Detección automática del sueño REM basada en aprendizaje profundo en pacientes con trastorno del comportamiento del...

Área de la Ciencia:

• La neurociencia
• Medicina del sueño
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• La detección del sueño REM en el trastorno del comportamiento del sueño REM (RBD) es un desafío debido a la ausencia de atonia muscular.
• Los métodos actuales a menudo se basan en la electromiografía (EMG), que puede no ser confiable en RBD.

Objetivo del estudio:

• Desarrollar un detector automático de sueño REM utilizando solo datos EEG y EOG.
• Evaluar el rendimiento del detector en pacientes con RBD utilizando datos de polisomnografía (PSG).

Principales métodos:

• Se utilizaron 310 conjuntos de datos de PSG de 5 hospitales, incluidos los grupos de RBD (n=200) y no RBD (n=110).
• Empleó un algoritmo automático de detección REM basado en la red pre-entrenada de U-Sleep.
• Los datos se subdividen en enfermedad de Parkinson (EP) con ERC, EP sin ERC, ERC idiopática (ERC) y controles sanos.

Principales resultados:

• El algoritmo U-Sleep logró un área total bajo la curva característica de funcionamiento del receptor (AUC) de 0.90±0.14 para la detección del sueño REM.
• El rendimiento varió significativamente entre los grupos RBD (AUC=0,88±0,13) y no RBD (AUC=0,93±0,14) (p=0,007).
• La precisión de detección siguió el orden: controles sanos (0,94±0,02), PD sin RBD (0,92±0,03), iRBD (0,90±0,02) y PD con RBD (0,86±0,02).

Conclusiones:

• El detector automático de sueño REM basado en EEG/EOG demuestra un buen rendimiento.
• La precisión del sistema se reduce en pacientes con RBD, especialmente en aquellos con EP.
• Se proponen futuras mejoras mediante transferencia de aprendizaje y ajuste fino de expertos para mejorar el rendimiento del sistema.