Muestreo diario de voz en condiciones naturales en el hogar para la investigación de biomarcadores digitales del SNC

Este documento propone un marco de investigación. No afirma que el muestreo diario de voz en el hogar sea clínicamente superior a la evaluación estandarizada en clínica, ni que constituya actualmente una variable de resultado diagnóstica, pronóstica o regulatoria validada.

La afirmación central es más limitada: las conversaciones orales diarias mantenidas en condiciones naturales en el hogar podrían aportar datos longitudinales complementarios y con validez ecológica para la investigación de biomarcadores digitales del SNC. Esta hipótesis debe comprobarse mediante estudios de validación adecuados al uso previsto.

El habla y la voz se estudian cada vez más como posibles biomarcadores digitales de trastornos del sistema nervioso central, entre ellos la enfermedad de Alzheimer, el deterioro cognitivo leve, la enfermedad de Parkinson, la depresión y otras afecciones neuropsiquiátricas. Gran parte del campo sigue dependiendo de tareas estructuradas del habla administradas en entornos clínicos o de investigación. Estos datos son valiosos porque están estandarizados, se vinculan a los flujos de trabajo clínicos y facilitan la comparación entre participantes.

Las muestras de habla obtenidas en clínica también pueden verse afectadas por el contexto de evaluación: ansiedad del participante, efectos de novedad, esfuerzo inusualmente elevado, fatiga del desplazamiento, interacción con personal desconocido, efectos de la hora del día y artificialidad de actuar bajo observación.

Este documento propone una hipótesis comprobable: los datos de voz diarios o de alta frecuencia recogidos mediante conversaciones naturales en el hogar del participante podrían producir datos complementarios con mayor validez ecológica y sensibilidad longitudinal que las muestras aisladas del habla en clínica por sí solas. La hipótesis se fundamenta en la evaluación ecológica momentánea, la evaluación cognitiva digital remota, la metodología de ensayos clínicos descentralizados y la investigación emergente de biomarcadores del habla.^[1][2][3]

El modelo propuesto no sustituye las evaluaciones controladas, sino que las integra: las tareas de habla estandarizadas en clínica proporcionan referencias clínicas, mientras que las conversaciones repetidas en el hogar aportan señales conductuales longitudinales de la vida cotidiana. Si se valida, este modelo híbrido podría apoyar los ensayos clínicos sobre trastornos del SNC mejorando la determinación de referencias basales intraindividuales, la separación entre estado y rasgo, la detección de cambios funcionales sutiles y la medición de la comunicación en la vida real.

La premisa central de este documento es que los cambios del habla y del lenguaje relevantes para el SNC suelen ser dinámicos, sensibles al contexto y longitudinales. Una única muestra de habla en clínica puede ser clínicamente útil, pero difícilmente caracterizará por completo la función comunicativa cotidiana, el estado afectivo, el esfuerzo cognitivo o la variabilidad intraindividual de un participante.

Proponemos que el muestreo repetido de voz mediante conversaciones telefónicas naturales en el hogar puede captar una clase diferente de señal: no solo el rendimiento en tareas, sino la conducta verbal en la vida real a lo largo del tiempo. Esta distinción importa para la investigación de biomarcadores digitales. Un biomarcador derivado de una tarea estandarizada puntual puede estimar la capacidad en condiciones controladas. Un biomarcador derivado de conversaciones diarias en condiciones naturales puede estimar la comunicación funcional en las condiciones de vida habituales.

Las grabaciones diarias o de alta frecuencia recogidas en condiciones naturales en el hogar podrían proporcionar datos con mayor validez ecológica y sensibilidad longitudinal para la investigación de biomarcadores digitales del SNC que las evaluaciones aisladas del habla realizadas únicamente en clínica. Seguirían siendo necesarias referencias clínicas para su validación e interpretación.

Esta hipótesis tiene cuatro componentes:

• Validez ecológica: las conversaciones en el hogar podrían reflejar mejor el habla, la cognición, el afecto y la comunicación funcional cotidianos.
• Sensibilidad longitudinal: el muestreo repetido podría estimar la referencia basal personal, la variabilidad y la trayectoria con mayor precisión que una o dos visitas clínicas.
• Reducción de artefactos de evaluación: las conversaciones repetidas con un interlocutor familiar podrían reducir el estrés, los efectos de novedad y la distorsión del rendimiento en comparación con los entornos de evaluación formal.
• Enriquecimiento de señales: el diálogo natural podría revelar características que las tareas estructuradas no captan, como el mantenimiento del tema, la reparación conversacional, la coherencia narrativa espontánea, el tono afectivo y la reciprocidad social.

La investigación clínica sobre trastornos del SNC se ve limitada por el ruido en las variables de resultado, la heterogeneidad de las trayectorias de enfermedad, la expresión variable de los síntomas y la escasa sensibilidad de las evaluaciones puntuales. Los síntomas cognitivos y neuropsiquiátricos fluctúan de un día a otro y según el contexto. El estado de ánimo, el sueño, el horario de la medicación, el estrés, la fatiga, el dolor, la interacción social y la hora del día pueden influir en el rendimiento. Sin embargo, muchos ensayos siguen dependiendo en gran medida de evaluaciones periódicas que resumen esta variabilidad en un número reducido de visitas.

Este problema no es exclusivo del habla. Es un desafío general de la medición en el SNC. Sin embargo, el habla es especialmente sensible al contexto porque refleja varios sistemas simultáneamente: lenguaje, memoria, función ejecutiva, velocidad de procesamiento, afecto, planificación motora, coordinación respiratoria, audición, motivación social y comodidad interpersonal. El habla de un participante durante una visita formal de investigación puede diferir de su habla durante una conversación ordinaria en casa.

La consecuencia práctica es que las evaluaciones del habla en clínica pueden tener una elevada estandarización interna, pero menor validez ecológica. Por el contrario, las conversaciones en condiciones naturales en el hogar pueden tener menor control experimental, pero mayor relevancia para la vida real. La oportunidad de investigación consiste en combinar ambas, en lugar de tratarlas como sustitutas.

3.1 Evaluación ecológica momentánea y entornos naturales

La evaluación ecológica momentánea ofrece un precedente metodológico directo. Shiffman, Stone y Hufford definen la EMA como el muestreo repetido de conductas y experiencias actuales en tiempo real y en entornos naturales. La EMA se desarrolló para reducir el sesgo de recuerdo, mejorar la validez ecológica y estudiar los procesos a medida que se desarrollan en la vida cotidiana.^[1]

El muestreo diario de voz en el hogar puede entenderse como un enfoque afín a la evaluación ecológica momentánea aplicado al habla y al lenguaje. En lugar de pedir a los participantes que describan retrospectivamente cómo se sintieron o desenvolvieron, el sistema observa de forma repetida su conducta verbal en contexto. Los datos resultantes podrían permitir a los investigadores modelar pequeñas variaciones, patrones semanales, efectos de adaptación y desviaciones respecto a la referencia basal personal.

3.2 Tecnologías digitales de salud para la recogida remota de datos en investigación clínica

Las prácticas regulatorias y de los ensayos clínicos incorporan cada vez más la recogida remota de datos. La guía de la FDA Digital Health Technologies for Remote Data Acquisition in Clinical Investigations ofrece recomendaciones sobre el uso de sistemas de hardware y software para obtener datos de los participantes a distancia, y señala posibles mejoras en la eficiencia de los ensayos y la comodidad de los participantes.^[2]

Esto no implica que cualquier medida obtenida a distancia sea válida. Significa que la recogida remota es compatible con la investigación clínica cuando la tecnología, la medida y el contexto de uso se especifican y validan adecuadamente. En los biomarcadores de voz recogida en condiciones naturales, la cuestión no es solo si se puede recoger audio a distancia, sino si la medida derivada es exacta, fiable, interpretable, clínicamente significativa y adecuada al uso previsto.

3.3 Evaluación cognitiva digital remota y no supervisada

Una revisión de alcance de 2025 en npj Digital Medicine concluyó que las evaluaciones digitales remotas y no supervisadas pueden mejorar la escalabilidad, la fiabilidad de la medición y la validez ecológica en la investigación preclínica de la enfermedad de Alzheimer, permitiendo captar cambios cognitivos sutiles. Esto respalda el principio más amplio de que la medición remota repetida puede ser valiosa cuando son fundamentales los cambios sutiles, la validez ecológica y la escalabilidad.^[4]

La misma lógica se aplica a las medidas basadas en el habla. Muchos cambios del SNC pueden aparecer primero como pequeñas variaciones en la velocidad de procesamiento, la fluidez, el acceso léxico, la coherencia, el tono afectivo o la iniciativa conversacional. Estos cambios pueden ser difíciles de detectar en una visita clínica, pero más visibles en muestras repetidas.

3.4 El habla como señal relevante para el SNC

El habla es una fuente plausible de biomarcadores digitales del SNC porque la generan sistemas cognitivos, afectivos, lingüísticos y motores distribuidos. La evidencia de revisiones sistemáticas sugiere que los biomarcadores basados en el habla tienen utilidad diagnóstica para distinguir el deterioro cognitivo leve de la ausencia de deterioro cognitivo, aunque también destaca la heterogeneidad y la necesidad de una validación más sólida.^[5]

Los estudios de análisis automatizado del habla suelen extraer características acústicas como velocidad del habla, duración de pausas, velocidad de articulación, variabilidad del tono, intensidad y calidad vocal, y características lingüísticas como diversidad léxica, complejidad sintáctica, coherencia semántica, repetición, uso de pronombres, densidad de información y estructura narrativa. Las conversaciones en condiciones naturales podrían ampliar este espacio de características incorporando alternancia de turnos, mantenimiento del tema, reparación conversacional, espontaneidad, valencia afectiva y reciprocidad social.

3.5 Afecto momentáneo y habla sensible al estado

El habla no es únicamente un marcador de rasgo. También varía con el estado afectivo momentáneo. Un estudio de evaluación ambulatoria de 2024 en JMIR Mental Health encontró que la variabilidad del tono, las pausas y la velocidad del habla se asociaban a la gravedad de la depresión, el afecto positivo, la valencia y la activación energética. Esto respalda la idea de que el muestreo del habla de alta frecuencia podría ser útil no solo para clasificar enfermedades, sino también para captar variaciones del estado.^[6]

Esto tiene relevancia metodológica en los ensayos clínicos sobre trastornos del SNC. La interpretación de una única muestra de habla puede verse condicionada por un estado transitorio. El muestreo diario permite modelar esa variación en lugar de tratarla como ruido aleatorio.

3.6 Recogida telefónica del habla en personas mayores

La recogida del habla por teléfono es especialmente relevante para personas mayores porque evita requerir aplicaciones, dispositivos portátiles, cámaras, interacción con pantallas o competencias digitales avanzadas. El estudio SPeAk señaló que una breve evaluación cognitiva y del habla por teléfono era viable y aceptable entre personas con riesgo de demencia por enfermedad de Alzheimer. Otro estudio encontró que la recogida de muestras del habla por teléfono era bien tolerada, práctica, económica y capaz de producir datos de buena calidad para el procesamiento del lenguaje natural.^[7][8]

Esto es relevante para la implantación. Un método teóricamente válido puede fracasar en la práctica con personas mayores si resulta demasiado exigente de aplicar. El teléfono puede ser un medio especialmente adecuado por su familiaridad, su facilidad de uso y su presencia en la vida cotidiana.

3.7 Estándares de validación para medidas digitales

El marco V3 de la Digital Medicine Society proporciona una estructura útil para evaluar medidas digitales: verificación del sensor o componente de captura de datos, validación analítica del algoritmo y validación clínica de la medida de resultado para el contexto de uso previsto. DiMe también ha descrito V3+ como una ampliación del marco con validación de usabilidad para medidas clínicas digitales.^[3][9]

Para el muestreo diario de voz en condiciones naturales, este marco es esencial. El proceso de adquisición de datos debe verificarse técnicamente, los algoritmos deben validarse analíticamente frente a etiquetas de referencia o tareas comparativas y las medidas derivadas deben validarse clínicamente frente a resultados significativos del SNC antes de utilizarse como variables de resultado o herramientas de apoyo a la decisión.

El modelo propuesto es una arquitectura de medición híbrida: las evaluaciones estandarizadas en clínica proporcionan referencias; las conversaciones diarias en el hogar aportan señales ecológicas longitudinales.

Esta arquitectura evita deliberadamente una falsa dicotomía. Los datos recogidos en clínica y en el hogar responden a preguntas diferentes. Los primeros permiten estudiar cómo rinde el participante en condiciones estandarizadas; los segundos, cómo se comunica y cómo varía su comunicación en la vida cotidiana.

5.1 Pregunta principal de investigación

¿Aportan las conversaciones orales diarias o de alta frecuencia, recogidas en condiciones naturales en el hogar, datos derivados del habla con validez ecológica y sensibilidad longitudinal para la investigación de biomarcadores digitales del SNC, más allá de lo que captan las evaluaciones aisladas del habla realizadas en clínica?

5.2 Preguntas secundarias de investigación

• ¿Se correlacionan las características de voz obtenidas en el hogar con medidas validadas de cognición, estado de ánimo, función o gravedad de la enfermedad?
• ¿Predicen las características longitudinales de voz el cambio clínico futuro mejor que las características basales del habla en clínica por sí solas?
• ¿Reduce la familiaridad adquirida en llamadas repetidas con una IA los efectos de novedad y el estrés asociado a la evaluación?
• ¿Qué características son suficientemente estables para medir rasgos y cuáles son sensibles al estado?
• ¿Puede el cambio intraindividual mejorar la sensibilidad respecto a las normas poblacionales transversales?
• ¿Pueden los datos de voz recogidos en condiciones naturales apoyar variables de resultado exploratorias o secundarias en ensayos clínicos sobre trastornos del SNC?

5.3 Hipótesis

Un programa de investigación aplicable debe organizarse por etapas. Su objetivo debe ser establecer progresivamente la viabilidad, la fiabilidad, la validez y la utilidad para el uso previsto antes de formular afirmaciones de eficacia clínica.

6.1 Fase 0 - Viabilidad técnica y optimización del protocolo

Objetivo: determinar si la recogida diaria de voz por teléfono es técnicamente viable en la población prevista y si la calidad del audio y las transcripciones es suficiente para extraer características. Muestra: 20-40 personas mayores de distintos estratos de estado cognitivo. Duración: 2-4 semanas.

Las medidas deben incluir la finalización de llamadas, la calidad del audio y de las transcripciones, la carga para el participante, los fallos técnicos, los efectos de la hora del día y la comprensión del consentimiento. Los resultados de esta fase incluyen el protocolo definitivo, el diccionario de datos, los umbrales de control de calidad, el procedimiento ante acontecimientos adversos y los materiales de consentimiento dirigidos a los participantes.

6.2 Fase 1 - Cohorte observacional longitudinal

Objetivo: caracterizar la estabilidad de las características, la variabilidad intraindividual, la adherencia, la aceptabilidad y las asociaciones con las referencias clínicas. Una muestra razonable incluiría de 100 a 200 participantes de distintos grupos: controles sin deterioro cognitivo, personas con deterioro cognitivo subjetivo, DCL, demencia en fase inicial, depresión, enfermedad de Parkinson u otra cohorte con trastornos del SNC, según la indicación de interés.

La duración debe ser de al menos 8-12 semanas e, idealmente, de 6 meses para detectar señales de progresión. Los datos deben incluir conversaciones telefónicas diarias o casi diarias en condiciones naturales, evaluaciones clínicas basales y de seguimiento, tareas estructuradas del habla, escalas del estado de ánimo, escalas cognitivas, medidas funcionales e informes opcionales de cuidadores.

6.3 Fase 2 - Comparación intraindividual entre clínica y hogar

Objetivo: aislar el efecto del entorno, el tipo de tarea y la frecuencia de muestreo. Cada participante aporta habla estructurada en clínica, habla estructurada en el hogar, habla en condiciones naturales en el hogar y muestras domésticas repetidas a lo largo del tiempo. El análisis compara fiabilidad, validez ecológica, correlación clínica, estrés del participante y valor predictivo entre condiciones.

6.4 Fase 3 - Variable exploratoria integrada en un ensayo clínico sobre trastornos del SNC

Objetivo: evaluar si las características de la voz recogida a diario en condiciones naturales pueden servir como variables de resultado digitales exploratorias o secundarias en un ensayo clínico. Las posibles aplicaciones incluyen ensayos sobre enfermedad de Alzheimer, DCL, enfermedad de Parkinson, depresión en la vejez, trastorno depresivo mayor, esclerosis múltiple, deterioro cognitivo posterior a un ictus u otras enfermedades neurodegenerativas.

La prueba principal es si añadir trayectorias diarias de voz mejora la predicción del cambio clínico, la respuesta al tratamiento, el deterioro funcional o los acontecimientos neuropsiquiátricos adversos. El enfoque regulatorio debe seguir siendo exploratorio hasta establecer suficiente verificación y validación analítica, clínica y de usabilidad.

7.1 Jerarquía de variables de resultado

7.2 Dominios de características del habla y del lenguaje

7.3 Características de rasgo, estado y cambio

Un análisis riguroso debe separar tres clases de características:

• Características de rasgo: características relativamente estables como el ritmo basal del habla, la riqueza léxica habitual o el perfil prosódico a largo plazo.
• Características sensibles al estado: cambios temporales asociados al ánimo, la fatiga, el sueño, el estrés, la enfermedad o el horario de medicación.
• Características de cambio temporal: desviaciones progresivas de la referencia basal personal, como el aumento de pausas, la disminución de coherencia, la reducción de detalles narrativos o de iniciativa conversacional.

Un estudio de investigación debe especificar de antemano el plan de análisis, antes del cierre de la base de datos. El siguiente plan es adecuado para un programa que avance desde la evaluación de la viabilidad hasta la validación.

8.1 Preprocesamiento de datos y control de calidad

• Definir la duración mínima del audio, los umbrales de señal-ruido, los umbrales de confianza de transcripción y los criterios de exclusión.
• Segmentar las llamadas en unidades comparables: llamada completa, tres primeros minutos, ventanas de respuesta guiada o segmentos temáticos.
• Registrar el dispositivo, la calidad de la línea telefónica, la hora del día, el ruido de fondo, el sueño y la fatiga comunicados por el participante y el horario de medicación cuando sea viable.
• Distinguir las características obtenidas automáticamente de los subconjuntos de validación codificados manualmente.

8.2 Análisis de fiabilidad

• Estimar los componentes de varianza intraindividual e interindividual mediante modelos de efectos mixtos.
• Utilizar coeficientes de correlación intraclase para estimar la fiabilidad de cada característica.
• Estimar el número de muestras diarias necesario para alcanzar una fiabilidad aceptable para cada clase de características.
• Evaluar por separado la fiabilidad test-retest de las tareas estructuradas y de los segmentos de habla recogidos en condiciones naturales.

8.3 Análisis de asociación clínica

• Comprobar las asociaciones entre las características de voz y las referencias clínicas mediante modelos de regresión ajustados por edad, sexo, educación, idioma, audición, estado cognitivo basal, depresión y calidad del dispositivo.
• Utilizar modelos de efectos mixtos para comprobar si el cambio intraindividual en las características de voz predice el cambio intraindividual en las medidas clínicas.
• Comparar los modelos basados únicamente en datos clínicos con los que combinan datos clínicos y del hogar, mediante predicciones fuera de la muestra, pruebas de razón de verosimilitud y métricas de calibración.
• Evitar exagerar la exactitud de clasificación transversal sin validación externa.

8.4 Modelado predictivo

• Utilizar validación cruzada anidada y separar los conjuntos de entrenamiento y prueba por participante para evitar que información de una misma persona aparezca en ambos.
• Especificar antes del análisis las principales familias de modelos: regresión de efectos mixtos, regresión penalizada, potenciación por gradiente (gradient boosting) o modelos de series temporales.
• Utilizar características interpretables cuando sea posible antes de recurrir al modelado de caja negra de alta dimensionalidad.
• Validar frente al cambio clínico futuro, no solo frente a la categoría diagnóstica actual.

8.5 Datos faltantes y adherencia

• Modelar explícitamente el patrón de datos faltantes; las llamadas no respondidas pueden aportar información, en lugar de producirse al azar.
• Distinguir los datos faltantes por causas técnicas del rechazo del participante, la fatiga, la hospitalización, el malestar o el deterioro cognitivo.
• Utilizar análisis de sensibilidad para comprobar si los resultados son robustos ante supuestos de datos faltantes no aleatorios.
• Notificar la adherencia por cohorte, estado cognitivo, edad, idioma y familiaridad con la tecnología.

8.6 Multiplicidad y características exploratorias

El análisis del habla puede generar cientos o miles de características candidatas. Un protocolo creíble debe definir un conjunto principal limitado de características y tratar el descubrimiento de alta dimensionalidad como exploratorio. El control de falsos descubrimientos, la reducción de dimensionalidad, las familias de características prerregistradas y la replicación externa son esenciales para evitar afirmaciones espurias sobre biomarcadores.

Los datos diarios del habla en el hogar deben validarse mediante un marco de tipo V3/V3+.

El fallo más habitual en los programas de biomarcadores digitales es recoger grandes volúmenes de datos antes de demostrar que las medidas derivadas son fiables, clínicamente interpretables y adecuadas al uso previsto. Este programa debe invertir ese orden: definir primero el contexto de uso y después validar la medida frente a dicho uso.

Los datos de voz recogidos en conversaciones diarias son muy sensibles. Pueden contener información de salud, relaciones familiares, preocupaciones económicas, revelaciones emocionales, nombres, direcciones e información incidental sobre terceros. La investigación con personas mayores o con vulnerabilidad cognitiva exige especial rigor ético.

• Consentimiento: los participantes deben comprender que hablan con un sistema de IA y que sus datos de voz pueden grabarse y analizarse para investigación.
• Capacidad: los protocolos deben incluir procedimientos para la vulnerabilidad cognitiva, el consentimiento por representación cuando corresponda y el asentimiento continuado.
• Privacidad: las grabaciones, transcripciones, características y resúmenes deben limitarse a lo necesario, cifrarse, someterse a control de acceso y regirse por una política clara de conservación.
• Enfoque no diagnóstico: hasta su validación, el sistema no debe diagnosticar depresión, demencia, enfermedad de Parkinson ni ningún otro trastorno del SNC.
• Supervisión humana: las señales preocupantes deben activar una revisión humana, no conclusiones clínicas automatizadas.
• Sesgo: el rendimiento debe evaluarse según acentos, dialectos, idiomas, niveles educativos, audición, estado cognitivo, sexo y estilos culturales de comunicación.
• Seguridad psicológica: las conversaciones repetidas pueden hacer aflorar malestar, duelo, confusión o recuerdos sensibles; los protocolos deben definir procedimientos de derivación y suspensión.

Un documento de investigación riguroso debe explicar qué resultados podrían refutar la hipótesis.

• El audio doméstico podría tener demasiado ruido o variabilidad para permitir una extracción fiable de características.
• La conversación natural podría depender demasiado del tema para permitir comparaciones longitudinales válidas.
• La adherencia de los participantes podría disminuir con el tiempo, especialmente en grupos con deterioro cognitivo.
• La propia interacción con la IA podría alterar la conducta del habla y crear efectos de intervención que confundan la medición.
• Las tareas estructuradas en clínica podrían superar a las conversaciones en condiciones naturales en el hogar en determinadas clasificaciones diagnósticas.
• Las características longitudinales de la voz podrían correlacionarse con el estado de ánimo o la fatiga, pero no con resultados clínicamente significativos relacionados con el SNC.
• Los modelos podrían no generalizarse entre idiomas, acentos, niveles educativos o condiciones de los dispositivos.
• Los datos de alta frecuencia podrían aumentar la carga o la preocupación por la privacidad y reducir la viabilidad en ensayos reales.

Por tanto, la formulación más sólida de la hipótesis no sostiene que la voz recogida en condiciones naturales en el hogar sea siempre superior. La afirmación que puede ponerse a prueba es más limitada: en contextos de uso específicos relacionados con trastornos del SNC, el muestreo repetido de voz en el hogar podría aportar información longitudinal clínicamente significativa que no capta la evaluación del habla realizada únicamente en clínica.

Los datos diarios de voz recogidos mediante conversaciones naturales en el hogar podrían aportar una nueva fuente valiosa de datos para la investigación de biomarcadores digitales del SNC. Su posible fortaleza reside en la validez ecológica, la medición repetida, la estimación de referencias basales personales y la sensibilidad longitudinal, más que en el control propio del laboratorio.

Las evaluaciones en clínica siguen siendo esenciales. Proporcionan estandarización, contexto diagnóstico y referencias clínicas. Pero captan instantáneas limitadas en condiciones artificiales. Para trastornos del SNC en los que los síntomas fluctúan y la progresión es gradual, el muestreo diario de voz en el hogar podría ofrecer una visión más rica del funcionamiento en la vida real.

La vía de investigación adecuada es híbrida y guiada por la validación: combinar tareas estandarizadas del habla en clínica con conversaciones diarias en el hogar; definir el contexto de uso; validar la fiabilidad técnica, el rendimiento algorítmico, la relevancia clínica y la usabilidad; y tratar las primeras medidas como exploratorias hasta reunir evidencia suficiente.

Si se valida, el muestreo diario de voz en condiciones naturales podría apoyar ensayos descentralizados, la detección más temprana de cambios significativos, una mayor sensibilidad de las variables de resultado, un fenotipado más rico y una investigación del SNC más centrada en el paciente. La oportunidad no es sustituir la evaluación clínica, sino medir lo que las visitas clínicas a menudo no captan: cómo hablan, fluctúan y funcionan las personas en su vida diaria.