Desarrollo de una herramienta de detección mínimamente invasiva para identificar a la población pediátrica obesa en riesgo de síndrome de apnea/hipopnea obstructiva del sueño
Autores: Calderón, José Miguel; Álvarez-Pitti, Julio; Cuenca, Irene; Ponce, Francisco; Redon, Pau
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Desarrollo de una herramienta de detección mínimamente invasiva para identificar a la población pediátrica obesa en riesgo de síndrome de apnea/hipopnea obstructiva del sueño
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Síndrome de apnea obstructiva del sueño
Población pediátrica
Polisomnografía
Algoritmos de aprendizaje supervisado
Regresión logística
Herramienta de detección
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
El síndrome de apnea obstructiva del sueño es una reducción del flujo de aire durante el sueño que no solo produce una disminución en la calidad del sueño, sino que también tiene importantes consecuencias para la salud. La prevalencia en la población pediátrica obesa puede superar el 50%, y la polisomnografía es el método estándar actual para su diagnóstico. Desafortunadamente, es costoso, perturbador y consume mucho tiempo para los profesionales experimentados. El objetivo es desarrollar una herramienta de detección amigable para el paciente en la población pediátrica obesa para identificar a aquellos niños con mayor riesgo de padecer este síndrome. Tres algoritmos de clasificación de aprendizaje supervisado (es decir, regresión logística, máquina de vectores de soporte y AdaBoost) comunes en el campo del aprendizaje automático fueron entrenados y probados en dos conjuntos de datos muy diferentes donde se registró la señal cruda de saturación de oxígeno. El rendimiento de cada algoritmo fue evaluado en función de indicadores clave de rendimiento (por ejemplo, área bajo la curva, precisión, sensibilidad, especificidad y valor predictivo positivo). El algoritmo de regresión logística superó (precisión = 0.79, especificidad = 0.96, área bajo la curva = 0.9, sensibilidad = 0.62 y valor predictivo positivo = 0.94) a la máquina de vectores de soporte y al algoritmo AdaBoost cuando se entrenaron con los conjuntos de datos CHAT. Las pruebas de validación cruzada, utilizando el conjunto de datos del Hospital General de Valencia (HG), confirmaron el mayor rendimiento del algoritmo de regresión logística en comparación con los demás. Además, solo se observó una pérdida mínima de rendimiento (precisión = 0.75, especificidad = 0.88, área bajo la curva = 0.85, sensibilidad = 0.62 y valor predictivo positivo = 0.83) a pesar de las diferencias entre los conjuntos de datos. La herramienta de detección mínimamente invasiva propuesta ha mostrado un rendimiento prometedor en la identificación de niños en riesgo de padecer el síndrome de apnea obstructiva del sueño. Además, es ideal para ser implementada en una consulta ambulatoria en atención primaria y secundaria.
Descripción
El síndrome de apnea obstructiva del sueño es una reducción del flujo de aire durante el sueño que no solo produce una disminución en la calidad del sueño, sino que también tiene importantes consecuencias para la salud. La prevalencia en la población pediátrica obesa puede superar el 50%, y la polisomnografía es el método estándar actual para su diagnóstico. Desafortunadamente, es costoso, perturbador y consume mucho tiempo para los profesionales experimentados. El objetivo es desarrollar una herramienta de detección amigable para el paciente en la población pediátrica obesa para identificar a aquellos niños con mayor riesgo de padecer este síndrome. Tres algoritmos de clasificación de aprendizaje supervisado (es decir, regresión logística, máquina de vectores de soporte y AdaBoost) comunes en el campo del aprendizaje automático fueron entrenados y probados en dos conjuntos de datos muy diferentes donde se registró la señal cruda de saturación de oxígeno. El rendimiento de cada algoritmo fue evaluado en función de indicadores clave de rendimiento (por ejemplo, área bajo la curva, precisión, sensibilidad, especificidad y valor predictivo positivo). El algoritmo de regresión logística superó (precisión = 0.79, especificidad = 0.96, área bajo la curva = 0.9, sensibilidad = 0.62 y valor predictivo positivo = 0.94) a la máquina de vectores de soporte y al algoritmo AdaBoost cuando se entrenaron con los conjuntos de datos CHAT. Las pruebas de validación cruzada, utilizando el conjunto de datos del Hospital General de Valencia (HG), confirmaron el mayor rendimiento del algoritmo de regresión logística en comparación con los demás. Además, solo se observó una pérdida mínima de rendimiento (precisión = 0.75, especificidad = 0.88, área bajo la curva = 0.85, sensibilidad = 0.62 y valor predictivo positivo = 0.83) a pesar de las diferencias entre los conjuntos de datos. La herramienta de detección mínimamente invasiva propuesta ha mostrado un rendimiento prometedor en la identificación de niños en riesgo de padecer el síndrome de apnea obstructiva del sueño. Además, es ideal para ser implementada en una consulta ambulatoria en atención primaria y secundaria.