text new page (beta)
Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
Introducción
El proceso más complejo y crucial que tiene lugar en la vida de muchos seres vivos es el sueño. Por lo tanto, los seres humanos requieren un descanso regular, ya que la privación de sueño tiene profundas consecuencias negativas para la calidad de vida1,2. En este contexto, desde la década de 1970, un comité de investigadores ha desarrollado la Clasificación Internacional de los Trastornos del Sueño, que incluye el síndrome de apnea obstructiva del sueño (SAOS)3.
El SAOS se define como un trastorno crónico que causa fatiga y somnolencia diurna debido al cierre o colapso de las vías respiratorias superiores durante el sueño4, cuyos síntomas persistentes, como ronquidos y microdespertares, se producen durante la noche5. Por la mañana, despertares con dolor de cabeza, sequedad de boca, somnolencia diurna excesiva, fatiga e insomnio6.
El SAOS se caracteriza por episodios repetidos de obstrucción total o parcial de las vías respiratorias durante el sueño que duran más de 10 segundos7. Los despertares frecuentes durante el sueño son consecuencia de la deficiencia de oxígeno causada por una disminución del flujo aéreo o incluso por su ausencia8. Asimismo, la somnolencia diurna está relacionada con este trastorno, ya que la hipoxemia es consecuencia de la privación de oxígeno y de la alteración de los patrones de sueño debido a los numerosos despertares9.
La principal causa del SAOS es el colapso faríngeo, que puede provocar una menor saturación de oxígeno y problemas cardíacos. Factores como la obesidad, edad, sexo masculino, características del cráneo y de la región orofacial desempeñan un rol importante en su desarrollo10. Entre los factores de riesgo asociados tenemos el perímetro del cuello, el consumo de alcohol, el tabaquismo, la obesidad y los antecedentes familiares11. La comorbilidad del SAOS está asociada a diversas condiciones, entre las más frecuentes están el síndrome metabólico, la hipertensión arterial, la enfermedad vascular cerebral, la enfermedad arterial coronaria, la obesidad y la diabetes12.
El SAOS es considerado como un desafío de salud pública, debido a su influencia negativa tanto en la calidad de vida de los afectados, así como en su propensión a sufrir accidentes de tráfico. En este sentido, la U.S. National Highway Traffic Safety Administration informa que, durante el año 2020, el número de muertes por accidentes de tráfico debidas a somnolencia ascendió a 633 personas, lo que supone una media de 1.73 muertes al día por accidentes de tráfico13.
La prevalencia del SAOS es elevada, lo que constituye un importante problema de salud pública mundial. Según Benjafield y colegas, se estima que la prevalencia mundial de SAOS alcanza los 936 millones de pacientes. En China, el número de pacientes de 30 a 69 años con SAOS es de 744 millones. En Estados Unidos, la cifra es de 163 millones. En la India, el número de pacientes es de 534 millones. En Brasil, el número de casos es de 98 millones14. En el Perú, el número de pacientes con SAOS asciende a 12,928,00014. En este contexto, la falta de concientización de la población sobre los riesgos asociados al SAOS es también un grave problema que debe ser abordado con urgencia. Asimismo, la limitada disponibilidad de servicios accesibles de diagnóstico y tratamiento dificulta la detección temprana y el manejo adecuado de este trastorno.
A la hora de diagnosticar el SAOS, la polisomnografía suele considerarse la técnica más fiable. Permite cuantificar con exactitud la regularidad de los incidentes obstructivos respiratorios que se producen durante el sueño15. Sin embargo, este método exige unos costes considerables y requiere que los expertos médicos lleven a cabo una vigilancia continua del sueño, lo que puede no ser factible en algunos lugares geográficos.
La inteligencia artificial (IA) se ha convertido en una herramienta muy prometedora para identificar y diagnosticar el SAOS, al aprovechar la capacidad de los ordenadores para realizar tareas normalmente limitadas a los seres humanos. En ese sentido, el aprendizaje automático como subapartado de la IA cuenta con tres enfoques clave: supervisado, no supervisado y reforzado que permite realizar el análisis de grandes conjuntos de datos para reconocer patrones y conexiones16,17.
En los últimos años, la medicina del sueño ha experimentado importantes avances gracias al uso de la IA mediante el uso de redes neuronales y modelos predictivos, debido a que los datos recogidos durante la polisomnografía permiten a esta tecnología reconocer patrones que agilizan el diagnóstico del SAOS18.
En ese sentido, el presente artículo tiene por objetivo analizar el potencial de la IA para identificar y diagnosticar el SAOS. La creciente incidencia de esta afección, unida a la necesidad de una detección rápida, hacen de la IA una herramienta útil y eficiente para la evaluación clínica, pues el uso de la IA tiene la capacidad de aumentar el nivel de precisión en la identificación del SAOS, especialmente cuando se utiliza información obtenida mediante polisomnografía.
Resultados
Automatización en la evaluación de trastornos del sueño
Analizar los eventos relacionados con el sueño y extraer información adicional de los datos de la polisomnografía (PSG) mediante técnicas automatizadas permite realizar un examen completo y totalmente automatizado de los trastornos del sueño, incluido el SAOS. Realizar una PSG a cada paciente sospechoso de tener problemas de sueño es una tarea difícil debido a los importantes costes y recursos que requiere. Sin embargo, la incorporación de la IA brinda la oportunidad de hacer esta selección más objetiva y mejorarla mediante la extracción de datos relevantes.
El SAOS se correlaciona con varios factores de riesgo como el peso excesivo, el sexo biológico masculino, el perímetro de la cintura, la proporción cintura-estatura, los antecedentes familiares y la retrognatia19. El exceso de peso es un factor de riesgo considerable del SAOS y los índices de masa corporal (IMC) más elevados están relacionados con mayores probabilidades. La IA puede desempeñar un papel fundamental en el reconocimiento de factores significativos que pueden anticipar la gravedad del SAOS, como el IMC y el sexo20.
Reconocimiento facial
Las anomalías craneofaciales, que involucran irregularidades en la estructura ósea del cráneo y la cara, pueden influir en la propensión a desarrollar el SAOS al reducir el espacio para que el aire fluya a través de las vías respiratorias21. La IA tiene la capacidad de diagnosticar el SAOS analizando fotos faciales de pacientes e identificando cualquier anomalía. Estas imágenes faciales permiten una evaluación exhaustiva de los factores de riesgo asociados a los tejidos blandos y la estructura ósea del rostro.
El aprendizaje automático (Machine Learning, ML) se utiliza cada vez más para identificar el SAOS mediante el examen de fotografías faciales, como han demostrado numerosos estudios académicos22. Se ha demostrado que la incorporación de atributos clínicos, en particular la identificación de apneas observadas, en estos modelos de IA mejora su capacidad para prever resultados. Sin embargo, es fundamental reconocer que las técnicas basadas en IA existentes requieren un etiquetado manual sustancial de los puntos de referencia faciales compuestos de hueso y cartílago. Esta restricción dificulta su uso generalizado en iniciativas de cribado a gran escala.
El aprendizaje profundo resulta prometedor en este ámbito. Esta técnica permite a los modelos informáticos obtener representaciones de datos que contienen múltiples capas de abstracción. En particular, las redes convolucionales profundas han demostrado avances significativos en el reconocimiento de imágenes faciales23.
Sensores portátiles en polisomnografía
La PSG utiliza un enfoque detallado para medir muchos aspectos fisiológicos, la inclusión de varios sensores en herramientas portátiles como parte de la PSG podría ayudar realmente a hacer más precisa la identificación de episodios relacionados con el sueño24. Por ejemplo, la IA está optimizando progresivamente los algoritmos y mejorando la precisión de las predicciones del sueño para analizar datos fisiológicos complejos registrados durante un examen de PSG18. De ese modo, los sistemas de IA pueden ayudar a los polisomnógrafos a identificar patrones significativos al tiempo que tienen en cuenta los efectos de los sensores en la fiabilidad de las mediciones25.
El uso del aprendizaje profundo y los sensores portátiles para abordar de forma integral los ronquidos de principio a fin incorpora la entrada sensorial de múltiples capas de mapas de características y módulos auditivos que imitan cómo responde el sistema auditivo a las distintas frecuencias de sonido, lo que ha demostrado su éxito en el reconocimiento de los ronquidos26,27.
De acuerdo a los últimos avances, la monitorización de ronquidos no requeriría el uso de micrófonos especializados; pues el micrófono de los teléfonos inteligentes puede resultar adecuado para esta tarea. Una investigación realizada analizó a 131 pacientes mediante un algoritmo Random Forest para evaluar la detección de fases respiratorias normales a través de un smartphone. Este método de monitorización respiratoria pasiva analizó los datos acústicos de los teléfonos inteligentes. Sorprendentemente, el algoritmo distinguió a los individuos con problemas respiratorios de los sanos con una precisión de hasta 76%, basándose únicamente en los sonidos respiratorios registrados por el smartphone sin preprocesamiento ni eliminación de ruido durante el sueño28.
Discusión
Los algoritmos de aprendizaje automático, como la regresión logística y las máquinas de vectores de apoyo, han desarrollado con éxito modelos de IA que predicen con precisión la probabilidad de padecer SAOS. Estos modelos utilizan características clínicas pertinentes como el índice de masa corporal y el sexo, lo que demuestra el potencial de la IA como herramienta útil para evaluar el riesgo del SAOS.
El uso de la IA para examinar imágenes faciales y escáneres tridimensionales (3D) resulta prometedor para identificar anomalías relacionadas con el SAOS. Estas anomalías afectan a la estructura craneofacial y a las vías respiratorias superiores, y pueden detectarse sin métodos invasivos. Las soluciones basadas en IA ofrecen información útil para evaluar el riesgo de SAOS sin necesidad de procedimientos intrusivos.
La integración de la IA en monitores del sueño y pulseras inteligentes ofrece una forma prometedora de detectar el SAOS. Estos dispositivos utilizan algoritmos avanzados para examinar diversas señales corporales. Esto podría mejorar enormemente su precisión a la hora de detectar el SAOS. Sin embargo, hay que tener cuidado al utilizarlos, sobre todo en niños y adolescentes. Esta precaución se debe a las diferencias entre el objetivo de estos dispositivos y el de la prueba de referencia, la polisomnografía.
