ECA piloto en jóvenes que tartamudean: la RV con avatar fotorrealista es aceptada y activa, pero una sesión no superó al juego de roles

Contexto

La tartamudez en niños y adolescentes en edad escolar va acompañada con frecuencia de ansiedad social. Iverach et al. (2016) informaron de que los niños que tartamudean tienen aproximadamente seis veces más probabilidades que sus compañeros no tartamudos de desarrollar un trastorno de ansiedad social, y la ansiedad social en esta población tiende a aumentar a lo largo de la adolescencia. La TCC con exposición graduada es eficaz para reducir la ansiedad social en adultos que tartamudean, pero pocas intervenciones empíricas han abordado específicamente la ansiedad en jóvenes que tartamudean.

La terapia de exposición se basa tradicionalmente en experiencias in vivo o en juegos de roles en consulta con el clínico. Ambas presentan limitaciones: la exposición in vivo es logísticamente difícil y ofrece al terapeuta poco control sobre la situación, mientras que el juego de roles está limitado por la conciencia de los participantes de que el clínico es una figura familiar y segura, no un desconocido. La realidad virtual ha sido propuesta como un punto intermedio controlable, pero la mayor parte del trabajo de RV en tartamudez hasta la fecha ha utilizado escenarios de grupo o audiencia (Brundage et al. 2006, 2016; Brundage y Hancock 2015; Moise-Richard et al. 2021) en lugar de conversación cara a cara naturalista individual, y se ha basado en comportamientos de avatar preprogramados o estáticos en lugar de respuestas dinámicas en tiempo real.

Delangle y colegas (el mismo equipo de investigación que Moise-Richard et al. 2021) se propusieron abordar dos vacíos: la ausencia de medidas fisiológicas en el trabajo previo del equipo con aulas virtuales, y la ausencia de un escenario de RV cara a cara en tiempo real que simule la dinámica naturalista y recíproca de la conversación cotidiana.

Qué hicieron los investigadores

Trece niños y adolescentes que tartamudean fueron reclutados en el Centre de Réadaptation Marie Enfant (CHU Sainte-Justine), el Institut Raymond-Dewar y clínicas privadas de logopedia en Montreal, Quebec. Se excluyó a una adolescente (exposición previa a RV similar durante la grabación de un programa de televisión), dejando doce participantes en el análisis (6 niñas; edades 9-18, M=13,1, DE=3,0). Todos habían sido diagnosticados profesionalmente de tartamudez por un logopeda certificado, estaban en tratamiento terapéutico activo y habían completado al menos tres sesiones con su propio terapeuta. La asignación aleatoria mediante generador de números aleatorios produjo dos grupos equilibrados (n=6 por brazo). Las medidas de línea base de ansiedad social (LSAS-CA) y confianza para hablar en público (PRCS forma breve) no mostraron diferencias significativas entre grupos.

El sistema de RV. Se construyó un profesor virtual fotorrealista usando MetaHuman y se renderizó en una Meta Quest 2 en Unreal Engine 5.03. Desde una sala adyacente, el logopeda controlaba el avatar en tiempo real: un iPhone 11 con Live Link Face capturaba los movimientos de labios, boca, ojos, cejas y cabeza del terapeuta y los transmitía al avatar; Clownfish Voice Changer aplicaba un efecto de voz masculina consistente (las logopedas eran mayoritariamente femeninas, y se eligió un avatar masculino de aproximadamente 40-50 años específicamente para limitar el reconocimiento). El logopeda veía un espejo en vivo de la perspectiva del participante en un portátil, lo que permitía respuestas verbales y no verbales dinámicas. Una animación corporal sutil del avatar (ligero balanceo, movimiento neutro de brazos) era impulsada por Adobe Mixamo para evitar una apariencia estática antinatural. La geometría del escritorio del aula virtual y la sala de experimentación estaban emparejadas para mejorar la sensación de encarnación.

Procedimiento. Cada participante completó dos sesiones separadas aproximadamente dos semanas (M=12 días, DE=11,3, rango 3-42). Cada sesión tuvo tres fases:

1. Línea base - una conversación de 3 minutos con un miembro desconocido del equipo de investigación (distinto del logopeda y del actor-profesor) sobre temas neutros (aficiones, música, destinos de viaje) para capturar la activación relacionada con el habla.
2. Preparación del discurso - una discusión de 3 minutos con el mismo miembro del equipo sobre posibles adaptaciones en el aula que el participante podría solicitar en relación con su tartamudez.
3. Tarea conversacional - una conversación de 5 minutos (M=4,7 min, DE=1,6) con el “profesor” en la que el participante informaba de su tartamudez y negociaba adaptaciones en el aula. El profesor introdujo tres categorías de estímulos inductores de ansiedad, presentados al menos una vez cada uno: fruncimiento del ceño, bostezos y frases incómodas programadas (“No es justo para los demás estudiantes”, “¿Por qué debería hacerte adaptaciones especiales?”). Los logopedas recibieron entrenamiento para esperar al menos 20 segundos entre estímulos y no introducir dos simultáneamente; se les instruyó para no reforzar la búsqueda de tranquilización ni las conductas de evitación.

En la Sesión 1, la Tarea Conversacional del grupo experimental fue in virtuo (su propio logopeda controlaba el avatar desde la sala adyacente); la del grupo de control fue un juego de roles presencial con el logopeda. En la Sesión 2 (in vivo, para ambos grupos), la Tarea Conversacional fue con un actor-profesor desconocido en persona.

Medidas.

• Aceptabilidad y presencia (Objetivo 1): ITC-SOPI (44 ítems en subescalas de Presencia Espacial, Compromiso, Validez Ecológica, Efectos Negativos) y un cuestionario de Interacción con Avatares (IWA) elaborado ad hoc.
• Ansiedad fisiológica (Objetivos 2 y 3): Actividad electrodérmica (nivel de conductancia de la piel SCL, respuesta de conductancia de la piel SCR) y electrocardiograma (frecuencia cardíaca FC, variabilidad de la FC mediante RMSSD) registrados con un sistema Biopac MP36R y procesados con AcqKnowledge y NeuroKit2. Se utilizó una colocación adaptada de electrodos ECG periféricos (pierna izquierda + antebrazo derecho) en lugar de la colocación estándar clavicular-costal para ser menos intrusiva con los niños.
• Ansiedad autoinformada (Objetivos 2 y 3): SUDS modificado de 0-10 administrado tras la línea base, tras la preparación del discurso y retrospectivamente tras la conversación (para el inicio y el final de la conversación por separado).
• Autoeficacia (Objetivo 3): un cuestionario a medida de 14 ítems (1 = “Nada seguro” a 5 = “Muy seguro”) adaptado de Bray et al. 2003 / Manning 1994 (marco sociocognitivo de Bandura). Alfa de Cronbach = 0,87.

Análisis estadístico. Dado el tamaño reducido de la muestra, los autores utilizaron remuestreo bootstrap paramétrico (datos fisiológicos continuos) y no paramétrico (datos ordinales de cuestionarios) con 10.000 iteraciones en IBM SPSS Statistics 29 y Python. La significación se infirió a partir de intervalos de confianza del 95% (no solapamiento con la línea base cero o con el intervalo del otro grupo) y valores p bootstrap. Los tamaños del efecto (d de Cohen, r de Pearson) se informaron junto con los resultados. No se aplicaron correcciones por comparaciones múltiples porque el remuestreo bootstrap proporciona estimaciones empíricas de significación sin supuestos paramétricos.

Qué encontraron

Objetivo 1 - aceptabilidad y presencia. Las subescalas del ITC-SOPI indicaron buena presencia: Presencia Espacial M=3,60 (DE=0,70), Compromiso M=3,87 (DE=0,78), Validez Ecológica M=3,27 (DE=1,53; un participante la calificó como 1/5, contribuyendo al mayor DE), Efectos Negativos M=1,58 (DE=0,60). En el IWA, los participantes sintieron que estaban hablando con una persona real (M=8,43/10), NO sintieron que estaban hablando con su propio logopeda (M=2,86/10; las puntuaciones más bajas indican que el enmascaramiento de la encarnación del logopeda fue exitoso), encontraron los escenarios simulados relevantes (M=9,29/10) y querían firmemente tener acceso a la herramienta para practicar situaciones estresantes (M=9,57/10). Los dos participantes de mayor edad (16 y 18 años) dieron las puntuaciones más altas de “sentí que estaba hablando con mi logopeda” (10 y 8 respectivamente), reconociendo la prosodia y la entonación de su logopeda más que la voz modulada.

Objetivo 2 - respuestas de ansiedad fisiológica y subjetiva. El SCL del grupo experimental de RV fue significativamente más elevado respecto a la línea base durante la preparación del discurso (Sesión 1: IC 95% [0,404, 2,578], p=,006; Sesión 2: IC 95% [0,215, 0,935], p<,001) y la conversación (Sesión 1: IC 95% [0,351, 2,142], p=,009; Sesión 2: IC 95% [0,859, 4,471], p=,008). El grupo de control de juego de roles con logopeda NO mostró elevación significativa de SCL respecto a la línea base en ninguna fase de ninguna sesión (todos p>,05).

Las tasas de detección de SCR mostraron un patrón inesperado en la Sesión 1: el grupo de control mostró significativamente MÁS SCR que el grupo experimental, especialmente para el fruncimiento del ceño (t=-3,79, p<,05) y para todos los estímulos combinados (t=-3,76, p<,05). Los autores interpretan esto como que el fruncimiento del ceño es una señal no verbal sutil que puede ser más difícil de percibir con precisión desde un avatar fotorrealista que desde una persona real. Dentro del grupo experimental, las tasas de detección de SCR fueron comparables entre las condiciones in virtuo (Sesión 1) e in vivo (Sesión 2) (t(4)=-1,07, p=,35), lo que sugiere que el avatar provocó respuestas fisiológicas vinculadas a estímulos comparables a las que evocó una persona real para los mismos individuos.

La frecuencia cardíaca y el RMSSD produjeron un patrón inesperado en ambos grupos. En lugar del aumento de FC predicho con el estrés, ambos grupos mostraron DISMINUCIÓN de FC respecto a la línea base en la mayoría de las fases, e INCREMENTO del RMSSD durante la conversación experimental de la Sesión 1. Los autores lo interpretan como adaptación o habituación autonómica durante el estrés social (Kreibig, 2010), señalando que las respuestas de FC no siempre siguen el patrón esperado en contextos de ansiedad social.

El SUDS autoinformado mostró una clara disociación respecto a la activación fisiológica. En la Sesión 1, el SUDS del grupo de RV durante la conversación in virtuo NO difirió significativamente de la línea base. El SUDS del grupo de juego de roles con logopeda fue significativamente más elevado que la línea base tanto al inicio (IC 95% [2,00, 4,33], p<,001) como al final (IC 95% [2,16, 5,16], p<,001). El efecto entre grupos al final de la conversación fue grande (d=1,35, IC 95% [-2,77, -0,67], p=,031).

En la Sesión 2 (in vivo para ambos grupos), ambos grupos mostraron SUDS elevado al inicio de la conversación y volvieron cerca de la línea base al final, con tamaños del efecto entre grupos que se volvieron pequeños.

Objetivo 3 - valor añadido de la RV frente al juego de roles con logopeda. La autoeficacia no mostró diferencias estadísticamente significativas entre grupos en ningún punto temporal (todas p>,58) ni cambios estadísticamente significativos dentro de los grupos desde antes de la conversación de la Sesión 1 hasta después de la conversación de la Sesión 2 (experimental Wilcoxon Z=-1,36, p=,17, r=,60; control Z=-0,94, p=,345, r=,39). Los autores concluyen que una única sesión de entrenamiento en cualquiera de las dos condiciones no produjo mejoras significativas en la autoeficacia ni redujo la ansiedad durante la conversación in vivo posterior.

Por qué importa

Este es el primer estudio en tartamudez que implementa un entorno de RV cara a cara en tiempo real con un avatar fotorrealista cuyo comportamiento verbal y no verbal es controlado en directo por un clínico mediante captura de movimiento facial, y que combina esto con medidas fisiológicas y subjetivas emparejadas. Extiende el trabajo previo del mismo equipo de investigación con aulas virtuales (Moise-Richard et al. 2021) desde escenarios de grupo o audiencia a la conversación individual, y aborda la ausencia de medición fisiológica de ese estudio previo.

La contribución interpretativa más destacada es la disociación entre la activación fisiológica elevada (SCL) y el malestar subjetivo sin cambios (SUDS) en la condición de RV, un patrón consistente con el modelo tripartito de la ansiedad de Lang y con Brundage et al. (2016) en adultos que tartamudean. Si un protocolo futuro de múltiples sesiones confirma esta disociación de forma fiable, los autores proponen que podría apoyar el uso de la RV como punto de entrada inicial para adolescentes con conductas de evitación que de otro modo rechazarían la exposición in vivo: el cuerpo activa el mecanismo de activación relevante para la extinción del miedo mientras que la experiencia consciente de amenaza permanece tolerable. Los autores son explícitos en que esto es una inferencia del patrón de disociación, no un efecto de tratamiento demostrado por este estudio.

Igualmente importante es lo que el estudio NO demostró: una única sesión de entrenamiento con RV no fue superior a una única sesión de juego de roles con logopeda en la reducción de la ansiedad o la mejora de la autoeficacia cuando los participantes se enfrentaron posteriormente a un actor-profesor desconocido. Los autores son claros en que se necesitan protocolos de múltiples sesiones dentro de un marco completo de TCC antes de hacer cualquier recomendación clínica sobre el valor añadido de la RV.

Para Therapy withVR específicamente: este estudio no utilizó, evaluó ni comparó con Therapy withVR. El sistema ensayado es una aplicación personalizada de Unreal Engine 5.03 / MetaHuman controlada por captura de movimiento facial del logopeda en una Meta Quest 2. Therapy withVR es una plataforma diferente con un modelo de control diferente. El artículo de Delangle se incluye en el Evidence Hub porque añade evidencia a la base más amplia sobre RV inmersiva para la ansiedad al hablar en jóvenes que tartamudean, no porque se relacione con Therapy withVR.

Limitaciones

Los autores señalan explícitamente las siguientes limitaciones:

• Muestra muy pequeña. N=12, 6 por grupo. Se observó una variación individual sustancial tanto en las respuestas percibidas como en las fisiológicas. Se necesita una muestra más grande para caracterizar la variabilidad e identificar perfiles de respuesta.
• Única sesión de entrenamiento. Los autores son explícitos en que una sesión es insuficiente para evaluar efectos de entrenamiento sobre autoeficacia y ansiedad; se necesitan protocolos de múltiples sesiones.
• Inconsistencia de los actores-profesores en la Sesión 2. Dos actores distintos desempeñaron el papel de profesor in vivo en toda la muestra (emparejados en rango de edad y constitución física, ambos comprometidos en ambos grupos), pero cada actor tenía naturalmente rasgos prosódicos diferentes y reacciones únicas.
• El mismo logopeda desempeñó ambos roles en todos los participantes. El propio logopeda de cada participante a veces controlaba el avatar (grupo experimental) y a veces era el interlocutor del juego de roles presencial (grupo de control).
• Reconocimiento del logopeda por los participantes de mayor edad. Los dos participantes de mayor edad (16 y 18 años) reconocieron la prosodia y el estilo de habla de su logopeda a pesar de la modulación de voz.
• Medición retrospectiva del SUDS. El SUDS se administró después de la conversación para no interrumpir la tarea. Los participantes que regularon su ansiedad de forma natural durante la conversación pueden haber subestimado retrospectivamente la ansiedad máxima.
• Sin medida de tendencias inmersivas. El Cuestionario de Tendencias Inmersivas (Witmer y Singer, 1998) fue excluido para reducir la carga cognitiva sobre los participantes más jóvenes. Las diferencias individuales en la propensión a la inmersión pueden explicar la variabilidad en la presencia subjetiva y las respuestas emocionales.
• No se compararon escenarios individuales vs. de grupo. Algunos participantes informaron menor ansiedad de la esperada en situaciones individuales; trabajos futuros podrían comparar la RV con un solo avatar con escenarios de grupo virtual.
• Sin seguimiento ocular. Algunos niños parecían evitar el contacto visual con el profesor virtual; el seguimiento ocular ayudaría a cuantificar las conductas de evitación.
• Actor desconocido en lugar de profesor real. La Sesión 2 in vivo utilizó un actor desconocido en lugar del propio profesor de cada participante, mejorando el control experimental pero reduciendo las consecuencias personales reales y potencialmente contribuyendo a una menor ansiedad percibida.
• No es un marco completo de exposición TCC. El procedimiento es más exactamente una “sesión de entrenamiento” que terapia de exposición formal basada en TCC con jerarquía graduada, encuadre de violación de expectativas y consolidación post-exposición a lo largo de múltiples sesiones.
• Conflicto de interés a declarar. El coautor Stephane Bouchard es asesor y accionista de Cliniques et Developpement In Virtuo, empresa de desarrollo de RV. El artículo declara explícitamente que esa empresa no creó los entornos utilizados en este estudio, pero la relación accionarial es un factor de contexto relevante al evaluar el encuadre interpretativo del artículo sobre el potencial terapéutico de la RV.