Un equipo de investigadores dirigido por Mount Sinai ha mejorado un algoritmo impulsado por inteligencia synthetic (IA) para analizar grabaciones de vídeo de pruebas clínicas del sueño, mejorando en última instancia el diagnóstico preciso de un trastorno del sueño común que afecta a más de 80 millones de personas en todo el mundo. Los hallazgos del estudio fueron publicados en la revista Anales de neurología el 9 de enero.
El trastorno de conducta del sueño REM (RBD) es una condición del sueño que causa movimientos anormales, o la actuación física de los sueños, durante la fase 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 signo temprano de la enfermedad de Parkinson o demencia.
La RBD es extremadamente difícil de diagnosticar porque sus síntomas pueden pasar desapercibidos o confundirse con otras enfermedades. Un diagnóstico definitivo requiere un estudio del sueño, conocido como videopolisomnograma, que debe realizar un profesional médico en un centro con tecnología de monitoreo del sueño. Los datos también son subjetivos y pueden ser difíciles de interpretar universalmente en función de variables múltiples y complejas, incluidas las etapas del sueño y la cantidad de actividad muscular. Aunque los datos de vídeo se registran sistemáticamente durante una prueba de sueño, rara vez se revisan y, a menudo, se descartan una vez interpretada la prueba.
Trabajos previos limitados en esta área habían sugerido que podrían ser necesarias cámaras 3D de grado de investigación para detectar movimientos durante el sueño porque las sábanas o mantas cubrirían 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. Este método también outline “clasificadores” adicionales o características de movimientos, lo que produce una tasa de precisión para detectar RBD de casi el 92 por ciento.
“Este enfoque automatizado podría integrarse en el flujo de trabajo clínico durante la interpretación de las pruebas del sueño para mejorar y facilitar el diagnóstico, y evitar diagnósticos erróneos”, afirmó el autor correspondiente, el Dr. Emmanuel Durante, profesor asociado de Neurología (trastornos del movimiento) y medicina (pulmonar, Cuidados críticos y medicina del sueño), en la Escuela de Medicina Icahn de Mount Sinai. “Este método también podría usarse para informar decisiones de tratamiento basadas en la gravedad de los movimientos mostrados durante las pruebas de sueño y, en última instancia, ayudar a los médicos a personalizar los planes de atención para pacientes individuales”.
El equipo de Mount Sinai replicó y amplió una propuesta para un análisis automatizado de los movimientos durante los estudios del sueño mediante aprendizaje automático creado por investigadores de la Universidad Médica de Innsbruck en Austria. Este enfoque utiliza la visión por computadora, un campo de la inteligencia synthetic que permite a las computadoras analizar y comprender datos visuales, incluidas imágenes y movies. Sobre la base de este marco, los expertos de Mount Sinai utilizaron cámaras 2D, que se encuentran habitualmente en los laboratorios clínicos del sueño, para monitorear el sueño de los pacientes durante la noche. El conjunto de datos incluyó el análisis de grabaciones en un centro del sueño de aproximadamente 80 pacientes con RBD y un grupo de management de aproximadamente 90 pacientes sin RBD que tenían otro trastorno del sueño o ninguna interrupción del sueño. Un algoritmo automatizado que calculó el movimiento de píxeles entre cuadros consecutivos en un video pudo detectar movimientos durante el sueño REM. Los expertos revisaron los datos para extraer la tasa, proporción, magnitud y velocidad de los movimientos, y la proporción de inmovilidad. Analizaron estas cinco características de los movimientos cortos para lograr la mayor precisión hasta la fecha por parte de los investigadores, del 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.
