Análisis de la señal de variabilidad del ritmo cardiaco para el fenotipado de la apnea obstructiva del sueño mediante métodos de clustering

Abstract

La apnea obstructiva del sueño (AOS) es un trastorno heterogéneo cuya estratificación clínica habitual mediante el índice apnea–hipopnea (IAH) resulta limitada. Este trabajo tiene como objetivo identificar fenotipos clínicamente relevantes de pacientes con AOS aplicando algoritmos de clustering sobre la señal de variabilidad del ritmo cardiaco (Heart Rate Variability, HRV). Se utilizaron datos de la cohorte Sleep Heart Health Study (SHHS), con 2641 adultos evaluados en dos visitas separadas cinco años (SHHS1 y SHHS2). Se realizó un pre-procesado del electrocardiograma (ECG) junto con una detección de los picos R para obtener la señal HRV, aplicando interpolación a 4 Hz para el análisis frecuencial, y se extrajeron características temporales y espectrales para posteriormente aplicar técnicas de clustering. Se compararon 4 métodos de clustering: k-means, Density-Based Spatial clustering of Applications with Noise (DBSCAN), Gaussian Mixture Models (GMM) y el Método de Ward, seleccionando el más adecuado según interpretabilidad y concordancia (índice kappa de Cohen). Los métodos de clustering presentaron comportamientos diferenciados en la identificación de fenotipos de AOS. DBSCAN generó un cluster dominante con escaso valor fenotípico y el Método de Ward sugirió k=3, poco comparable entre visitas. Por otro lado, k-means y especialmente GMM mostraron dos fenotipos reproducibles y clínicamente diferenciados, con concordancias notables entre métodos (kappa≈0,76 en SHHS1; ≈0,64 en SHHS2). Con GMM se distinguieron: (1) un fenotipo de mayor edad, IAH e índice de arousals más bajos, más sueño profundo, menor tiempo total de sueño y más hipertensión; y (2) un fenotipo más joven, con mayores índices antropométricos, IAH y arousals más altos, menos sueño profundo, mayor tiempo total de sueño y menor hipertensión. La estructura de fenotipos se mantiene entre SHHS1 y SHHS2, con modulación de algunas variables, como el IAH central. En conjunto, GMM permitió identificar dos fenotipos de AOS clínicamente interpretables, consistentes a lo largo del tiempo. Estos resultados respaldan la utilidad de la HRV para estratificación y seguimiento de pacientes, y sugiere aplicaciones en medicina personalizada de la AOS.