Utilidad de las señales de oximetría y flujo aéreo en el diagnóstico simplificado de la apnea obstructiva del sueño. Diseño de un test automático domiciliario

Resumen

La Apnea Obstructiva del Sueño (AOS) es un trastorno respiratorio caracterizado por la repetición recurrente de episodios de ausencia total (apnea) o parcial (hipopnea) del flujo aéreo durante el sueño. Recientes estudios epidemiológicos estiman la prevalencia de la AOS en un 10% en varones y un 3% en mujeres de mediana edad. La AOS no tratada produce una disminución significativa de la calidad de vida y está asociada con las principales causas de mortalidad de los países industrializados, como son la hipertensión arterial, enfermedad coronaria, accidentes cerebrovasculares, diabetes y cáncer. Sin embargo, la AOS es considerada una enfermedad crónica infradiagnosticada. La presión positiva continua en la vía aérea (CPAP) es el tratamiento más habitual, siendo no invasivo, eficaz y coste-efectivo, por lo que favorecer el proceso de diagnóstico es fundamental. La polisomnografía (PSG) nocturna en una unidad del sueño especializada es el método diagnóstico de referencia. El índice de apnea-hipopnea (IAH) derivado de la PSG permite descartar o confirmar la patología y determinar su gravedad. Sin embargo, la PSG presenta baja disponibilidad y accesibilidad, siendo una prueba compleja y costosa para el sistema de salud e intrusiva para los pacientes. Estas importantes limitaciones han contribuido a desbordar los recursos disponibles y a generar largas listas de espera, lo que reduce su efectividad como única técnica diagnóstica. Existe un importante problema de accesibilidad de los pacientes a los laboratorios del sueño, lo que conduce de forma muy notable a retrasar el acceso al diagnóstico y al tratamiento de la patología. Como consecuencia, en los últimos años se ha generado una importante demanda de métodos abreviados de detección de la enfermedad. Los fabricantes de equipamiento médico han respondido proporcionando dispositivos simplificados portátiles y, en consecuencia, se ha producido un incremento de estudios domiciliarios en un intento de reducir listas de espera. Entre los enfoques de simplificación diagnóstica, el uso de únicamente una (monocanal) o dos (bi-canal) señales ha sido ampliamente explorado. En ese contexto, tanto la señal de saturación de oxígeno en sangre (SpO2) procedente de la oximetría nocturna como el flujo aéreo (FA) han demostrado tener un elevado potencial diagnóstico. Para aprovechar todo su potencial, las técnicas de reconocimiento automático de patrones han surgido como una herramienta fundamental. En el campo de la ayuda al diagnóstico de la AOS, las técnicas de procesado automático de señales y de machine learning han demostrado ser muy útiles para implementar herramientas automáticas de detección de la enfermedad. Sin embargo, la gran mayoría de los estudios han sido desarrollados en entornos hospitalarios controlados, siendo necesario validar la efectividad real de las técnicas de procesado automático en un entorno no supervisado, como es el domicilio del paciente. Además, la complejidad excesiva, la pérdida de señal y la disminución del rendimiento diagnóstico son problemas que todavía requieren estudio adicional. La investigación realizada en la presente Tesis Doctoral se ha desarrollado bajo la hipótesis fundamental de que el empleo de técnicas de procesado automático basadas en herramientas de machine learning podría permitir maximizar la precisión diagnóstica de un conjunto reducido de señales biomédicas combinadas: la oximetría y el flujo aéreo nocturnos registrados en el domicilio del paciente. El objetivo fundamental de la Tesis Doctoral consistió en evaluar si el análisis conjunto mediante algoritmos de aprendizaje automático de las señales de SpO2 y FA no supervisadas adquiridas en el domicilio del paciente conduce a un aumento significativo del rendimiento diagnóstico en comparación con los enfoques de un solo canal. Se llevó a cabo un estudio observacional prospectivo en el que se analizó una población compuesta por pacientes derivados de forma consecutiva a la Unidad de Sueño del Hospital Universitario Río Hortega de Valladolid con sospecha clínica moderada-alta de padecer AOS. Los pacientes realizaron una PSG no supervisada en su domicilio (gold standard de referencia) de la que se extrajeron las señales de SpO2 y FA, que posteriormente fueron procesadas offline. El índice de apnea-hipopnea (IAH) derivado de la PSG se empleó para confirmar o descartar la presencia de la enfermedad. Se implementaron y compararon 3 metodologías de screening de pacientes con sospecha de AOS en función de la fuente de información empleada: (1) monocanal basado en SpO2, (2) monocanal basado en FA, (3) bi-canal combinando información de SpO2 y FA. El procesado automático de las señales de SpO2 y FA se desarrolló en 4 etapas: (1) preprocesado, (2) extracción de características, (3) selección de características y (4) reconocimiento de patrones. Los registros no supervisados de SpO2 y FA se parametrizaron por medio de 38 características procedentes de enfoques de análisis complementarios para obtener la mayor cantidad posible de información útil: tiempo, frecuencia y métodos no lineales. En la fase de selección se ha aplicado el algoritmo fast correlation-based filter (FCBF) para permitir identificar las variables más relevantes y menos redundantes en función de la cantidad de información que comparte con el IAH y con el resto de las características del espacio de partida. Cada uno de los enfoques de screening (SpO2 monocanal, FA monocanal y SpO2+FA bi-canal) se empleó para estimar automáticamente el IAH utilizando las características obtenidas de las señales como entrada a los siguientes métodos de machine learning: (1) regresión lineal múltiple (MLR), (2) redes neuronales perceptrón multicapa (MLP) y (3) máquinas vector soporte (SVM). La población se dividió en grupos independientes de entrenamiento (60%) y test (40%), con el objetivo de realizar un diseño y validación independiente de los modelos. Se evaluó la concordancia entre el IAH estimado y el real derivado de la PSG domiciliaria y se aplicaron los puntos de corte típicos de la AOS (5, 15 y 30 eventos/h) para analizar el rendimiento diagnóstico. Se realizaron un total de 299 PSGs domiciliarias, con un porcentaje de validez del 85.6%. Finalmente, 239 pacientes presentaron señales de SpO2 y FA con calidad adecuada tras el pre-procesado automático para eliminar artefactos. La población final (68.6% varones) presentó una edad mediana de 56 años e índice de masa corporal (IMC) promedio de 28.4 kg/m2. Los modelos que emplearon las características óptimas derivadas de la combinación de las señales de SpO2 y FA alcanzaron valores de concordancia con el IAH de la PSG y de rendimiento diagnóstico para todos los puntos de corte de AOS superiores a los obtenidos por los modelos entrenados con información procedente de cada una de las señales individuales. La mayor concordancia entre el IAH estimado y el IAH de la PSG domiciliaria fue alcanzada por el modelo SVMSpO2+FA, con un coeficiente de correlación intra-clase (CCI) igual a 0.93 e índice kappa de 4 clases igual a 0.71, así como con una precisión global para las 4 categorías de gravedad de la AOS igual a 81.25%, significativamente superior al análisis individual de la señal SpO2 (kappa: 0.61; precisión de 4 clases: 75.0%) y de la señal de flujo aéreo (kappa: 0.42; precisión de 4 clases: 61.5%) tomadas individualmente. El modelo SVMSpO2+FA alcanzó el mayor rendimiento diagnóstico de todos los algoritmos para la detección de AOS grave (IAH ≥30 eventos/h), con una precisión del 95.83% (sensibilidad 93.62%, especificidad 97.96%) y área bajo la curva ROC (AUC) igual a 0.98. Además, el área bajo la curva ROC de los modelos bi-canal fue significativamente superior (p <0.01) a la alcanzada por los enfoques de un solo canal para el punto de corte de 15 eventos/h. La metodología propuesta basada en el análisis automático conjunto de las señales de SpO2 y FA adquiridas en el domicilio mostró una alta complementariedad, lo que condujo a un notable aumento del rendimiento diagnóstico en comparación con los enfoques de un solo canal. Los modelos automáticos superaron a los índices clásicos (índices de desaturación y de disturbio respiratorio, RDI) tanto en términos de correlación y concordancia con el IAH de la PSG, como en términos de precisión diagnóstica global, aportando un incremento moderado del rendimiento diagnóstico particularmente en la detección de AOS moderado-grave. Los resultados obtenidos indican que el análisis conjunto de las señales de oximetría y flujo mediante métodos de aprendizaje automático permite un screening simplificado a la vez que preciso de la AOS en el domicilio del paciente.