Un equipo de investigadores dirigido por Mount Sinai ha mejorado un algoritmo basado en inteligencia artificial (IA) para analizar grabaciones de vídeo de pruebas clínicas del sueño, mejorando el diagnóstico preciso de un trastorno del sueño común que afecta a más de 80 millones de personas en el mundo. Los resultados 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 actos físicos fuera de los sueños, durante la fase de movimientos oculares rápidos (REM). 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 que un profesional de la salud realice un estudio del sueño, conocido como videopolisomnografía, 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 graban de forma rutinaria durante una prueba de sueño, rara vez se revisan y, a menudo, se eliminan después de interpretar la prueba.
Un trabajo previo limitado en esta área sugirió que podrían ser necesarias cámaras 3D de grado de investigación para detectar el movimiento 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 las pruebas de sueño nocturnas. Este método también define “clasificadores” adicionales o características de los movimientos, lo que da como resultado una tasa de precisión de detección de RBD de casi el 92%.
Este enfoque automatizado podría integrarse en el flujo de trabajo clínico al interpretar las pruebas del sueño para mejorar y facilitar el diagnóstico y evitar diagnósticos erróneos. 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 cada paciente. »
Emmanuel Durant, MD, Autor correspondiente, Profesor asociado de Neurología (trastornos del movimiento) y medicina (pulmonar, cuidados críticos y medicina del sueño), en la Escuela de Medicina Icahn en Mount Sinai
El equipo de Mount Sinai replicó y amplió una propuesta para el análisis automatizado de los movimientos mediante aprendizaje automático durante los estudios del sueño, creada 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. Sobre la base de este marco, los expertos de Mount Sinai utilizaron cámaras 2D, que se encuentran comúnmente 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 control de aproximadamente 90 pacientes sin RBD que padecían otro trastorno del sueño o ningún trastorno del sueño. Un algoritmo automatizado que calculó el movimiento de píxeles entre fotogramas consecutivos de un vídeo pudo detectar movimiento durante el sueño REM. Los expertos examinaron los datos para extraer el ritmo, la proporción, la magnitud y la velocidad de los movimientos, así como la proporción de quietud. Analizaron estas cinco características de los movimientos cortos para lograr la mayor precisión jamás alcanzada por los investigadores: 92%.
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.
Related News :