La nueva herramienta combina el conocimiento experto y las funciones de aprendizaje profundo para detectar la apnea del sueño
Esta es una representación de un paciente con apnea del sueño que usa una máquina de presión positiva continua en las vías respiratorias (CPAP) mientras duerme. Crédito: https://www.myupchar.com/en/disease/sleep-apnea CC BY-SA 4.0
Las personas que sospechan que tienen apnea del sueño y los médicos que las diagnostican pronto podrían tener una forma más efectiva de detectar automáticamente la afección en hogar, gracias a un nuevo método desarrollado por investigadores del Colegio de Ciencias y Tecnología de la Información de Penn State.
La nueva herramienta, que según los investigadores supera a todos los métodos de referencia existentes, combina tecnología de aprendizaje profundo con conocimiento experto. Aprende automáticamente patrones a partir de los datos del electrocardiógrafo (ECG) recopilados por dispositivos domésticos, lo que lo convierte en una solución más rápida e ideal que otros diagnósticos de apnea del sueño.
«El enfoque estándar actual para detectar la apnea del sueño es para un paciente permanezca en un hospital durante la noche para registrar una polisomnografía (estudio del sueño) bajo la supervisión de un médico clínico», dijo Guanjie Huang, candidato a doctorado en ciencias y tecnología de la información y autor principal del artículo. «El proceso lleva mucho tiempo, es tedioso, intrusivo y tardío».
Huang explicó que después de recopilar los datos de un paciente a través de un estudio del sueño, que mide las ondas cerebrales, los niveles de oxígeno en la sangre, la frecuencia cardíaca, la respiración y la movimientos corporales, los médicos deben dedicar más tiempo y recursos para analizarlo.
«Es esencial diseñar un modelo preciso para analizar automáticamente los datos y ayudar a los médicos a detectar la apnea del sueño rápidamente», dijo Huang.
Existen otras herramientas para detectar automáticamente la apnea del sueño a través de dispositivos en el hogar que utilizan modelos informáticos creados a través de métodos tradicionales de aprendizaje automático, que se basan en el conocimiento de expertos humanos para diseñar funciones creadas a mano que pueden identificar las condiciones de apnea del sueño en un conjunto de datos, o a través de métodos de aprendizaje profundo, que eliminan la necesidad de dichos expertos debido a la inmensa cantidad de datos. Pero, según Huang, existen limitaciones para estos enfoques independientes.
«El método tradicional de aprendizaje automático generalmente solo necesita una pequeña cantidad de datos para aprender un clasificador robusto, pero requiere una cuidadosa selección y extracción de características. proceso», explicó Huang. «El método de aprendizaje profundo generalmente logra un mejor rendimiento, pero requiere un gran conjunto de datos».
El modelo de Huang, llamado ConCAD (Atención cruzada basada en el aprendizaje contrastivo para la detección de apnea del sueño), aprovecha simultáneamente las características del aprendizaje profundo y tradicional. El conocimiento experto del aprendizaje automático para detectar mejor la apnea del sueño. El modelo se basa específicamente en el conocimiento experto de los métodos existentes de la envolvente del intervalo RR y del pico R para detectar la apnea del sueño midiendo los intervalos entre el pico y la onda R, que miden el ritmo cardíaco en las paredes ventriculares de un paciente, en un ECG estándar. ConCAD utiliza un mecanismo de atención cruzada, un módulo de aprendizaje profundo que asigna pesos a partes de cada uno en función de su importancia para fusionar las funciones de aprendizaje profundo con las funciones de conocimiento experto, enfatizando las útiles e ignorando las irrelevantes automáticamente.
ConCAD funciona pasando primero los datos de ECG sin procesar originales a través de extractores de características para aprender automáticamente patrones tanto del conocimiento experto como de los métodos de aprendizaje profundo que podrían indicar apnea del sueño. Estos patrones, o características, se fusionan automáticamente y sinérgicamente y se les asigna un peso basado en las partes importantes de cada uno. Luego, a través de un proceso de aprendizaje contrastivo, las características similares se emparejan estrechamente. Finalmente, los datos se clasifican en función de las características finales del ECG y el conocimiento experto correspondiente, indicando la probabilidad de que el paciente tenga apnea del sueño.
Para probar su modelo, los investigadores utilizaron dos conjuntos de datos de ECG disponibles públicamente que contenían más de 26 000 segmentos anotados por expertos, cada uno identificando eventos de apnea o sueño normal. Estos segmentos consistieron en entradas de 30 segundos y dos minutos y medio. En comparación con seis métodos de detección de apnea del sueño de última generación existentes, ConCAD los superó a todos. Su modelo identificó con precisión los eventos de apnea del sueño el 88,75 % del tiempo en segmentos de un minuto y el 91,22 % del tiempo en los segmentos de cinco minutos del primer conjunto de datos; y 82,5 % y 83,47 % respectivamente en el segundo conjunto de datos.
«Nuestros resultados muestran la posibilidad de usar datos de ECG para la detección automática de apnea del sueño, lo que debería beneficiar significativamente a los pacientes que sufren de apnea del sueño, ya que pueden usar un dispositivo de ECG en el hogar para monitorear sus condiciones de apnea del sueño», dijo Fenglong Ma, profesor asistente de ciencias y tecnología de la información e investigador principal. «Además, el modelo diseñado puede ayudar a los médicos a simplificar el proceso de diagnóstico de la apnea del sueño».
Ma agregó: «Este es un nuevo intento de incorporar el conocimiento experto en modelos de aprendizaje profundo para la detección de la apnea del sueño. Continuaremos para investigar cómo usar el conocimiento experto para guiar el aprendizaje de modelos profundos».
Los investigadores presentaron ConCAD en la Conferencia Europea sobre Aprendizaje Automático y Principios y Práctica del Descubrimiento de Conocimiento en Bases de Datos (ECML-PKDD), celebrada virtualmente de septiembre de 1317.
Explore más
Un estudio no encuentra vínculo entre la apnea del sueño y el dolor articular Proporcionado por la Universidad Estatal de Pensilvania Cita: La nueva herramienta fusiona el conocimiento experto y las funciones de aprendizaje profundo para detectar el sueño apnea (2021, 1 de octubre) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2021-10-tool-fuses-expert-knowledge-deep.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.