Clasificación automatizada temporalmente continua de sueño-vigilia mediante aprendizaje profundo

Área de la Ciencia:

• Ciencia del sueño; Neurociencia computacional; Inteligencia artificial en medicina

Sus antecedentes:

• La puntuación actual del sueño se basa en épocas fijas de 30 segundos, que pueden no representar con precisión la dinámica del sueño.
• Esta limitación puede obstaculizar la evaluación fisiológica precisa del sueño.

Objetivo del estudio:

• Desarrollar un clasificador de sueño-vigilia basado en aprendizaje profundo con alta resolución temporal.
• Utilizar la puntuación manual temporalmente continua, eludiendo los límites fijos de las épocas.
• Mejorar la consistencia fisiológica de la evaluación del sueño.

Principales métodos:

• Se entrenó un modelo de aprendizaje profundo basado en U-Net con datos de sueño-vigilia.
• Se empleó la transferencia de aprendizaje, ajustando el modelo con datos puntuados temporalmente continuos.
• El modelo se validó en conjuntos de datos independientes utilizando puntuación continua.

Principales resultados:

• El clasificador logró una alta concordancia (88,96 % y 88,23 %) con la puntuación manual continua.
• Se observaron fuertes correlaciones entre las predicciones de 1 segundo y la puntuación manual para el tiempo total de sueño (r=0,93) y las transiciones de sueño a vigilia (r=0,67).

Conclusiones:

• El modelo desarrollado aborda eficazmente las limitaciones de la puntuación tradicional de épocas de 30 segundos.
• Este enfoque ofrece una base práctica para una evaluación del sueño-vigilia fisiológicamente más consistente.
• Las estimaciones de confianza de la predicción pueden guiar la revisión específica de posibles errores de clasificación.