MADRID 13 Ene. (EUROPA PRESS) -
Un equipo de investigadores dirigido por el Monte Sinaí (Estados Unidos) ha mejorado un algoritmo basado en inteligencia artificial (IA) para analizar grabaciones de vídeo de pruebas clínicas del sueño, mejorando así la precisión del diagnóstico de un trastorno del sueño común que afecta a más de 80 millones de personas en todo el mundo.
Los resultados del estudio se publican en la revista 'Annals of Neurology'. El trastorno de conducta durante el sueño REM (RBD, por sus siglas en inglés) es un trastorno del sueño que provoca movimientos anormales o la representación física de los sueños durante la fase de sueño REM (movimientos oculares rápidos). El RBD que se presenta en adultos sanos se denomina RBD "aislado". Afecta a más de un millón de personas en los Estados Unidos y, en casi todos los casos, es un signo temprano de la enfermedad de Parkinson o demencia.
El trastorno del sueño por migraña es extremadamente difícil de diagnosticar porque sus síntomas pueden pasar desapercibidos o confundirse con los de otras enfermedades. Para obtener un diagnóstico definitivo, es necesario realizar un estudio del sueño, conocido como videopolisomnograma, a cargo de un profesional médico en un centro con tecnología de monitoreo del sueño. Los datos también son subjetivos y pueden ser difíciles de interpretar de manera universal en función de múltiples y complejas variables, incluidas las etapas del sueño y la cantidad de actividad muscular. Aunque los datos de vídeo se registran sistemáticamente durante una prueba del sueño, rara vez se revisan y, a menudo, se descartan después de que se haya interpretado la prueba.
Estudios previos limitados en esta área habían sugerido que podrían ser necesarias cámaras 3D de grado de investigación para detectar movimientos durante el sueño porque las sábanas o mantas cubrirían la actividad. Este estudio es el primero en describir el desarrollo de un método de aprendizaje automático que analiza grabaciones de vídeo recopiladas rutinariamente con una cámara 2D durante pruebas de sueño nocturnas. Este método también define "clasificadores" adicionales o características de los movimientos, lo que arroja una tasa de precisión para detectar RBD de casi el 92 por ciento.
"Este enfoque automatizado podría integrarse en el flujo de trabajo clínico durante la interpretación de las pruebas de sueño para mejorar y facilitar el diagnóstico y evitar diagnósticos erróneos", cuenta el autor correspondiente Emmanuel During, profesor asociado de Neurología (Trastornos del movimiento) y Medicina (Pulmonar, Cuidados intensivos y Medicina del sueño) en la Escuela de Medicina Icahn en Mount Sinai. "Este método también podría utilizarse para fundamentar las decisiones de tratamiento en función de la gravedad de los movimientos que se muestran durante las pruebas de sueño y, en última instancia, ayudar a los médicos a personalizar los planes de atención para cada paciente".
El equipo del Monte Sinaí replicó y amplió una propuesta para un análisis automatizado de aprendizaje automático de los movimientos durante los estudios del sueño que fue creado por investigadores de la Universidad Médica de Innsbruck en Austria. Este enfoque utiliza la visión artificial, un campo de la inteligencia artificial que permite a las computadoras analizar y comprender datos visuales, incluidas imágenes y videos.
Sobre la base de este marco, los expertos del Monte Sinaí utilizaron cámaras 2D, que se encuentran rutinariamente en los laboratorios clínicos del sueño, para monitorear el sueño del paciente durante la noche. El conjunto de datos incluyó el análisis de grabaciones en un centro del sueño de aproximadamente 80 pacientes con trastorno del sueño recurrente y un grupo de control de aproximadamente 90 pacientes sin trastorno del sueño recurrente que tenían otro trastorno del sueño o no tenían interrupción del sueño.
Un algoritmo automatizado que calculaba el movimiento de píxeles entre fotogramas consecutivos en un video fue capaz de detectar movimientos durante el sueño REM. Los expertos revisaron los datos para extraer la frecuencia, la proporción, la magnitud y la velocidad de los movimientos, y la proporción de inmovilidad. Analizaron estas cinco características de los movimientos cortos para lograr la mayor precisión hasta la fecha por parte de los investigadores, con un 92 por ciento.