Perturbaciones vocales bajo la sobrecarga de estrés en jóvenes: fenotipificación y salud subóptima como predictores de patologías en cascada

La comunicación verbal es una de las habilidades motoras humanas más sofisticadas que refleja tanto la salud mental como la física de un individuo. Los parámetros y cambios en la calidad de la voz suelen ser secundarios a alteraciones laringológicas funcionales y/o estructurales bajo procesos sistémicos específicos, síndromes y patologías. Estas incluyen, pero no se limitan a, boca seca y síndromes de Sicca, deshidratación corporal, alteraciones hormonales vinculadas al estado puberal, menopáusico y andropáusico, trastornos respiratorios, reflujo gastrointestinal, enfermedades autoinmunes, trastornos endocrinológicos, bajo peso frente a sobrepeso y obesidad, y diabetes mellitus. Por otro lado, está bien establecido que la sobrecarga de estrés es un factor de riesgo significativo de patologías en cascada, que incluyen pero no se limitan a trastornos neurodegenerativos y psiquiátricos, diabetes mellitus, enfermedad cardiovascular, accidente cerebrovascular y cánceres. Nuestro estudio actual reveló perturbaciones vocales bajo la sobrecarga de estrés como un biomarcador potencialmente útil para identificar a individuos en condiciones de salud subóptima que podrían estar fuertemente predispuestos a patologías asociadas. En este contexto, encuestas ampliadas aplicadas en la población podrían ser útiles para identificar, por ejemplo, a personas con alto riesgo de complicaciones respiratorias en condiciones pandémicas como COVID-19. Los síntomas del síndrome de boca seca, microcirculación alterada, regulación del sentido alterada, ritmo circadiano desplazado y bajo IMC se asociaron positivamente con perturbaciones vocales bajo la sobrecarga de estrés. Sus interrelaciones funcionales y relevancia para patologías asociadas en cascada se presentan en el artículo. El análisis automatizado de grabaciones de voz a través de inteligencia artificial (IA) tiene el potencial de derivar biomarcadores digitales. Además, se deben desarrollar modelos de aprendizaje automático predictivo que permitan detectar una condición de salud subóptima basada en grabaciones de voz, idealmente de manera automatizada utilizando biomarcadores digitales derivados. Se recomienda la estratificación y monitoreo de seguimiento de individuos en condiciones de salud subóptima utilizando ácidos nucleicos circulantes específicos de enfermedades (ccfDNA, ctDNA, mtDNA, miRNA) combinados con patrones metabólicos detectados en fluidos corporales. Se recomienda la aplicación de prevención dirigida costo-efectiva dentro de la fase de daño a la salud reversible basada en el perfil del paciente individualizado.