image

DEFINICIÓN DE FENOTIPOS EN LA APNEA DEL SUEÑO MEDIANTE APRENDIZAJE PROFUNDO MULTITAREA E INTELIGENCIA ARTIFICIAL EXPLICABLE

Resumen ejecutivo

El problema

La apnea obstructiva del sueño (AOS) es una enfermedad crónica caracterizada por episodios recurrentes de ausencia o reducción del flujo de aire durante el sueño, provocando hipoxemia transitoria y despertares. Esta afección se asocia con un aumento de la actividad simpática, desaturaciones de oxígeno repetidas y fragmentación del sueño, derivando en problemas cardiovasculares, metabólicos y neurocognitivos. La AOS tiene una alta prevalencia, siendo la polisomnografía nocturna (PSG) es el test de referencia para el diagnóstico. Esta prueba monitoriza múltiples señales para estimar el índice de apnea-hipopnea (IAH), que determina la presencia y gravedad de la AOS.

Sin embargo, la AOS es un trastorno heterogéneo con factores predisponentes, mecanismos fisiopatológicos, presentaciones clínicas y consecuencias para la salud variados. Pacientes con un IAH similar pueden tener causas subyacentes, síntomas y pronósticos muy diferentes. Esto sugiere la existencia de distintos fenotipos de AOS, que son subtipos más homogéneos de la enfermedad. La identificación de estos fenotipos es crucial para desarrollar estrategias de diagnóstico y tratamiento personalizadas.

img
icon
La AOS afecta a un 13%-33% de los hombres adultos y a un 6%-19% de las mujeres a nivel mundial. Sin embargo, la AOS es una enfermedad infradiagnosticada, estimándose que el número de pacientes podría llegar a ser el doble

Hipótesis

img

Estudios anteriores sugieren la presencia de diferentes fenotipos de AOS relacionados con comorbilidades, lo que a su vez puede explicar la proporción relativamente alta de AOS que no responden, o responden sólo parcialmente, al tratamiento de la AOS. A pesar de estas pruebas preliminares utilizando técnicas de machine learning, la delimitación de estos fenotipos sigue siendo difícil, probablemente debido a las limitaciones asociadas a los métodos convencionales de feature-engineering.

Los enfoques emergentes de aprendizaje profundo multitarea junto con las nuevas técnicas de Inteligencia Artificial Explicable (XAI), aplicados a la información recopilada durante el procedimiento de PSG, pueden delinear nuevos fenotipos de AOS vinculados a diversas comorbilidades y variaciones en la efectividad del tratamiento.

¿Pueden definirse nuevos fenotipos de la AOS relacionados con diferentes comorbilidades y variaciones en la efectividad del tratamiento, utilizando enfoques de aprendizaje profundo multitarea y técnicas de XAI aplicadas a la información obtenida de la PSG?

icon

Objetivo principal

El objetivo principal del proyecto es diseñar, evaluar e interpretar soluciones basadas en aprendizaje profundo para definir con precisión nuevos fenotipos de AOS clínicamente relevantes a partir de la información recogida durante la PSG. Se propone utilizar estrategias multitarea para entrenar algoritmos capaces de detectar morbilidades cardiovasculares, cognitivas y relacionadas con la somnolencia en pacientes con AOS. Además, se implementarán métodos XAI para identificar patrones fisiológicos relacionados con estas morbilidades, permitiendo así la definición de fenotipos.

Objetivos específicos

01

Diseñar, desarrollar y optimizar modelos de alto rendimiento para detectar la AOS y sus comorbilidades basados en enfoques de DL y nuevas estrategias de MTL

Inicialmente, se evaluarán los siguientes algoritmos de deep learning (DL): (i) convolutional neural networks (CNNs), incluyendo conexiones residuales y mecanismos de atención; (ii) recurrent neural network (RNNs); (iii) transformers; y (iv) una combinación de CNNs con RNNs y transformers, basada en CNNs pre-entrenadas. Además, se explorarán inicialmente las siguientes arquitecturas MTL y estrategias de optimización: (i) shared-trunk; (ii) cross-stitch; (iii) prediction distillation; (iv) soft parameter sharing; y (v) loss weighting.

02

Detectar nuevos patrones/atributos inherentes a la PSG (señales, datos clínicos y sociodemográficos) relacionados con las comorbilidades de la AOS

Los algoritmos XAI permiten identificar información relevante, como patrones dentro de una señal cruda, que intervienen las predicciones, en particular las derivadas de métodos DL. Como propuesta inicial, utilizaremos los siguientes enfoques: (i) SHAP; (ii) Grad-CAM.

03

Identificar fenotipos de AOS con alto riesgo de morbilidad cardiovascular, cognitiva y/o hipersomnolencia

Utilizando la relevancia de las entradas (por ejemplo, señales) derivadas de XAI para cada comorbilidad de AOS, delinearemos fenotipos mediante un enfoque supervisado. Como punto de partida, emplearemos la agrupación SHAP.

04

Evaluar la eficacia del tratamiento de los fenotipos relacionados con la somnolencia y neurocognitivos

Aprovechando las PSG y la información de la base de datos APPLES, evaluaremos la eficacia a largo plazo del tratamiento con CPAP sobre la somnolencia y la función neurocognitiva para cada fenotipo. Para ello, se utilizarán análisis estadísticos de correlación sobre los datos longitudinales.

Grupo responsable

El Grupo de Ingeniería Biomédica (GIB) de la Universidad de Valladolid es un grupo de investigación formado principalmente por ingenieros y médicos de diferentes especialidades (neumología, oftalmología, neurología, neurofisiología y psiquiatría), que trabajan conjuntamente en distintas líneas de investigación. En particular, tiene una amplia experiencia en el análisis de señales polisomnográficas para la ayuda al diagnóstico de la AOS. Los múltiples proyectos en los que ha participado y su creciente producción científica de alto impacto avalan la gran capacidad investigadora del grupo.

cover

Roberto Hornero Sánchez

Fundador & Coordinador

cover

Gonzalo C. Gutiérrez Tobal

Profesor Permanente Laboral

gib.tel.uva.es

Tareas del proyecto

Comprobación de la calidad de 18.703 señales de FA, SpO2, PRV, ECG/HRV y EEG de las bases de datos Apnea Positive Pressure Long-term Efficacy Study (APPLES), Cleveland Family Study (CFS), Multi-Ethnic Study of Atherosclerosis (MESA), MMrOS Sleep Study (MrOS), Sleep Heart Health Study (SHHS) Wisconsin Sleep Cohort (WSC). Análisis de datos sociodemográficos y clínicos para asegurar una correcta fusión de estos conjuntos de datos, detectar posibles sesgos, relacionar variables clínicas con la información extraída de los registros, y/o detectar la presencia de morbilidades en los pacientes. Diseño de estrategias de validación basadas en las morbilidades de los sujetos.

Recopilación y análisis de los últimos estudios científicos relacionados con DL, MTL, XAI y clustering. Comparación de métodos y estudio para su aplicación en el proyecto.

Implementación de los métodos de DL seleccionados para detectar AOS. Implementación de métodos MTL que posteriormente se aplicarán para identificar conjuntamente la AOS y sus morbilidades. Implementación de procedimientos XAI y clustering para identificar patrones fisiológicos y fenotipos de AOS, respectivamente. Todos los métodos se implementan utilizando herramientas Python.

Entrenamiento y validación de modelos de DL para detectar individualmente la AOS a partir de señales de AF, SpO2, PRV, ECG/HRV y EEG. Aplicación de modelos DL utilizando MTL como paradigma de entrenamiento para identificar conjuntamente la AOS y sus morbilidades. Estudio del conjunto de patrones fisiológicos mediante XAI que contribuyen potencialmente a cada morbilidad relacionada con la AOS. Definiciones automáticas de los fenotipos de AOS mediante la aplicación de métodos supervisados de clustering.

Estudio y aplicación de los enfoques DL y MTL más adecuados para abordar la detección conjunta de la AOS y sus morbilidades. Interpretación de los resultados para caracterizar los patrones fisiológicos vinculados a las morbilidades de la AOS. Obtención de conocimientos sobre la heterogeneidad de la AOS mediante la definición de nuevos fenotipos vinculados a morbilidades cardiovasculares, cognitivas y de riesgo de somnolencia. Evaluación de la eficacia del tratamiento en los distintos fenotipos.

Difusión de los resultados preliminares en conferencias. Publicación de al menos 18 artículos sobre los resultados finales en revistas internacionales de prestigio (Q1 o Q2). Preparación de material de difusión: página web, redes sociales, organización de seminarios, premios y notas de prensa. Elaboración de informes sobre la evolución del proyecto para su entrega a las Entidades Promotoras Observadoras (OPIs): Oxigen Salud S. A., Five Flames Mobile S. L. L., Centro Regional de Servicios Avanzados S. A., Fundación CARTIF, Hospital Universitario de Jaén y Hospital Universitario Río Hortega. Reuniones semestrales de discusión de resultados. Elaboración de informes sobre el desarrollo de potenciales patentes.

Coordinación y control de cada una de las tareas y subtareas.

Publicaciones

Artículos en revistas indexadas

Enrique Gurdiel, Fernando Vaquerizo-Villar, Javier Gomez-Pilar, Gonzalo C. Gutiérrez-Tobal, Félix del Campo, and Roberto Hornero, Beyond the Ground Truth, XGBoost Model Applied to Sleep Spindle Event Detetion”, IEEE Journal of Biomedical and Health Informatics, vol. 29, NO. 7, Julio, 2025, DOI: 10.1109/JBHI.2025.3544966

Fernando Vaquerizo-Villar, and Verónica Barroso-García, Special Issue: “Artificial Intelligence for Biomedical Signal Processing”, Bioengineering, 2025, 12, 753, DOI: 10.3390/bioengineering12070753

Adrián Martín-Montero, Fernando Vaquerizo-Villar, Clara García-Vicente, Gonzalo C. Gutiérrez-Tobal, Thomas Penzel, Roberto Hornero, Heart rate variability analysis in comorbid insomnia and sleep apnea (COMISA), Scientific Reports, vol. 15 (17574), Mayo, 2025, DOI: 10.1038/s41598-025-02541-7

Teresa Arora, Fernando Vaquerizo-Villar, Roberto Hornero, David Gozal, Sleep irregularity is associatedwith night-time technology,dysfunctional sleep beliefs andsubjective sleep parametersamongst female universitystudents, Scientific Reports, 15, 1, 12, Febrero, 2025, DOI: 10.1038/s41598-025-90720-x

Comunicaciones en congresos internacionales

Javier Gomez-Pilar, Adrián Martín-Montero, Fernando Vaquerizo-Villar, Máximo Domínguez-Gerrero, Daniela Ferreira-Santos, Pedro Pereira-Rodrigues, David Gozal, Roberto Hornero, Gonzalo C. Gutiérrez-Tobal, Phenotypic Characterization of Sleep Apnea Using Clusters Derived from Subject-Based SpO2 Weighted Correlation Networks, 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2025), ISBN: 979-8-3315-8618-8, Copenhague (Dinamarca), Julio 14 - Julio 17, 2025

Clara García-Vicente, Gonzalo C. Gutiérrez-Tobal, Javier Gomez-Pilar, Fernando Vaquerizo-Villar, Adrián Martín-Montero, Máximo Domínguez-Gerrero, David Gozal, Roberto Hornero, Explainable Hybrid Convolutional and Transformer Network for Pediatric Sleep Apnea Diagnosis Using Nocturnal Oximetry, 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2025), ISBN: 979-8-3315-8618-8, Copenhague (Dinamarca), Julio 14 - Julio 17, 2025

Comunicaciones en congresos nacionales

Noticias relacionadas

Anterior
Siguiente
background

Contacto

Grupo de Ingeniería Biomédica