Ayuda al diagnóstico de la apnea obstructiva del sueño infantil usando técnicas de análisis automático de señales cardiorrespiratorias basadas en Deep Learning

Abstract

El sueño constituye un proceso biológico fundamental para el mantenimiento de la salud, al desempeñar un papel clave en funciones cognitivas e inmunológicas. Un descanso adecuado resulta especialmente importante durante la infancia, etapa en la que el cuerpo y el cerebro se encuentran en pleno desarrollo. Alteraciones en el sueño, como los microdespertares o ciertos trastornos, pueden implicar riesgos significativos para la salud. Entre ellos, destaca la apnea obstructiva del sueño, un problema relevante especialmente en edades tempranas. El diagnóstico de la apnea obstructiva del sueño se realiza habitualmente mediante un estudio del sueño nocturno en laboratorio a través de la polisomnografía, una prueba precisa pero costosa en términos de tiempo y recursos. Por ello, la investigación científica ha centrado esfuerzos en la búsqueda de métodos alternativos más accesibles. Entre estas alternativas, cobran relevancia los enfoques basados en técnicas de inteligencia artificial, en particular el aprendizaje profundo, que permiten estimar de forma precisa el índice de apneas e hipopneas a partir de señales fisiológicas. Este trabajo se centra en evaluar la viabilidad del uso conjunto de tres señales fisiológicas: saturación de oxígeno en sangre (SpO2), flujo aéreo (FA) y variabilidad de la frecuencia cardiaca (HRV), extraídas de la base de datos pública “Childhood Adenotonsillectomy Trial” (CHAT). Estas señales fueron procesadas mediante un modelo de aprendizaje profundo basado en redes neuronales convolucionales (CNN). Para ello, los registros se segmentaron en intervalos de 20 minutos, introduciendo las señales individualmente, por pares y en conjunto, con el objetivo de estimar el número de eventos respiratorios por registro. Posteriormente, se aplicó una regresión Huber para estimar el índice de apneas e hipopneas y clasificar a los pacientes según la gravedad del trastorno. Se desarrolló un modelo para cada combinación posible de señales, siendo la combinación de SpO2 y HRV la que ofreció los mejores resultados. Las métricas obtenidas para esta combinación fueron: sensibilidad del 79.50%, especificidad del 83.58% y exactitud del 80.39% para un umbral de 1 e/h; 82.42%, 98.14% y 93.46% para 5 e/h, respectivamente; y 69.05%, 97.73% y 93.79% para 10 e/h, respectivamente.

Sleep is a fundamental biological process for maintaining health, playing a key role in cognitive and immunological functions. Adequate rest is especially important during childhood, a stage in which the body and brain are in full development. Sleep disturbances, such as micro-awakenings or certain disorders, can pose significant health risks. Among these, obstructive sleep apnoea stands out as a particularly significant problem in early childhood. Obstructive sleep apnoea is usually diagnosed by means of a nocturnal sleep study in a laboratory using polysomnography, a test that is accurate but costly in terms of time and resources. For this reason, scientific research has focused its efforts on finding more accessible alternative methods. Among these alternatives, approaches based on artificial intelligence techniques, particularly deep learning, are gaining prominence, as they allow for the accurate estimation of the apnoea-hypopnoea index from physiological signals. This work focuses on evaluating the feasibility of using three physiological signals together: blood oxygen saturation (SpO2), airflow (FA) and heart rate variability (HRV), extracted from the public database such as the Childhood Adenotonsillectomy Trial (CHAT). These signals were processed using a deep learning model based on convolutional neural networks (CNN). To do this, the records were segmented into 20-minute intervals, introducing the signals individually, in pairs and together, with the aim of estimating the number of respiratory events per record. Subsequently, a Huber regression was applied to estimate the apnoea-hypopnoea index and classify patients according to the severity of the disorder. A model was developed for each possible combination of signals, with the combination of SpO2 and HRV offering the best results. The metrics obtained for this combination were: sensitivity of 79.50%, specificity of 83.58% and accuracy of 80.39% for a threshold of 1 e/h; 82.42%, 98.14% and 93.46% for 5 e/h respectively; and 69. 05%, 97.73% and 93.79% for 10 e/h respectively.