Investigadores desarrollaron un aprendizaje profundo para la clasificación automática de las etapas del sueño

Investigadores desarrollaron un aprendizaje profundo para la clasificación automática de las etapas del sueño

El aprendizaje profundo, que también se denomina aprendizaje jerárquico o aprendizaje estructurado profundo, utiliza una arquitectura algorítmica en capas para analizar los datos. Su peculiaridad ayuda a las organizaciones e investigadores a lograr lo inalcanzable de una manera más innovadora. Recientemente, los investigadores de la Universidad de Finlandia Oriental desarrollaron un nuevo modelo de aprendizaje profundo que puede identificar las etapas del sueño con tanta precisión como un médico experimentado. Este descubrimiento allana el camino para un mejor diagnóstico y tratamiento de los trastornos del sueño, incluida la apnea obstructiva del sueño.

Cabe señalar que la apnea obstructiva del sueño (AOS) es un trastorno respiratorio nocturno que supone una gran carga para los sistemas de atención de la salud pública y las economías nacionales. Como se señala en un informe, se estima que hasta mil millones de personas en todo el mundo sufren de apnea obstructiva del sueño, y se prevé que el número aumente debido al envejecimiento de la población y a la mayor prevalencia de la obesidad. Cuando no se trata, la AOS aumenta el riesgo de enfermedades cardiovasculares y diabetes, entre otras consecuencias graves para la salud.

Por lo tanto, es conveniente contar con un sistema que pueda identificar las etapas del sueño para el diagnóstico de los trastornos del sueño, incluida la apnea obstructiva del sueño. Tradicionalmente, el sueño se clasifica manualmente en cinco etapas, que son la vigilia, el sueño con movimientos oculares rápidos (REM) y tres etapas de sueño no REM. Sin embargo, la clasificación manual de las etapas del sueño también requiere mucho tiempo, es subjetiva y costosa.

Por lo tanto, para ganar contra esos desafíos, los investigadores utilizaron datos de registro polisomnográfico de personas sanas y de personas con presunta AOS para desarrollar un modelo preciso de aprendizaje profundo para la clasificación automática de las etapas del sueño. Además, querían averiguar cómo la gravedad de la AOS afecta a la precisión de la clasificación.

En los individuos sanos, el modelo pudo identificar las etapas del sueño con una precisión del 83,7 por ciento cuando se utilizó un solo canal de electroencefalografía frontal (EEG), y con una precisión del 83,9 por ciento cuando se complementó con un electrooculograma (EOG). En los pacientes con sospecha de AOS, el modelo alcanzó precisiones del 82,9 por ciento (canal único de EEG) y del 83,8 por ciento (canales de EEG y EOG). Las precisiones de un solo canal variaron desde el 84,5% para los individuos sin AOS hasta el 76,5% para los pacientes con AOS grave. Las precisiones logradas por el modelo equivalen a la correspondencia entre médicos experimentados que realizan la puntuación manual del sueño. Sin embargo, el modelo tiene la ventaja de ser sistemático y de seguir siempre el mismo protocolo, y de realizar la puntuación en cuestión de segundos.

Según los investigadores, el aprendizaje profundo permite una clasificación automática del sueño para los pacientes sospechosos de AOS con gran precisión.

El Grupo de Tecnología y Análisis del Sueño, STAG, de la Universidad de Finlandia Oriental, resuelve los problemas de diagnóstico del sueño utilizando una variedad de enfoques diferentes. Los métodos desarrollados por el grupo se basan en sensores vestibles y no intrusivos, mejores parámetros de diagnóstico y modernas soluciones computacionales basadas en la inteligencia artificial. Se espera que los nuevos métodos desarrollados por el grupo mejoren la evaluación de la gravedad de la AOS, promuevan la planificación individualizada del tratamiento y una predicción más fiable de los síntomas diurnos y las comorbilidades relacionadas con la AOS.

Aplicaciones futuras

Como señaló la Academia Americana de Medicina del Sueño, los investigadores esperan que el modelo de aprendizaje profundo pueda utilizarse para mejorar la consistencia de la estadificación del sueño entre los proveedores y sistemas, y al mismo tiempo completar la puntuación en cuestión de segundos. También señalaron el potencial de ahorro de costos al medir el sueño con menos canales. En última instancia, los investigadores creen que sus métodos podrían mejorar la evaluación de la gravedad de la apnea del sueño, promover la planificación individualizada del tratamiento y predecir de manera más confiable los síntomas y comorbilidades diurnos relacionados con la apnea del sueño. La investigación se originó en el Grupo de Tecnología y Análisis del Sueño de la Universidad de Finlandia Oriental, que se creó para examinar los desafíos en el diagnóstico del sueño.

Leave a Comment!