Inteligencia artificial en el análisis de sonidos de ronquidos: detección de SAOS y clasificación del sitio de...

Área de la Ciencia:

• Ingeniería Biomédica; Inteligencia Artificial; Medicina del Sueño

Sus antecedentes:

• La apnea obstructiva del sueño (SAOS) es un trastorno del sueño prevalente.; La detección y clasificación precisas de la SAOS son cruciales para un manejo eficaz.; Los sonidos de los ronquidos ofrecen un biomarcador no invasivo potencial para el diagnóstico de SAOS.

Objetivo del estudio:

• Revisar sistemáticamente la aplicación del aprendizaje automático (ML) y la inteligencia artificial (IA) en el análisis de los sonidos de los ronquidos.; Evaluar la eficacia de los modelos de ML/IA en la detección de SAOS.; Evaluar la capacidad de estos modelos para clasificar los sitios de obstrucción de las vías respiratorias superiores utilizando el sistema Velum, Orofaringe, Lengua y Epiglotis (VOTE).

Principales métodos:

• Se realizó una búsqueda bibliográfica exhaustiva en las principales bases de datos (PubMed, Scopus, etc.) de 2011 a noviembre de 2024.; Se seleccionaron y revisaron los estudios siguiendo las directrices PRISMA 2020, incluyendo 42 estudios.; Se evaluó la calidad metodológica utilizando PROBAST, centrándose en modelos de ML, conjuntos de datos, extracción de características y métricas de rendimiento.

Principales resultados:

• Los modelos de ML, incluidas las SVM y las CNN, lograron una alta precisión (hasta el 98,6 %) para la detección de SAOS y la clasificación de ronquidos.; Se identificaron características acústicas clave como MFCC y transformadas de wavelet.; El rendimiento de la clasificación VOTE varió, y las características específicas mejoraron la precisión a más del 95 % en algunos estudios, aunque persisten desafíos como el desequilibrio de datos y el ruido.

Conclusiones:

• El análisis de ronquidos impulsado por IA presenta un enfoque no invasivo viable para el cribado de SAOS y la clasificación del sitio anatómico.; La investigación futura debe enfatizar la integración de datos multimodales y la validación en el mundo real para la traslación clínica.; Mejorar la generalización del modelo es esencial para una adopción generalizada en la práctica clínica.