Modello di Deep Learning Multimodale per la Predizione dell'Indice Apnea-Ipopnea nel Sonno Ostruttivo

Contesto: L'OSA è un comune disturbo del sonno strettamente associato a comorbilità cardiovascolari, metaboliche e neuropsichiatriche. È caratterizzato da ripetuti collassi delle vie aeree superiori durante il sonno, che portano a ipossia intermittente e frammentazione del sonno. Sebbene la PSG rimanga lo standard diagnostico di riferimento per l'OSA, il suo alto costo, complessità e accessibilità limitata rappresentano sfide per lo screening su larga scala e l'identificazione precoce. I recenti progressi nelle tecnologie di sensori non invasive, come stetoscopi elettronici, ossimetri indossabili e sensori di pressione sotto materasso, hanno reso possibili soluzioni di monitoraggio fisiologico a basso carico, offrendo nuove opportunità per il rilevamento semplificato dell'OSA.

Disegno dello studio: Studio osservazionale prospettico, monocentrico

Metodi: Questo studio recluterà pazienti adulti con sospetta OSA sottoposti a PSG. Durante il sonno, verranno raccolti dati sincronizzati su suoni respiratori, cambiamenti di SpO₂ e forme d'onda BCG. Questi dati multimodali saranno utilizzati per sviluppare e addestrare un modello di apprendimento profondo che impiega CNN e architetture basate su transformer. Il modello eseguirà la previsione dell'AHI tramite apprendimento multi-task e sarà validato utilizzando tecniche di convalida incrociata.

Effetto: Il modello proposto dovrebbe prevedere accuratamente l'AHI e distinguere i livelli di gravità dell'OSA, fornendo uno strumento di screening non invasivo, accessibile e scalabile con potenziale per applicazioni sia cliniche che domestiche.

Parole chiave: Apnea Ostruttiva del Sonno, Polisonnografia, Ballistocardiografia, Stetoscopio Elettronico, Saturazione di Ossigeno