Análisis y estudio de ronquidos para la detección de trastronos respiratorios durante el sueño
Year: 2015
Type: dissertation
Abstract: El Síndrome de Apnea-Hipoapnea del Sueño (SAHS) es un trastorno bastante común, con\n\t\t\t\t una prevalencia del 2% al 7% de la población. Se estima que el 90% de los enfermos no\n\t\t\t\t están diagnosticados, ya que la prueba diagnóstica de Polisomnografía es cara y limitada por\n\t\t\t\t el número de camas disponibles en la Unidad del Sueño de los Hospitales. El SAHS presenta\n\t\t\t\t un alto impacto social y económico debido a la falta de un descanso adecuado durante el\n\t\t\t\t sueño que produce estados de somnolencia durante la vigilia que pueden provocar descenso\n\t\t\t\t en la productividad en el trabajo y accidentes en el manejo de maquinaria y vehículos. Así\n\t\t\t\t mismo, la situación de hipoxia durante el sueño puede inducir diversas enfermedades\n\t\t\t\t circulatorias, neurocognitivas y metabólicas en función de su severidad. Por lo tanto, el\n\t\t\t\t poder disponer de un sistema de recomendación de diagnóstico de SAHS de bajo coste,\n\t\t\t\t sencillo y que alcance a un gran porcentaje de la población sería de gran utilidad para los\n\t\t\t\t Servicios Médicos implicados en el diagnóstico y tratamiento del SAHS.\n\t\t\t\t En este Trabajo de Fin de Máster se ha propuesto un método de análisis de los sonidos\n\t\t\t\t respiratorios durante el sueño (silencio – respiración – ronquido), registrados fuera de un\n\t\t\t\t entorno controlado de laboratorio. Los registros nocturnos fueron realizados por voluntarios\n\t\t\t\t en sus domicilios, utilizando sus propios Smartphones o un grabador MP3, sin supervisión\n\t\t\t\t directa. De los registros nocturnos, se extrajeron segmentos de audio con los sonidos de\n\t\t\t\t actividad respiratoria que contuvieran poco ruido de fondo (ruidos de vehículos,\n\t\t\t\t conversaciones, cantos de pájaros, sonidos de mecanismos), siempre que fuera posible. Estos\n\t\t\t\t segmentos se dividieron a su vez en ventanas de 100 ms, que fueron clasificadas\n\t\t\t\t manualmente en tres clases: Silencio – Respiración – Ronquido. Así mismo, para cada\n\t\t\t\t ventana se extrajeron cuatro características a partir de la señal de audio: Zero Crossing Rate,\n\t\t\t\t Short Time Energy, Coeficiente de autocorrelación normalizado a 1 ms de retardo y Primer\n\t\t\t\t Coeficiente predictor de análisis LPC (Linear Prediction Coding) de 12 polos.\n\t\t\t\t Se ha diseñado un método para calcular una recomendación de diagnóstico de SAHS basado\n\t\t\t\t en las cuatro características de audio expuestas. Se han evaluado distintos métodos de\n\t\t\t\t clasificación, buscando el que mejor rendimiento ofreciera en este problema de clasificación.\n\t\t\t\t En este caso, un modelo de RandomForest aplicado a las características extraídas de la señal\n\t\t\t\t de audio de los registros nocturnos proporciona una clasificación correcta del diagnóstico\n\t\t\t\t SAHS / No-SAHS del 97.33%, con una sensibilidad del 0.973, una especificidad de 0.973 y\n\t\t\t\t una AUC (área bajo la curva ROC) de 0.996.\n\t\t\t\t Así mismo, las características de audio registradas permiten una clasificación on-line de los\n\t\t\t\t eventos respiratorios, ya sean Respiración/Silencio/Ronquido, o No-ronquido/Ronquido. En\n\t\t\t\t ambos casos, el modelo de clasificación con mejor rendimiento de los evaluados es\n\t\t\t\t RandomForest. La clasificación correcta de Respiración/Silencio/ronquido se produce con\n\t\t\t\t un 85.26% de éxito, con una sensibilidad de 0.853, una especificidad de 0.892 y una AUC\n\t\t\t\t de 0.944. La clasificación correcta en Ronquido/No-ronquido se produce con un 92.84% de\n\t\t\t\t éxito, una sensibilidad de 0.928, una especificidad de 0.859 y AUC de 0.959.\n\t\t\t\t Adicionalmente, se ha comprobado que la incorporación de datos biométricos de los\n\t\t\t\t voluntarios recogidos mediante formularios STOP-BANG al modelo de clasificación mejora\n\t\t\t\t los resultados. En la clasificación de eventos respiratorios Respiración/Silencio/Ronquido se\n\t\t\t\t obtiene un 87.09% de éxito con una sensibilidad de 0.871, una especificidad de 0.903 y AUC\n\t\t\t\t de 0.953 al añadir el peso, altura y edad del voluntario. En la clasificación de eventos Noronquido/\n\t\t\t\t Ronquido, se mejora la clasificación con RandomForest hasta un 93.54% de éxito,\n\t\t\t\t con especificidad de 0.935, sensibilidad de 0.867 y AUC de 0.962 al añadir también peso,\n\t\t\t\t altura y edad. Respecto a la clasificación de diagnóstico SAHS/No-SAHS, usando\n\t\t\t\t RandomForest de obtiene un 97.95% de éxito, con sensibilidad de 0.98, especificidad de\n\t\t\t\t 0.979 y AUC de 0.997 al añadir el género del paciente. Debido al bajo número de voluntarios\n\t\t\t\t (7), no se pudieron evaluar todos los datos biométricos recogidos, por lo que habrá que seguir\n\t\t\t\t estudiando su aporte en futuros trabajos cuando se disponga de una población de\n\t\t\t\t experimentación mayor.\n\t\t\t\t Los resultados de diagnóstico de SAHS constituyen un primer paso para el desarrollo futuro\n\t\t\t\t de una aplicación de Smartphone que puede ser distribuida como una herramienta de cribado\n\t\t\t\t entre la población, de manera que analice los sonidos respiratorios durante el sueño y realice\n\t\t\t\t una recomendación de visita al médico especialista si se calcula una alta probabilidad de\n\t\t\t\t sufrir SAHS.\n\t\t\t\t Los resultados de la clasificación de eventos respiratorios abren la puerta a desarrollar\n\t\t\t\t sistemas que estimulen al usuario cuando ronca para intentar evitar que se produzca este\n\t\t\t\t hecho. Algunos tipos de apneas son posicionales (se ronca en posición supino), por lo que\n\t\t\t\t se podría estimular al paciente cuando ronca para que realizara un cambio de postura a una\n\t\t\t\t lateral o prono. Actualmente se realiza con métodos físicos, como por ejemplo, colocando\n\t\t\t\t pelotas de tenis cosidas a lo largo de la espalda en una camiseta y poniéndosela para dormir,\n\t\t\t\t pero es rechazada por un elevado número de pacientes por ser incómoda. En las apneas\n\t\t\t\t posicionales se podría llegar a eliminar totalmente el problema manteniendo la postura\n\t\t\t\t adecuada.\n\t\t\t\t Todos los datos recogidos y generados a lo largo de este TFM, se incorporaron a una base\n\t\t\t\t de datos relacional diseñada exprofeso. El motor de base de datos elegido es PostgreSQL\n\t\t\t\t 9.4. Se decidió crear una base de datos con los siguientes objetivos:\n\t\t\t\t • Almacenamiento de los datos y resultados de una forma estructurada\n\t\t\t\t • Automatización de la entrada de datos y su validación\n\t\t\t\t • Posibilitar la carga de datos desde la futura aplicación que se desarrolle para\n\t\t\t\t dispositivos móviles\n\t\t\t\t • Acceso concurrente a los datos por distintos investigadores\n\t\t\t\t • Facilitar el manejo de los datos y su extracción para la realización de análisis\n\t\t\t\t • Facilitar la incorporación de nuevos métodos de análisis de la señal de audio y nuevos\n\t\t\t\t atributos o características en el futuro\n\t\t\t\t • Posibilidad de escalado del sistema en el futuro\n\t\t\t\t • Facilitar la copia de seguridad de los datos\n\t\t\t\t • Controlar los privilegios de acceso a los datos, así como disponer de una auditoria de\n\t\t\t\t accesos, para cumplir con los requisitos de la LOPD en cuanto a tratamiento de datos\n\t\t\t\t de carácter personal.\n\t\t\t\t Se ha implementado la infraestructura necesaria para que todas las herramientas utilizadas\n\t\t\t\t en el análisis, transformación y clasificación de los datos obtenidos puedan acceder\n\t\t\t\t directamente a la base de datos. Se han desarrollado varios módulos para automatizar los\n\t\t\t\t procesos de análisis y transformación de los datos en Matlab®. Para el análisis de los datos\n\t\t\t\t se ha utilizado la herramienta WEKA.\n\t\t\t\t Por último, para la validación de los métodos y resultados obtenidos para su aplicación\n\t\t\t\t clínica, y la generación automática de patrones de entrenamiento, se han iniciado contactos\n\t\t\t\t con diversos hospitales de la Comunidad de Madrid.
Author: Rodríguez González, Francisco
Language: Spanish
Subfield: Physiology (medical)
Field: Medicine
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W7017142439
