Tecnología Deep Learning aplicada a señales respiratorias para la ayuda al diagnóstico de la apnea del sueño

Abstract

La apnea del sueño es una enfermedad con una alta prevalencia en la población adulta, llegando a afectar hasta al 38% de la misma. Las personas que la padecen sufren pausas respiratorias recurrentes durante el sueño que acarrean una ventilación inadecuada y sueño fragmentado y no reparador. Además, la apnea del sueño ha sido asociada con múltiples e importantes problemas de salud, incluyendo enfermedades cardiovasculares, diabetes y un riesgo más elevado de padecer cáncer. A pesar de ello, se trata de una enfermedad muy infradiagnosticada. La prueba diagnóstica estándar es la polisomnografía nocturna (PSG). La PSG se lleva a cabo en una unidad del sueño especializada y durante la misma se monitorizan y adquieren hasta 32 señales fisiológicas de cada paciente. A pesar de la eficacia de la PSG, esta presenta importantes limitaciones como su complejidad, su alto coste, y el tiempo consumido por los especialistas en la inspección de todas las señales nocturnas adquiridas. Debido a estas limitaciones y la alta prevalencia de la enfermedad, las unidades del sueño no son capaces de abordar todas las pruebas necesarias, produciéndose largas listas de espera y retrasos en el diagnóstico y acceso al tratamiento. Es por ello que se hace necesario encontrar alternativas diagnósticas más sencillas.

Sleep apnea is a disease with a high prevalence in the adult population, affecting up to 38% of them. People who suffer from this desease experience recurrent breathing pauses during sleep leading to inadequate ventilation and fragmented, unrefreshing sleep. In addition, sleep apnea has been associated with multiple major health problems, including cardiovascular disease, diabetes and an increased risk of cancer. Despite this, it is a highly under-diagnosed disease. The standard diagnostic test is the overnight polysomnography (PSG). The PSG is performed in a specialised sleep unit and up to 32 physiological signals are monitored and acquired from each patient. Despite the efficacy of the PSG, it has important limitations such as its complexity, its high cost, and the time consumed by specialists in inspecting all the acquired nocturnal signals. Due to these limitations and the high prevalence of the disease, sleep units are not able to deal with all the necessary tests, resulting in long waiting lists and delays in diagnosis and access to treatment. This is why it is necessary to find simpler diagnostic alternatives.