagnóstico de diabetes y evaluar el control glucémico.
En esta muestra, el modelo asignó puntuaciones de riesgo más elevadas a las personas con diabetes que a las que no la tenían, según los resultados de HbA1c, en cerca del 75% de las comparaciones.
La sensibilidad del sistema alcanzó el 82%. Esto significa que identificó como de riesgo elevado al 82% de los participantes que cumplían el criterio de diabetes en la evaluación. Sin embargo, la tasa de falsos positivos fue del 47%: una proporción considerable de personas sin diabetes también recibió una clasificación elevada.
Los investigadores observaron además que, dentro del 10% de participantes con las puntuaciones más bajas, no había personas cuyos resultados de HbA1c estuvieran en los rangos de diabetes o prediabetes. El hallazgo podría explorarse para priorizar evaluaciones, pero no permite descartar la enfermedad en alguien que reciba una puntuación baja: el resultado debe confirmarse en estudios más amplios.
La aplicación que se plantea es la clasificación inicial. Quienes obtengan una puntuación de riesgo alta podrían recibir una recomendación para realizarse HbA1c u otro análisis indicado por un profesional. De este modo, la grabación serviría para orientar quién necesita una evaluación posterior.
El método podría ser útil para programas de atención primaria, plataformas digitales o iniciativas remotas, especialmente entre personas que no suelen acudir a controles médicos. La muestra podría obtenerse mediante una llamada telefónica o una aplicación, facilitando el acceso a una primera valoración.
Sin embargo, el sistema no debe sustituir las pruebas sanguíneas ni impedir que una persona con síntomas solicite atención. El diagnóstico requiere una evaluación clínica y pruebas que determinen si la glucosa se encuentra en los rangos establecidos. Un algoritmo de voz no puede confirmar la diabetes.
Uno de los principales retos es validar el modelo en poblaciones diversas. Las diferencias observadas entre grupos muestran que el rendimiento no es uniforme. Será necesario probarlo en personas con distintos antecedentes, condiciones médicas y características demográficas para comprobar que sus resultados sean confiables y equitativos.
También podrían influir factores cotidianos: la calidad del micrófono, el ruido ambiental, el idioma, el acento, la manera de leer una frase o los problemas respiratorios. Los investigadores deberán estudiar cómo afectan esas variables a la clasificación.
La tasa de falsos positivos plantea otra dificultad. Una herramienta de cribado debe equilibrar la capacidad de detectar posibles casos con el riesgo de generar alertas innecesarias, preocupación y pruebas adicionales.
Antes de su incorporación habitual, el modelo necesita evaluaciones adicionales en entornos clínicos y evidencia de que sus resultados pueden orientar decisiones útiles. La presentación en un congreso científico constituye un avance de investigación, no una autorización para usar la voz como prueba diagnóstica disponible al público.
La diabetes tipo 2 es una enfermedad crónica relacionada con la resistencia a la insulina y con la dificultad progresiva del organismo para mantener la glucosa dentro de los rangos normales. Puede avanzar sin señales evidentes. Entre los síntomas que pueden aparecer están la sed excesiva, la micción frecuente, la fatiga, la visión borrosa y la pérdida de peso involuntaria, aunque algunas personas no presentan manifestaciones claras.
La detección temprana permite iniciar tratamiento y adoptar medidas para controlar la glucosa y prevenir o retrasar complicaciones, como enfermedades cardiovasculares, daño renal, alteraciones de la visión y lesiones nerviosas. Por eso, ampliar el acceso a los controles constituye una prioridad para los sistemas de salud.
El análisis vocal representa una línea emergente de investigación: utilizar un recurso cotidiano para identificar señales que justifiquen una evaluación médica. Pero la tecnología debe entenderse como un apoyo, no como una respuesta definitiva.
El siguiente paso será estudiar el desempeño del modelo en escenarios clínicos y determinar si sus puntuaciones pueden orientar las pruebas de sangre de manera eficaz. También habrá que evaluar posibles diferencias entre poblaciones y definir protocolos para que los profesionales interpreten los resultados.
Por ahora, el estudio sugiere que la voz podría contener información relevante para identificar a personas con diabetes tipo 2. Una grabación de 20 segundos resulta llamativa, pero todavía no constituye una prueba diagnóstica para el público.
La eventual incorporación de esta tecnología dependerá de la evidencia acumulada, de su funcionamiento equitativo y de que se demuestre que puede contribuir a mejorar la detección y atención de los pacientes.
Descarga LA APP
