Decodificación personalizada supervisada y no supervisada del sueño intracraneal durante la estimulación cerebral...

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Medicina del Sueño

Sus antecedentes:

• Las alteraciones del sueño son un desafío importante para los pacientes con enfermedad de Parkinson (EP).
• La estimulación cerebral profunda adaptativa (aDBS) ofrece una vía terapéutica potencial al dirigirse a la neurofisiología del sueño.
• Se están explorando enfoques personalizados de aprendizaje automático (ML) para la clasificación de las etapas del sueño.

Objetivo del estudio:

• Evaluar la efectividad de los modelos personalizados de aprendizaje automático en la clasificación de las etapas del sueño utilizando grabaciones intracraneales en pacientes con EP sometidos a estimulación cerebral profunda (DBS).
• Evaluar la viabilidad de implementar estos modelos de aprendizaje automático en dispositivos DBS actuales para posibles aplicaciones terapéuticas.

Principales métodos:

• Se adquirieron 283 horas de grabaciones intracraneales cortico-basales y etiquetas sincronizadas de etapas del sueño por EEG de cuero cabelludo de 5 participantes con EP durante DBS crónico.
• Se desarrollaron y aplicaron modelos personalizados de aprendizaje automático supervisado y no supervisado para la clasificación de las etapas del sueño.
• Se evaluó la precisión de la clasificación, incluidos los modelos adecuados para la implementación en tiempo real en dispositivos DBS.

Principales resultados:

• La precisión promedio de clasificación del sueño de cinco etapas alcanzó el 80,2% en todos los sujetos con EP.
• La clasificación binaria del sueño NREM utilizando modelos lineales, implementables en dispositivos DBS actuales, logró una precisión del 85,9%.
• Los modelos lineales entrenados en clústeres no supervisados para la discriminación NREM mostraron una precisión del 83,5%.

Conclusiones:

• Los modelos personalizados de aprendizaje automático supervisado y no supervisado son factibles para clasificar las etapas del sueño utilizando datos intracraneales durante la DBS en pacientes con EP.
• Estos hallazgos demuestran el potencial de la DBS adaptativa impulsada por ML para mejorar la calidad del sueño en la enfermedad de Parkinson.
• El estudio destaca la viabilidad de utilizar técnicas computacionales avanzadas para terapias neurológicas personalizadas.