La UVa detecta apnea infantil precoz y "evita daños irreversibles" con IA

Es uno de los trastornos asociados al descanso más frecuentes en la infancia y, sin embargo, solo es diagnosticado en uno de cada diez niños. Entre los motivos que limitan la detección de la apnea del sueño se sitúan los costes y las largas listas de espera asociadas a la polisomnografía hospitalaria (PSG), la única prueba utilizada actualmente para identificar este tipo de problemas que padecen entre el 1 y el 5 por ciento de la población infantil. Dispuestos a sortear dichas barreras, investigadores del Grupo de Ingeniería Biomédica de la Universidad de Valladolid han creado un sistema de Inteligencia Artificial explicable capaz de diagnosticar dicho trastorno en menores utilizando únicamente dos señales fisiológicas simples: el electrocardiograma (ECG) y los niveles de saturación de oxígeno en sangre (SpO2). 

Por un lado, este sistema viene a simplificar la detección actual, basada en las 32 señales que se registran en la prueba estándar, PSG, reduciendo la complejidad que rodea a este proceso, y posibilitando "un acceso más rápido y menos invasivo al diagnóstico", ya que el menor no tendrá que acudir al hospital para realizar la prueba sino que podrá hacerlo de manera "ambulatoria", tal y como indica Clara García Vicente como líder de este proyecto. 

De hecho, el impacto preventivo ligado a esta herramienta  podría llegar a ser "transformador", en palabras de la profesional, teniendo en cuenta el gran volumen de infradiagnósticos -hasta un 90 por ciento de casos- que rodea a esta patología y el desarrollo de morbilidades neurocognitivas y cardiovasculares que puede llegar a desencadenar en los niños a largo plazo, tal y como demuestran los resultados obtenidos y publicados en la revista científica Measurement.

Más del 90% de precisión en casos severos 

Y es que, identificar a los niños afectados "de forma más temprana" resulta "fundamental para la prevención secundaria", explica la científica, ya que "permite intervenir e iniciar tratamientos efectivos antes de que las desaturaciones recurrentes, la fragmentación del sueño y la activación del sistema simpático deriven en complicaciones graves como podrían ser problemas cardiovasculares, así como déficits neurocognitivos y conductuales que condicionarían el desarrollo del menor". En otras palabras, se conseguirían evitar "daños irreversibles en el sistema cardiovascular del niño, como podría ser la hipertrofia ventricular". 

Por lo pronto, este modelo basado en IA, habría demostrado una fiabilidad alta en la detección de casos severos, "con más del 91 por ciento de precisión para identificar niños con Índice de Apnea-Hipopnea ≥ 5 e/h cuando la IA estima ≥ 10 e/h". Esta alta capacidad de acierto, explica la investigadora, permite que los niños con mayor riesgo de desarrollar comorbilidades sean derivados a tratamiento y seguimiento inmediato, deteniendo la progresión de la enfermedad de manera precoz.

Dado que la infancia es una etapa crítica de plasticidad neuronal, un hallazgo precoz también "podría evitar déficits neurocognitivos y conductuales permanentes". En concreto, restaurar la arquitectura del sueño mediante una intervención ágil, ayudaría a proteger "funciones que suelen verse afectadas por la AOS, tales como la atención, la memoria y el rendimiento escolar, evitando que estas morbilidades se cronifiquen a largo plazo", desgrana. 

Cribados masivos 

Para alcanzar dicha detección temprana, García Vicente señala como punto clave la agilización del flujo de pacientes en el entorno hospitalario. En este sentido, el modelo diseñado por su equipo permite realizar el análisis de forma automática a partir de registros nocturnos simplificados, eliminando la necesidad de que el niño pase una noche en un laboratorio de sueño especializado con personal dedicado exclusivamente a él". 

Al "tratarse de un sistema automatizado y requerir sensores mínimos" la herramienta desarrollada por la universidad "podría integrarse en protocolos de cribado masivo", derivando directamente "a tratamiento" a aquellos menores con resultados positivos claros de apnea del sueño moderada o severa, y reservando "los recursos de la PSG para casos complejos y dudosos" en aras de reducir las listas de espera hospitalarias, opmitizar recursos y utilizar el 'gold standard' solo "donde es estrictamente necesario". 

Paso "estándar" en las guías clínicas

Esta menor complejidad y espera en el acceso al diagnóstico, sumada a la "facilidad de uso" -ya que este modelo "es capaz de identificar caídas de oxígeno y analizar patrones sutiles en el ECG que reflejan la respuesta del sistema nervioso autónomo ante las apneas- podrían llevar a "aumentar de manera considerable ese 10 por ciento actual de diagnósticos confirmados", según la investigadora, pese a que todavía es pronto, matiza, para "dar una cifra exacta sin estudios de implementación clínica a gran escala". 

Aún así, los autores de este sistema confían en que, dada la robustez demostrada en bases de datos independientes -como CHAT y la Universidad de Chicago-, donde se evitaría la necesidad de realizar PSG pediátricas completas en la mitad de los casos, estos sistemas basados en IA explicable "tengan un hueco en un futuro cercano integrándose en las guías de práctica clínica como el primer paso estándar ante la sospecha de apnea infantil". 

Asistente clínico "transparente"

García Vicente habla en este punto de las ventajas que ofrece la explicabilidad del modelo como "puente de confianza y transparencia entre la tecnología y la clínica". "Tradicionalmente, la IA se veía como una 'caja negra'; sin embargo, nuestro modelo proporciona tanto explicaciones visuales como cuantitativas de los patrones cardiacos y respiratorios complementarios asociados a la severidad de la AOS en la población pediátrica". Dicho avance, explica, permitiría que el facultativo valide el juicio de la IA con su propio conocimiento médico, "transformando la herramienta de un simple algoritmo en un asistente clínico transparente y fiable y que le puede ahorrar mucho tiempo".

Así mismo, este sistema serviría para "interpretar patrones complejos en la morfología de las ondas cardiacas y patrones respiratorios, que pueden ser imperceptibles al ojo humano en un registro de 8 horas", lo cual podría proporcionar al facultativo "una base científica sólida para confiar en el diagnóstico". La investigadora destaca también la integración de técnicas XAI a la hora de mejorar la interpretabilidad clínica de los modelos, no solo al aumentar "la confianza de los médicos en esos sistemas y su comprensión de las decisiones diagnósticas", sino también posibilitando "el descubrimiento de nuevos patrones dentro de las señales de ECG que pueden ser relevantes para la afección", esgrime.