Estudio publicado en npj Digital Medicine muestra la estimación de la edad a partir de estudios del sueño que utilizan aprendizaje profundo y logra predecir la esperanza de vida.
Las alteraciones del sueño aumentan con la edad y son predictores de mortalidad, según explican los autores del estudio. La prueba diagnóstica de estándar de oro para evaluar el sueño de pacientes es la polisomnografía nocturna (PSG, en inglés). Esta prueba se compone de señales fisiológicas como electroencefalograma, electrocardiograma, electrooculograma, electromiograma de mentón y pierna, esfuerzo respiratorios y flujo de aire. Todos estos datos se registran durante la noche mientras el paciente duerme y permanece mayormente inmóvil.
A pesar de que las principales razones para realizar estudios clínicos de sueño se relacionan con métricas simples como latencia de sueño, proporción de tiempo en etapas de sueño, apnea de sueño, estudios recientes han mostrado métodos de aprendizaje profundo que ayudan de manera eficiente y objetiva a los análisis de PSG.
Los nuevos algoritmos ofrecen información adicional como etapas de sueño de mayor resolución y medidas probabilísticas. Por ejemplo, tomando en cuenta que el envejecimiento afecta la arquitectura del sueño, es posible modelar la edad como un indicador de riesgo de mortalidad utilizando modelos de aprendizaje profundo.
El estudio presentado por autores estadounidenses y daneses, muestra redes neuronales profundas que estiman la edad y el riesgo de mortalidad a través de PSG. Para ello modelaron 250 PSG y se probaron en 10 mil 699 PSG de hombres y mujeres en siete cohortes diferentes de entre 20 y 90 años. La estimación de las edades obtuvo un error absoluto medio de 5,8 ± 1,6 años y las medidas básicas de puntuación del sueño tuvieron un error de 14,9 ± 6,29 años.
“Una fortaleza de este estudio es la inclusión de múltiples cohortes, lo que probablemente aumente la generalización de nuestros modelos. Sin embargo, esto también es una limitación, ya que medir el sueño con una instrumentación común y en un entorno más controlado podría tener un mejor poder predictivo al reducir el ruido técnico, el efecto de la primera noche, la variación en el equipo de registro, la ubicación de los electrodos, la temperatura ambiente y el ruido externo, etc.”, explica el estudio.
Conoce más sobre este estudio: https://www.nature.com/articles/s41746-022-00630-9
