Desarrollo de modelos de Deep Learning con herramientas de Inteligencia Artificial Explicable (XAI) para el diagnóstico automático de la apnea del sueño a partir del movimiento respiratorio

Abstract

La apnea del sueño es una patología con una alta prevalencia en la población adulta, caracterizada por pausas respiratorias durante el sueño, que pueden ser totales (apnea) o parciales (hipopnea). Estas pausas tienen una duración mínima de 10 segundos y, repetidas durante la noche, provocan una ventilación inadecuada y un sueño fragmentado y no reparador. Está relacionada con múltiples patologías de tipo cardiovascular, somnolencia diurna, trastornos metabólicos, cáncer y enfermedades neurodegenerativas. A pesar de estos riesgos, sigue siendo una enfermedad infradiagnosticada. La principal razón es la disponibilidad limitada de la prueba diagnóstica estándar: la polisomnografía nocturna. Esta prueba se realiza en unidades del sueño especializadas, ubicadas en hospitales, y se monitorizan hasta 32 señales fisiológicas, lo que la convierte en una prueba costosa y que consume mucho tiempo, provocando largas listas de espera y retrasos en el diagnóstico y en el tratamiento. En busca de soluciones más accesibles y eficientes, en este trabajo se va a evaluar la capacidad de modelos de deep learning para estimar la severidad de la apnea del sueño de los sujetos de la base de datos del Sleep Heart Health Study (SHHS) empleando únicamente las señales de esfuerzo respiratorio torácico y abdominal, transformadas a una representación avanzada llamada bispectrum. Se ha tratado de estimar tanto el índice de apnea-hipopnea para todos los eventos apneicos, como específicamente para los eventos centrales, en los que es el cerebro el que no envía las señales adecuadas a los músculos que controlan la respiración. Para todos los eventos apneicos, se ha obtenido un índice kappa de 0.169 y una tasa de acierto del 44.8 % en el conjunto de test. En el caso específico de los eventos apneicos centrales, el índice kappa fue de 0.297 y la tasa de acierto alcanzó el 97.8 %. Empleando técnicas de inteligencia artificial explicable se ha podido comprobar que los modelos de redes convolucionales no han logrado capturar eficazmente los patrones presentes en las señales de esfuerzo respiratorio transformadas a bispectrums. Esto sugiere que, a diferencia de otras señales cardiorrespiratorias, los eventos de apnea e hipopnea no provocan cambios, o estos son demasiado sutiles, en las interacciones no lineales, el acoplamiento o la gaussianidad de las señales de esfuerzo respiratorio torácico y abdominal. Como resultado, las alteraciones producidas por estos eventos no se reflejan adecuadamente en los bispectrum de estas señales.

Sleep apnea is a prevalent disorder in the adult population, characterized by respiratory pauses during sleep, which can be either complete (apnea) or partial (hypopnea). These pauses have a minimum duration of 10 seconds and, when occur repeatedly throughout the night, lead to inadequate ventilation and fragmented, unrefreshing sleep. This condition is associated with numerous major health problems, including cardiovascular diseases, daytime sleepiness, metabolic disorders, cancer, and neurodegenerative diseases. Despite these risks, sleep apnea remains underdiagnosed. The primary reason for this is the limited availability of the standard diagnostic test: overnight polysomnography. This test is conducted in specialized sleep units located in hospitals, monitoring up to 32 physiological signals, making it expensive and time-consuming, leading to long waiting lists and delays in both diagnosis and treatment. In search of more accessible and efficient solutions, this study evaluates the capability of deep learning models to estimate the severity of sleep apnea in subjects from the Sleep Heart Health Study (SHHS) database using only thoracic and abdominal respiratory effort signals, transformed into an advanced representation called bispectrum. The study attempts to estimate both the apnea-hypopnea index for all apneic events and specifically for central apneic events, where inadequate signaling from the brain to the respiratory muscles occurs. For all apneic events, a kappa index of 0.169 and an accuracy of 44.8 % were obtained in the test set. For central apneic events specifically, the kappa index was 0.297 and the accuracy reached 97.8 %. Using explainable artificial intelligence techniques, it was found that convolutional neural network models have not effectively captured the patterns present in bispectrum-transformed respiratory effort signals. This suggests that unlike other cardiorespiratory signals, apnea and hypopnea events do not induce significant changes, or these changes are too subtle, in the nonlinear interactions, coupling, or gaussianity of thoracic and abdominal respiratory effort signals. Consequently, the alterations caused by these events are not adequately reflected in the bispectrum of these signals.