Integración de señales fisiológicas para el diagnóstico mejorado de la apnea del sueño con SleepNet

Área de la Ciencia:

• Ingeniería biomédica
• La inteligencia artificial en la medicina
• Medicina de las vías respiratorias

Sus antecedentes:

• La apnea del sueño es un trastorno respiratorio común relacionado con problemas de salud graves.
• Los métodos actuales de diagnóstico como la polisomnografía son efectivos pero costosos e inconvenientes.
• Se necesitan métodos accesibles y precisos de detección de la apnea del sueño.

Objetivo del estudio:

• Para introducir SleepNet, un nuevo marco de aprendizaje profundo multimodal para la detección precisa de la apnea del sueño.
• Evaluar el rendimiento de SleepNet utilizando solo datos de electrocardiograma (ECG) y en combinación con otras señales fisiológicas.
• Comparar la eficacia del enfoque multimodal con los métodos unimodal.

Principales métodos:

• Desarrolló un modelo de aprendizaje profundo que fusiona redes neuronales convolucionales unidimensionales (1D-CNN) y unidades recurrentes con puerta bidireccional (Bi-GRU).
• Se analizaron las grabaciones de ECG de un solo conducto para la detección de la apnea del sueño.
• Se han integrado señales fisiológicas adicionales (flujo de aire nasal, esfuerzo respiratorio abdominal) para evaluar la mejora del rendimiento.

Principales resultados:

• El modelo SleepNet logró una precisión del 95,08% utilizando solo datos de ECG.
• La incorporación del flujo de aire nasal y el esfuerzo respiratorio abdominal aumentó modestamente la precisión al 95,19%.
• El enfoque multimodal demostró una sensibilidad superior (96,12%) y una especificidad (93,45%) en comparación con los métodos unimodal.

Conclusiones:

• SleepNet representa un avance significativo en la eficacia del diagnóstico de la apnea del sueño.
• La integración de múltiples flujos de datos a través del aprendizaje profundo tiene un potencial transformador para la detección de la apnea del sueño.
• El estudio proporciona una base sólida para futuras investigaciones en diagnósticos respiratorios impulsados por IA.