Enfoques basados en inteligencia artificial para la identificación de eventos respiratorios relacionados con el sueño...

Área de la Ciencia:

• Dispositivos médicos
• Inteligencia artificial
• Medicina del sueño

Sus antecedentes:

• La apnea del sueño, incluida la apnea obstructiva del sueño (AOS) y la apnea central del sueño (ACE), es un trastorno respiratorio relacionado con el sueño.
• El diagnóstico convencional a través de la polisomnografía (PSG) es inconveniente y costoso.
• Los dispositivos portátiles y la IA ofrecen un potencial para mejorar el diagnóstico de la apnea del sueño utilizando señales fisiológicas.

Objetivo del estudio:

• Desarrollar y evaluar un enfoque multimodal para la identificación de la AOS/ASC/hipopnea utilizando las señales EEG y ECG de las pruebas de sueño en el hogar.
• Comparar el rendimiento de un modelo de aprendizaje automático conjunto con un modelo de aprendizaje profundo para la clasificación de eventos de sueño.

Principales métodos:

• Se recogieron señales de EEG y ECG de 201 estudios de PSG.
• Características no lineales extraídas utilizando métodos de transformación wavelet para la clasificación de aprendizaje automático.
• Se utilizaron espectrogramas de ECG y un modelo de aprendizaje profundo para el análisis comparativo.
• Estrategias de clasificación examinadas de las clases 3 (OSA-hipopnea-normal, OSA-CSA-normal) y 2 (OSA-hipopnea, OSA-CSA).

Principales resultados:

• El modelo combinado de aprendizaje automático basado en señales logró una precisión del 98,8%, una sensibilidad del 99,1% y una especificidad del 98,5% para la clasificación OSA y CSA.
• El modelo de aprendizaje automático demostró una precisión de clasificación significativamente mayor que el modelo de aprendizaje profundo en la mayoría de las estrategias.
• El enfoque multimodal que utiliza características no lineales del ECG y el EEG resultó eficaz.

Conclusiones:

• La combinación de características no lineales de las señales de ECG y EEG es efectiva para clasificar los eventos respiratorios relacionados con el sueño.
• El modelo de aprendizaje automático propuesto ofrece una precisión y fiabilidad superiores para el diagnóstico de la apnea del sueño en el hogar en comparación con el aprendizaje profundo.
• Este enfoque mejora las capacidades de diagnóstico de los trastornos respiratorios relacionados con el sueño en el hogar.