27 Ene Cómo la inteligencia artificial ayuda a detectar trastornos del sueño y los ritmos circadianos
La tecnología wearable revoluciona el diagnóstico de trastornos del sueño y ritmos circadianos
El estudio de los ritmos circadianos ha generado un interés creciente en los últimos años debido a los cambios en el estilo de vida en las sociedades desarrolladas que afectan directamente la calidad de los ritmos circadianos y el sueño. El presente estudio busca evaluar la utilidad diagnóstica de la medición de ritmos circadianos mediante tecnología wearable, combinando la grabación simultánea de varias señales de entrada y salida, como la temperatura de la muñeca, la actividad motora, la posición del cuerpo y la exposición a la luz ambiental.
El objetivo principal es evaluar el insomnio y el trastorno del sueño con fase retrasada, debido a su alta prevalencia y a los síntomas similares. Los métodos de predicción y clasificación basados en aprendizaje automático están expandiéndose rápidamente como herramientas diagnósticas para una amplia variedad de patologías.
DESCUBRE UN POCO SOBRE EL ESTUDIO:
La presente investigación propone un modelo de clasificación para el diagnóstico diferencial de el insomnio primaria (PI) y el trastorno de fase de sueño retrasada (DSPD), aplicando métodos de aprendizaje automático a los parámetros circadianos obtenidos a través de monitoreo circadiano ambulatorio (ACM). Se seleccionaron 19 controles saludables y 242 pacientes (PI = 184; DSPD = 58) para un estudio retrospectivo y no intervencionista de una base de datos de salud circadiana anónima. El ACM registra los ritmos de temperatura de la muñeca (T), actividad motora (A), posición del cuerpo (P) y exposición a la luz ambiental (L) durante una semana completa. El sueño se infería a partir de la variable integrada TAP (de temperatura, actividad y posición). Análisis no paramétricos de TAP y sueño estimado arrojaron índices de estabilidad inter diaria (IS), variabilidad irradiaría (IV), amplitud relativa (RA) y un índice global de función circadiana (CFI).
Los tiempos medios de sueño y despertar se estimaron a partir del tiempo central de TAP-L5 (cinco horas consecutivas de los valores más bajos) y TAPM10 (10 horas consecutivas de los valores máximos), respectivamente. Los parámetros más discriminativos, determinados por análisis de ANOVA, Chi-cuadrado e información de ganancia, se utilizaron para construir un árbol de decisiones, utilizando aprendizaje automático. Este modelo diferenció entre controles saludables, DSPD y tres subgrupos de insomnio (compatible con el inicio, mantenimiento y insomnio leve), con precisión, sensibilidad y AUC > 85%. En conclusión, los parámetros circadiano pueden ser empleados de manera fiable y objetiva para discriminar y caracterizar diferentes trastornos del sueño y circadiano, como DSPD y OI, que a menudo se confunden, y entre diferentes subtipos de PI. Nuestros hallazgos destacan la importancia de considerar la evaluación del ritmo circadiano en la medicina del sueño.