Los trastornos del sueño son unos de los más prevalentes, llegando a afectar al 30% de la población mundial en algún momento de su vida: insomnio, síndrome de piernas inquietas, bruxismo… son algunos de los más comunes. Sin embargo, también hay otros cuya prevalencia es mucho menor, pero no así sus efectos. Entre ellos se encuentra el trastorno de conducta durante la fase REM del sueño (RBD, por sus siglas en inglés), que afecta al 2% de la población mundial -especialmente varones de más de 60 años- y que, en muchos casos, constituye la primera manifestación de una enfermedad neurodegenerativa, como el párkinson.

Los pacientes con este trastorno sufren pesadillas, ausencia de relajación muscular y conductas motoras vigorosas durante el sueño: hablan solos, chillan, tienen sobresaltos, dan puñetazos y patadas… Pero es que, además, el RBD es muy difícil de diagnosticar, puesto que sus síntomas se pueden confundir con los de otras enfermedades o pasar desapercibidos: los datos que ofrecen los vídeo polisomnogramas, el principal método diagnóstico -que debe ser realizado por un profesional en un centro con alta tecnología-, son subjetivos, y dependen de muchas y complejas variables a la hora de ser interpretados, como la fase del sueño en la que se encuentra en ese momento el paciente o la actividad muscular que genera.

De igual manera, dichos datos rara vez se revisan, y se suelen desechar cuando termina la prueba. Por eso, un equipo de investigadores del Hospital Mount Sinai de Nueva York ha mejorado recientemente un algoritmo basado en inteligencia artificial (IA) para analizar grabaciones de vídeo de pruebas clínicas del sueño y así mejorar la precisión del diagnostico.

La inteligencia artificial permite extraer la tasa, proporción, magnitud y velocidad de los movimientos durante el sueño, así como la proporción de inmovilidad

Su estudio, el primero en describir el desarrollo de un método de aprendizaje automático que analiza las grabaciones de vídeo llevadas a cabo con una cámara 2D -estudios previos han sugerido la necesidad de utilizar cámaras 3D para detectar bien los movimientos, puesto que las sábanas o las mantas cubren muchas veces la actividad-, define además nuevas clasificaciones adicionales o características de los movimientos, arrojando una tasa de precisión del 92% a la hora de detectar los trastornos de conducta durante el sueño.

En concreto, lo que hizo el equipo de investigadores de la institución estadounidense fue replicar y ampliar una propuesta llevada a cabo por compañeros de Innsbruck (Austria) para un análisis automatizado de los movimientos durante el sueño. Su enfoque utiliza la visión artificial, un campo de la inteligencia artificial que permite a los ordenadores analizar comprender datos visuales, principalmente imágenes y vídeos. De esta manera, analizaron las grabaciones de aproximadamente 80 pacientes con trastorno de conducta del sueño y de un grupo de control de 90 pacientes con algún otro tipo de trastorno del sueño.

Gracias a su algoritmo, que calcula el movimiento de píxeles entre los fotogramas de un vídeo para detectar los movimientos durante el sueño, los expertos pudieron revisar los datos para extraer la tasa, proporción, magnitud y velocidad de los movimientos, así como la proporción de inmovilidad. Después, analizaron estas cinco características de los movimientos para lograr la mayor precisión alcanzada hasta la fecha por los investigadores, la citada del 92%.

MÁS COMÚN DE LO QUE PARECE

A pesar de que los de conducta tienen mucha menos prevalencia entre la población que otros trastornos del sueño, afectan a más de 80 millones de personas en todo el mundo. Además, recuerda Alejandro Iranzo de Riquer, neurólogo de la Unidad de Trastornos del Sueño del Hospital Clínic de Barcelona, están relacionados con otras enfermedades neurodegenerativas, como la atrofia multisistémica o la demencia con cuerpos de Lewy (depósitos anormales de proteína alfa-sinucleína).

“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”, asegura Emmanuel During, profesor asociado de Neurología en la Escuela de Medicina Icahn del Hospital Mount Sinai y uno de los autores principales del estudio. “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 así ayudar a los médicos a personalizar los planes de atención para cada paciente”, añade.

*Los contenidos de ConSalud están elaborados por periodistas especializados en salud y avalados por un comité de expertos de primer nivel. No obstante, recomendamos al lector que cualquier duda relacionada con la salud sea consultada con un profesional del ámbito sanitario.