Un nuevo modelo de aprendizaje profundo desarrollado por investigadores de la Universidad del Este de Finlandia puede identificar las etapas del sueño con la misma precisión que un médico experimentado. Esto abre nuevas vías para el diagnóstico y el tratamiento de los trastornos del sueño, incluida la apnea obstructiva del sueño.
La apnea obstructiva del sueño AOS es un trastorno respiratorio nocturno que causa una carga importante en los sistemas de salud pública y las economías nacionales. Se estima que hasta mil millones de personas en todo el mundo sufren de apnea obstructiva del sueño, y se espera que el número crezcadebido al envejecimiento de la población y al aumento de la prevalencia de obesidad. Cuando no se trata, la AOS aumenta el riesgo de enfermedades cardiovasculares y diabetes, entre otras consecuencias graves para la salud.
La identificación de las etapas del sueño es esencial en el diagnóstico de los trastornos del sueño, incluida la apnea obstructiva del sueño. Tradicionalmente, el sueño se clasifica manualmente en cinco etapas, que son la vigilia, el sueño de movimiento ocular rápido REM y tres etapas del sueño no REMSin embargo, la calificación manual de las etapas del sueño es lenta, subjetiva y costosa.
Para superar estos desafíos, los investigadores de la Universidad del Este de Finlandia utilizaron datos de registros polisomnográficos de individuos sanos y personas con sospecha de AOS para desarrollar un modelo de aprendizaje profundo preciso para la clasificación automática de las etapas del sueño. Además, querían descubrir cómoLa gravedad de la AOS afecta la precisión de la clasificación.
En individuos sanos, el modelo pudo identificar las etapas del sueño con una precisión del 83.7% al usar un solo canal de electroencefalografía frontal EEG, y con una precisión del 83.9% cuando se suplementó con electrooculograma EOG. En pacientes con sospecha de AOS,el modelo alcanzó precisiones de 82.9% canal EEG único y 83.8% canales EEG y EOG. Las precisiones de canal único variaron de 84.5% para individuos sin OSA a 76.5% para pacientes con OSA grave. Las precisiones logradas por el modelo sonequivalente a la correspondencia entre los médicos experimentados que realizan la puntuación manual del sueño. Sin embargo, el modelo tiene la ventaja de ser sistemático y seguir siempre el mismo protocolo, y realizar la puntuación en cuestión de segundos.
Según los investigadores, el aprendizaje profundo permite la estadificación automática del sueño para pacientes sospechosos de AOS con una alta precisión. El estudio fue publicado en IEEE Journal of Biomedical and Health Informatics .
El Grupo de Tecnología y Análisis del Sueño, STAG, en la Universidad del Este de Finlandia resuelve los desafíos de diagnóstico del sueño mediante el uso de una variedad de enfoques diferentes. Los métodos desarrollados por el grupo se basan en sensores portátiles, no intrusivos, mejores parámetros de diagnóstico y modernossoluciones computacionales que se basan en la inteligencia artificial. Se espera que los nuevos métodos desarrollados por el grupo mejoren significativamente la evaluación de la gravedad del OSA, promuevan la planificación individualizada del tratamiento y una predicción más confiable de los síntomas y las comorbilidades diurnas relacionadas con el OSA.
Fuente de la historia :
Materiales proporcionado por Universidad del Este de Finlandia . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :