Un equipo de investigadores dirigido por Mount Sinai ha desarrollado un algoritmo impulsado por inteligencia artificial (IA) para analizar grabaciones de vídeo de pruebas clínicas del sueño, que en última instancia afecta a más de 80 millones de personas en todo el mundo. Ha mejorado el diagnóstico preciso de un trastorno del sueño común. Los resultados del estudio fueron publicados en la revista. Historia de la Neurología el 9 de enero
El trastorno de conducta del sueño REM (RBD) es una afección del sueño que provoca movimientos anormales o procesos corporales fuera de los sueños, durante la etapa de movimientos oculares rápidos (REM) del sueño. El RBD que ocurre en adultos por lo demás sanos se llama RBD “aislado”. Afecta a más de un millón de personas en los Estados Unidos y, en casi todos los casos, es un síntoma temprano de la enfermedad de Parkinson o demencia.
Diagnosticar la RBD es extremadamente difícil porque sus síntomas pueden pasarse por alto o confundirse con otras enfermedades. Un diagnóstico definitivo requiere un estudio del sueño, conocido como videopolisomnograma, realizado por un profesional médico con tecnología de monitoreo del sueño. Los datos también son subjetivos y pueden ser difíciles de interpretar globalmente en función de variables múltiples y complejas, incluidas las etapas del sueño y la cantidad de actividad muscular. Aunque los datos de vídeo se graban de forma rutinaria durante las pruebas del sueño, rara vez se revisan y, a menudo, se descartan después de interpretar la prueba.
Trabajos previos limitados en esta área han sugerido que pueden ser necesarias cámaras 3D de grado de investigación para detectar movimientos durante el sueño porque las sábanas o mantas cubren la actividad. Este estudio es el primero en describir el desarrollo de un método automatizado de aprendizaje automático que analiza grabaciones de vídeo recopiladas habitualmente con una cámara 2D durante pruebas de sueño nocturnas. El método también define “clasificadores” adicionales o características de movimiento, lo que produce una tasa de precisión de aproximadamente el 92 por ciento para la detección de RBD.
“Este método automatizado se puede integrar en el flujo de trabajo clínico durante la interpretación de las pruebas del sueño para mejorar el diagnóstico y evitar el subdiagnóstico”, dijo el autor correspondiente Emmanuel Duran, MD, profesor asociado de Neurología (trastornos del movimiento) y medicina (pulmonar). Cuidados Críticos y Medicina del Sueño), la Escuela de Medicina Icahn de Mount Sinai. “Este enfoque también podría usarse para informar decisiones de tratamiento basadas en la gravedad de los movimientos revelados durante las pruebas de sueño y, en última instancia, ayudar a los médicos a personalizar los planes de atención para cada paciente”.
El equipo de Mount Sinai replicó y amplió una propuesta para el análisis automatizado de los movimientos durante el sueño mediante aprendizaje automático desarrollado por investigadores de la Universidad Médica de Innsbruck en Austria. Este enfoque utiliza la visión por computadora, un campo de la inteligencia artificial que permite a las computadoras analizar y comprender datos visuales, incluidas imágenes y videos. Basándose en este marco, los expertos de Mount Sinai utilizaron cámaras 2D, que se encuentran habitualmente en los laboratorios clínicos del sueño, para monitorear el sueño del paciente durante la noche. El conjunto de datos incluyó el análisis de los registros del centro del sueño de aproximadamente 80 pacientes con RBD y un grupo de control de aproximadamente 90 pacientes sin RBD que tenían trastornos del sueño o no tenían trastornos del sueño. Un algoritmo automatizado que calculó el movimiento de los píxeles entre fotogramas sucesivos del vídeo pudo detectar movimiento durante el sueño REM. Los expertos revisaron los datos para extraer tasas de movimiento, proporciones, magnitudes y velocidades, y proporciones de inestabilidad. Analizaron estas cinco características de los movimientos cortos para lograr la mayor precisión hasta la fecha por parte de los investigadores: 92 por ciento.
Investigadores del Instituto Federal Suizo de Tecnología de Lausana (École Polytechnique Fédérale de Lausanne) en Lausana, Suiza, contribuyeron al estudio compartiendo su experiencia en visión por computadora.
