Un equipo de investigadores dirigido por Mount Sinai desarrolló un algoritmo impulsado por inteligencia artificial (IA) para analizar grabaciones de vídeo de pruebas clínicas del sueño, en el que finalmente participaron más de 80 millones de personas en todo el mundo. Diagnóstico preciso mejorado de un trastorno común del sueño que afecta Los resultados del estudio fueron publicados en la revista. Historia de la Neurología 9 de enero.
El trastorno de conducta del sueño REM (RBD) es una condición del sueño caracterizada por movimientos anormales o actos físicos fuera de los sueños durante la etapa de movimiento ocular rápido (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 síntoma 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 específico requiere un estudio del sueño, conocido como videopolisomnograma, realizado por un profesional médico en una instalación 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, incluida la etapa 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 descartan después de interpretar la prueba.
Trabajos previos limitados en esta área sugirieron 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 describe 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 define “clasificadores” adicionales o características de movimiento, lo que produce una tasa de precisión de aproximadamente el 92 por ciento para identificar RBD.
“Este método automatizado se puede integrar en el flujo de trabajo clínico durante la interpretación de la prueba del sueño para mejorar y simplificar el diagnóstico y evitar diagnósticos erróneos”, dijo el autor correspondiente Emmanuel Durante, MD, profesor asociado de neurología (trastornos del movimiento) y medicina (pulmonar) crítica. Cuidados y Medicina del Sueño), Escuela de Medicina Icahn en Mount Sinai. “Este método también se puede utilizar para informar decisiones de tratamiento basadas en la gravedad de los movimientos demostrados durante las pruebas del 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 el análisis automatizado del movimiento mediante aprendizaje automático durante los estudios del sueño desarrollado 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. Basándose en 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 consistió en un análisis de registros del centro del sueño de aproximadamente 80 pacientes con RBD y un grupo de control de aproximadamente 90 pacientes sin RBD que tenían otro trastorno del sueño o ningún trastorno del sueño. Un algoritmo automatizado que calcula el movimiento de píxeles entre fotogramas sucesivos de un vídeo pudo detectar movimiento durante el sueño REM. Los expertos revisaron los datos para determinar la velocidad, proporción, magnitud y velocidad del movimiento y proporciones de inmovilidad. Analizaron estas cinco características de los movimientos cortos para lograr la mayor precisión de las fechas por parte de los investigadores: 92 por ciento.
Investigadores del Instituto Federal Suizo de Tecnología (École Polytechnique Fédérale de Lausanne) en Lausana, Suiza, contribuyeron al estudio compartiendo su experiencia en visión por computadora.