Modelo de Aprendizaje Profundo Multimodal para Predecir el Índice de Apnea-Hipopnea en la Apnea Obstructiva del Sueño

Antecedentes: La AOS es un trastorno del sueño común estrechamente asociado con comorbilidades cardiovasculares, metabólicas y neuropsiquiátricas. Se caracteriza por el colapso repetido de las vías respiratorias superiores durante el sueño, lo que conduce a hipoxia intermitente y fragmentación del sueño. Aunque la PSG sigue siendo el estándar de oro diagnóstico para la AOS, su alto costo, complejidad y accesibilidad limitada plantean desafíos para el cribado a gran escala y la identificación temprana. Los avances recientes en tecnologías de detección no invasivas, como los estetoscopios electrónicos, los oxímetros portátiles y los sensores de presión bajo el colchón, han permitido soluciones de monitorización fisiológica de baja carga, ofreciendo nuevas oportunidades para la detección simplificada de la AOS.

Diseño del estudio: Estudio observacional prospectivo de centro único

Métodos: Este estudio reclutará pacientes adultos con sospecha de AOS sometidos a PSG. Durante el sueño, se recopilarán datos sincronizados sobre sonidos respiratorios, cambios de SpO₂ y formas de onda BCG. Estos datos multimodales se utilizarán para desarrollar y entrenar un modelo de aprendizaje profundo que emplee CNN y arquitecturas basadas en transformadores. El modelo realizará predicciones de IAH mediante aprendizaje multitarea y se validará utilizando técnicas de validación cruzada.

Efecto: Se espera que el modelo propuesto prediga con precisión el IAH y distinga los niveles de gravedad de la AOS, proporcionando una herramienta de cribado no invasiva, accesible y escalable con potencial tanto para aplicaciones clínicas como domésticas.

Palabras clave: Apnea obstructiva del sueño, Polisomnografía, Balistocardiografía, Estetoscopio electrónico, Saturación de oxígeno