Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
IA mejora el diagnóstico de trastornos del sueño REM

Un nuevo estudio detalla el uso de IA para detectar el trastorno de conducta del sueño REM aislado, una condición precursora de Parkinson.

Investigadores de Mount Sinai han desarrollado un enfoque innovador para detectar el trastorno de conducta del sueño REM aislado (iRBD, en inglés), una condición que a menudo es una etapa temprana de enfermedades neurodegenerativas como el Parkinson. Publicado en Annals of Neurology, el estudio propone un método basado en visión por computadora que utiliza cámaras convencionales 2D para mejorar la precisión del diagnóstico, facilitando su implementación en laboratorios clínicos y, potencialmente, en entornos domésticos.

El iRBD, es un trastorno difícil de diagnósticar ya que sus síntomas suelen pasar desapercibidos o confundirse con indicadores de otras enfermedades. Para realizar un diagnóstico preciso y definitivo, es necesario realizar un estudio de sueño, denominado video-polisomnografía (vPSG), que requiere de tecnología especializada y de profesionales altamente capacitados. Además, interpretar los datos de vPSG sigue siendo un desafío incluso para los expertos en sueño.

El estudio evaluó 172 grabaciones vPSG, de las cuales 81 correspondían a pacientes con iRBD y 91 a controles sanos o con otros trastornos del sueño. Utilizando un algoritmo de flujo óptico, los investigadores analizaron movimientos durante el sueño REM, extrayendo características como la tasa, magnitud, velocidad y proporción de inmovilidad de los movimientos. Los hallazgos revelaron que los pacientes con iRBD presentaban mayor número de movimientos cortos e intervalos de inmovilidad en comparación con los controles.

La precisión para detectar iRBD varió desde el 84.9% usando dos características, hasta el 91.9%, al analizar cinco características de movimientos de corta duración, entre 0.1 y 2 segundos. Además, el modelo identificó correctamente a 7 de 11 pacientes con iRBD que no mostraron movimientos evidentes durante el vPSG, destacando su sensibilidad.

“Este enfoque automatizado podría integrarse en el flujo de trabajo clínico durante la interpretación de las pruebas de sueño para mejorar y facilitar el diagnóstico y evitar diagnósticos erróneos”, expresó el autor Emmanuel During, profesor asociado en Mount Sinai. “Este método también podría utilizarse para fundamentar las decisiones de tratamiento en función de la gravedad de los movimientos que se muestran durante las pruebas de sueño y, en última instancia, ayudar a los médicos a personalizar los planes de atención para cada paciente”, agregó.

De esta forma, el uso de cámaras 2D convencionales y algoritmos de visión por computadora representa un avance significativo en el diagnóstico del iRBD. Esta tecnología no solo facilita su implementación en laboratorios de sueño clínicos, sino que también tiene el potencial de ser adaptada para su uso en el hogar con cámaras infrarrojas. Este enfoque podría transformar la detección temprana de iRBD, abriendo nuevas posibilidades para la monitorización de trastornos del sueño y la identificación temprana de enfermedades neurodegenerativas.

Contenidos Relacionados

Secured By miniOrange