Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El nuevo modelo de aprendizaje profundo habilita el andamiaje automático del sueño con alta exactitud

Un nuevo modelo de aprendizaje profundo desarrollado por los investigadores en la universidad de Finlandia del este puede determinar escenarios del sueño tan exacto como un médico experimentado. Esto abre las nuevas avenidas para los diagnósticos y el tratamiento de trastornos del sueño, incluyendo apnea de sueño obstructor.

El nuevo modelo de aprendizaje profundo habilita el andamiaje automático del sueño con alta exactitud

El apnea de sueño obstructor (OSA) es un desorden de respiración nocturno que causa una carga importante en los sistemas sanitarios públicos y las economías nacionales. Se estima que hasta un mil millones personas por todo el mundo sufren de apnea de sueño obstructor, y se prevee que el número crezca debido al envejecimiento de la población y a la incidencia creciente de la obesidad. Cuando es no tratado, OSA aumenta el riesgo de enfermedades cardiovasculares y de diabetes, entre otras consecuencias para la salud severas.

La identificación de los escenarios del sueño es esencial en los diagnósticos de trastornos del sueño, incluyendo apnea obstructora del sueño. Tradicionalmente, el sueño se clasifica manualmente en cinco escenarios, que son estela, sueño rápido (REM) del movimiento de los ojos y tres escenarios de no-REM duermen. Sin embargo, el rayado manual de los escenarios del sueño es que toma tiempo, subjetivo y costoso.

Para vencer estos retos, los investigadores en la universidad de Finlandia del este utilizaron datos polysomnographic de la grabación de individuos sanos y de individuos con OSA sospechoso para desarrollar un modelo de aprendizaje profundo exacto para la clasificación automática de los escenarios del sueño. Además, quisieron descubrir cómo la severidad de OSA afecta a exactitud de la clasificación.

En individuos sanos, el modelo podía determinar escenarios del sueño con una exactitud 83,7% al usar un único canal frontal de la electroencefalografía (EEG), y con una exactitud 83,9% cuando estaba complementado con el electrooculograma (EOG). En pacientes con OSA sospechoso, el modelo logró exactitudes de 82,9% (único canal de EEG) y 83,8% (los canales de EEG y de EOG). Las exactitudes monocanal colocaron a partir del 84,5% para los individuos sin OSA a 76,5% para los pacientes severos de OSA. Las exactitudes logradas por el modelo son equivalentes a la correspondencia entre los médicos experimentados que realizan el rayado manual del sueño. Sin embargo, el modelo tiene la ventaja de ser sistemático y siempre siguiente el mismo protocolo, y de conducto el rayado en cuestión de segundos.

Según los investigadores, profundamente el aprendizaje habilita el andamiaje automático del sueño para los pacientes sospechosos de OSA con una alta exactitud. El estudio fue publicado en el gorrón de IEEE del Biomedical y de la informática de la salud.

El grupo de la tecnología y del Analytics del sueño, MACHO, en la universidad de Finlandia del este resuelve retos de los diagnósticos del sueño usando una variedad de diversas aproximaciones. Los métodos desarrollados por el grupo se basan en los sensores usables, no-intrusos, mejores parámetros diagnósticos y las soluciones de cómputo modernas que se basan en la inteligencia artificial. Se prevee que perfeccionen importante la evaluación de la severidad de OSA, ascienden los nuevos métodos desarrollados por el grupo la formulación de planes de tratamiento individualizada y una predicción más segura de síntomas y de comorbidities diurnos OSA-relacionados

Source:
Journal reference:

Korkalainen, H., et al. (2019) Accurate Deep Learning-Based Sleep Staging in a Clinical Population with Suspected Obstructive Sleep Apnea. IEEE J Biomed Health Inform. doi.org/10.1109/JBHI.2019.2951346.