El sistema BCGNet, entrenado con cerca de 600 mil horas de registros de sueño, alcanza una correlación superior a 0.95 con la polisomnografía en la estimación de apnea del sueño.
Un equipo internacional de investigadores, liderado por especialistas de Five Seasons Medical, la Universidad de Sichuan y la Universidad de California en San Francisco, desarrolló un modelo de inteligencia artificial (IA) capaz de evaluar la arquitectura del sueño y detectar apnea obstructiva a partir de las vibraciones mecánicas que el cuerpo genera al respirar y al latir el corazón, sin necesidad de colocar electrodos ni sensores directamente sobre la piel. El hallazgo, publicado en npj Digital Medicine, se apoya en balistocardiografía, una técnica que capta impulsos mecánicos producidos por la actividad cardiaca y respiratoria a través de un dispositivo colocado bajo la almohada.
El modelo, denominado BCGNet, se construyó mediante un proceso de aprendizaje por transferencia en dos etapas. En la primera, el sistema se entrenó con 580 mil 865 horas de registros de polisomnografía, el método considerado de referencia para el diagnóstico de trastornos del sueño pero que requiere pasar la noche en un laboratorio conectado a múltiples electrodos. En la segunda etapa, el modelo se ajustó con 15 mil 81 horas de datos captados mediante el tapete de monitoreo 5S, un sensor piezoeléctrico de 60 por 10 centímetros que se coloca bajo la almohada y registra micro vibraciones asociadas a la respiración, el ritmo cardiaco y los movimientos corporales. En conjunto, el proyecto reunió 595 mil 946 horas de sueño provenientes de 53 mil 544 personas, entre bases de datos públicas de Estados Unidos y cinco centros clínicos en China.
Los resultados muestran que BCGNet clasifica correctamente las etapas del sueño, vigilia, sueño ligero, sueño profundo y fase REM, con valores de F1 de entre 0.710 y 0.817 según la cohorte evaluada. En la estimación del índice de apnea hipopnea, un indicador clave para diagnosticar apnea obstructiva del sueño, el modelo alcanzó coeficientes de correlación de Pearson de 0.963 en la cohorte interna del Sexto Hospital del Pueblo de Shanghái, y de 0.959 y 0.952 en las cohortes externas del Hospital de la Universidad de Sichuan y del Segundo Hospital Afiliado de la Universidad de Soochow, respectivamente.
El sistema también mostró un desempeño sólido al cuantificar parámetros de continuidad del sueño, como el tiempo total dormido, la latencia de inicio del sueño, el tiempo despierto después de haber conciliado el sueño y la eficiencia del sueño, con coeficientes de correlación intraclase generalmente superiores a 0.8. Incluso en siestas diurnas cortas, donde suele haber menos fases profundas de sueño, el modelo mantuvo una concordancia aceptable, con un coeficiente de correlación intraclase de 0.717 para el tiempo total de sueño y una exactitud de 81.3% en la diferenciación entre vigilia y sueño.
Los autores atribuyen el desempeño del sistema a dos factores, por un lado, la escala y diversidad de los datos utilizados, que incluyeron personas con distintas condiciones clínicas, entre ellas depresión e insomnio, lo que amplió el espectro de fenotipos de sueño representados en el entrenamiento. Por otro lado, la estrategia de transferencia de conocimiento entre modalidades, que permitió que el modelo aprendiera primero patrones robustos a partir de señales de electrocardiograma y de la banda abdominal registradas en polisomnografía, para después adaptarlos a las señales más ruidosas y de menor fidelidad que produce la balistocardiografía.
El estudio reconoce limitaciones, ya que las cohortes de validación estuvieron compuestas por personas de origen chino remitidas a estudios de sueño, por lo que los autores señalan la necesidad de validar el modelo en poblaciones étnica y geográficamente más diversas. La evaluación de siestas cortas, además, requiere que la persona se recueste sobre la cama donde está instalado el tapete, lo que limita su aplicación para registrar siestas en otros espacios, como un sofá. También se identificó una sensibilidad reducida para clasificar casos leves y moderados de apnea, que los investigadores relacionan con la ausencia de señales de saturación de oxígeno en la sangre en este sistema de monitoreo sin contacto, dato que sí se utiliza en la calificación clínica convencional de hipopneas.
