Innovation in Respiratory Diseases
More infoLos avances en la medicina del sueño han impulsado mejoras significativas en el diagnóstico y tratamiento de trastornos del sueño como la apnea obstructiva del sueño (AOS). Este trastorno afecta a mil millones de personas en todo el mundo, y tradicionalmente el diagnóstico se basa en la polisomnografía (PSG), un método laborioso que requiere personal especializado. Sin embargo, la integración de la inteligencia artificial (IA) en la medicina del sueño ha permitido automatizar el análisis de las fases del sueño y de los eventos respiratorios con alta precisión.
Los algoritmos de aprendizaje automático y las redes neuronales han demostrado ser efectivos en la codificación automática del sueño, con tasas de acierto comparables a las de los expertos humanos. Estos avances permiten mejorar la eficacia de los laboratorios del sueño y personalizar el tratamiento de la AOS. Además, técnicas como el análisis de clústeres se utilizan para identificar patrones sintomáticos y fenotipos, lo que mejora la comprensión de la fisiopatología de la AOS y optimiza el tratamiento con CPAP.
Sin embargo, la implementación de la IA en los hospitales se enfrenta a barreras tecnológicas, éticas y legales. Los desafíos incluyen la calidad de los datos, la privacidad del paciente y la necesidad de personal especializado. A pesar de estos obstáculos, la IA y el Big Data tienen el potencial de transformar la atención médica de los trastornos del sueño, mejorando tanto el diagnóstico como la adherencia al tratamiento, siempre que se superen las barreras regulatorias y culturales.
Advances in sleep medicine have driven significant improvements in the diagnosis and treatment of sleep disorders such as obstructive sleep apnea (OSA). This disorder affects one billion people worldwide and traditionally, diagnosis is based on polysomnography (PSG), a laborious method that requires specialized personnel. However, the integration of artificial intelligence (AI) in sleep medicine has made it possible to automate the analysis of sleep phases and respiratory events with high accuracy.
Machine learning algorithms and neural networks have proven to be effective in automatic sleep coding, with hit rates comparable to those of human experts. These advances make it possible to improve the efficiency of sleep labs and to personalize OSA treatment. In addition, techniques such as cluster analysis are used to identify symptomatic patterns and phenotypes, which improves understanding of OSA pathophysiology and optimizes CPAP treatment.
However, implementation of AI in hospitals faces technological, ethical, and legal barriers. Challenges include data quality, patient privacy, and the need for specialized personnel. Despite these obstacles, AI and Big Data have the potential to transform medical care for sleep disorders, improving both diagnosis and treatment adherence, provided regulatory and cultural barriers are overcome.
La innovación se define como el proceso de aportar nuevas ideas, métodos, productos, servicios o soluciones que tengan un impacto positivo y un valor significativo. Cuando aplicamos este concepto a la innovación sanitaria, el proceso se realiza con el objetivo de mejorar la prestación de asistencia sanitaria, los resultados para los pacientes y la eficiencia general dentro del sector sanitario.
Aproximadamente mil millones de personas en todo el mundo padecen apnea obstructiva del sueño (AOS), una enfermedad caracterizada por hipoxia intermitente debida a la obstrucción de las vías respiratorias superiores durante el sueño; de ellas, 400 millones presentan una AOS moderada-grave1.
En la medicina del sueño, desde sus inicios se han buscado métodos que nos permitan encontrar un sistema automatizado de análisis del sueño, ya que el gold standard en el diagnóstico continúa siendo la polisomnografía (PSG), una prueba laboriosa que requiere personal especializado para su realización e interpretación y no está al alcance de todos los centros2.
El papel de las técnicas de inteligencia artificial (IA) se ha estudiado en distintos aspectos de la medicina, como el diagnóstico, la estratificación del riesgo, la respuesta al tratamiento y la gestión personalizada3. Es por ello que centraremos nuestra revisión en cómo la IA nos puede ayudar en el diagnóstico y el seguimiento de nuestros pacientes con AOS sin olvidar las barreras de las que disponemos en la actualidad para su plena implementación en los hospitales de nuestro territorio.
DiagnósticoLa rápida expansión de la IA en el sueño queda patente en la búsqueda en Pubmed de «Artificial Intelligence» y «polysomnogram», que muestra más de 644 artículos, 390 de ellos (60,5%) publicados en los últimos 5años.
Como ya se ha comentado previamente, el diagnóstico mediante PSG requiere de un análisis manual exhaustivo para su codificación, por lo que se han desarrollado sistemas basados en la IA para el análisis automático con bastante precisión4. En la actualidad se utilizan para la estadificación del sueño, la codificación de eventos respiratorios, la caracterización del insomnio, la predicción del ritmo circadiano a partir de la expresión génica y el fenotipado de la AOS5. De hecho, la Food and Drug Administration (FDA) ha aprobado varios softwares de codificación automática en los últimos años, como Somnolyzer® (Philips Respironics, Murrysville, PA, EE.UU.) o Noxturnal Software System® (Nox Medical Global, Reykiavik, Islandia).
La mayoría de los dispositivos simplificados que están disponibles en el mercado integran la IA para codificación automática mediante técnicas de aprendizaje automático o Machine Learning (ML). El ML es una disciplina dentro de la IA que proporciona a las computadoras la capacidad de aprender mediante el uso de datos, sin ser programadas de un modo explícito. La manera de aprender de las máquinas va a estar estructurada de tres formas distintas: aprendizaje supervisado (para problemas de clasificación y regresión), no supervisado (clustering) y por refuerzo. Los métodos de ML con aprendizaje supervisado van a requerir que los datos estén etiquetados para entrenar los modelos de predicción.
En general, muchas de las publicaciones sobre la clasificación del sueño mediante IA han utilizado redes neuronales convolucionales (convolutional neural networks [CNN]) o recurrentes, o una combinación de ambas6.
Las redes neuronales son un tipo de ML que intenta imitar el comportamiento de las neuronas en el cerebro. La ventaja principal de las redes neuronales es que aprenden solas y no se ven influenciadas por el conocimiento humano, pero, por el contrario, necesitan elevadas cantidades de datos para su entrenamiento. En este sentido, las CNN han aumentado su popularidad en los últimos años debido a que requieren un mínimo preprocesado y se adaptan bien a datos de series temporales, como las señales de la PSG7.
Uno de los primeros estudios en utilizar redes neuronales fue descrito por Schaltenbrand et al.8 en 1996. En este estudio, la puntuación automática de 61.949 épocas correspondientes a 60 sujetos, mediante un modelo de red neuronal, mostró un nivel de acuerdo comparable al de los expertos humanos, con un 82,3% de concordancia entre el modelo y los expertos, y un 87,5% de concordancia entre los propios expertos. Esta precisión mejoró hasta el 90% cuando se introdujo la supervisión de expertos para las épocas desconocidas o ambiguas.
En los últimos años, las redes neuronales se han usado en la codificación de la estadificación del sueño en pacientes con AOS, epilepsia, respiración de Cheyne-Stokes o en la enfermedad de Parkinson9,10. Algunos de los estudios se han centrado en el análisis de los husos de sueño y el análisis espectral de las fases del sueño para su estadificación y otros se han enfocado en la integración de eventos cardiorrespiratorios para diagnosticar trastornos respiratorios asociados al sueño o en la señal del ronquido11,12.
En la tabla 1 se exponen los estudios más recientes en los que se han usado algoritmos de ML para la codificación de las fases del sueño y de la parte respiratoria.
Principales características y resultados de los estudios más recientes que han utilizado técnicas de ML en el diagnóstico de la AOS
| Estudio | Año | Características | Algoritmo ML | Precisión |
|---|---|---|---|---|
| Mosquera-López et al.13 | 2019 | Sensores de presión en la cama | AD y regresión lineal | 0,743 |
| Wang et al.14 | 2019 | Intervalo RR de ECG de una derivación | LeNet-5, MLP-NN, KNN, RL, SVM | 0,941 |
| Chang et al.15 | 2020 | Saturación, ECG y acelerómetro torácico | LSTM-NN | 0,893 |
| Ma et al.16 | 2020 | Saturación arterial oxígeno | SVM | 0,941 |
| Chang et al.17 | 2020 | ECG de una derivación | Deep CNN | 0,847 |
| Álvarez et al.18 | 2020 | Análisis de oximetría, registros de flujo | Regresión, SVM | 0,958 |
| Hajipour et al.19 | 2020 | Sonidos respiratorios traqueales diurnos | RF | 0,793 |
| Li et al.20 | 2020 | Múltiples bioseñales | SVM con Linear kernel | 0,952 |
| Mashrur et al.21 | 2021 | ECG de una derivación | CNN | 0,944 |
| Bricout et al.22 | 2021 | PSG | Boosted tree | 0,89 |
| Kuan et al.23 | 2022 | Edad, sexo e índice de masa corporal | RL y Redes neuronales | 0,763 y 0,764 |
| Park P et al.24 | 2023 | Variabilidad de la frecuencia cardiaca, edad, sexo e índice de masa corporal | RL, RF, SVM y TW-MLP | 0.72 |
AD: árboles de decisión; CNN: convolutional neural network; KNN: K-nearest neighbor; LR: regresión logística; LSTM-NN: long short-term memory-Neural Network; MLP-NN: multilayer perceptron neural network; RF: Random Forest; SVM: Support Vector Machine; TW-MLP: Time window-Multilayer perceptron.
Actualmente hay una clara evidencia de que el índice de apneas no refleja todas las características de la AOS, ni su etiología (endotipo) ni sus características clínicas (fenotipo)25. Los hallazgos más característicos de la PSG, junto con los datos clínicos, se han utilizado para estimar la colapsabilidad de la vía aérea superior y el umbral de despertar usando modelos asistidos mediante IA26. La determinación del endotipo de la AOS mediante PSG se considera cada vez más importante en nuestro campo, y existe un interés creciente por hacer que los algoritmos de determinación del endotipo de la AOS sean accesibles, baratos y, en última instancia, escalables27,28.
En este sentido, los métodos de aprendizaje no supervisado, como el análisis de clústeres, se centran en descubrir patrones emergentes dentro de los datos, agrupando a los sujetos en categorías homogéneas en base a asociaciones únicas entre las características de los sujetos. Esto se consigue evaluando la similitud (o disimilitud) entre los sujetos mediante métricas como la correlación o la distancia, basadas en los rasgos utilizados para caracterizar a cada individuo. Lo ideal es que los miembros de cada clúster sean lo más parecidos posible entre sí y lo más diferentes posible de los de otros clústeres.
Debido a la heterogeneidad de la AOS, el análisis de clústeres se ha aplicado a la sintomatología de los pacientes, características de la PSG o respuesta al tratamiento con presión continua positiva sobre la vía aérea (CPAP)29. Un resumen de los principales estudios se puede consultar en la tabla 2.
Principales características y resultados de los estudios más recientes que han utilizado técnicas de aprendizaje no supervisado en la caracterización de la AOS
| Estudio/año | Rasgo fenotípico | Clústeres | Algoritmo ML |
|---|---|---|---|
| Nakayama et al.30, 2019 | PSG, duración media de los eventos, saturación de oxígeno mínima, ratio de despertares e IAH | 1. AOS hipersevero, hipoxémico, obeso2. AOS severo, no hipoxémico, duración prolongada de los eventos, no obeso3. AOS severo, duración corta evento, sobrepeso, apnea central | Clúster jerárquico y K-means |
| Mazzoti et al.31, 2019 | Síntomas, Epworth | 1. Sueño alterado, síntomas insomnio2. Mínimo sintomático3. Excesiva somnolencia: sueño al conducir4. Moderada somnolencia: roncador, siesta | Latent Class Analysis |
| Jaffuel et al.32, 2020 | Edad, sexo, índice de masa corporal, poligrafía respiratoria o PSG, IAH obstructivo, IAH central, uso previo de CPAP, tratamiento con servoventilación, cardiopatía y reducción fracción eyección ventrículo izquierdo | 1. Cluster 1: hombres, tratamiento previo con CPAP, cardiopatía, obesidad2. Cluster 2: hombres, no tratamiento previo con CPAP, sobrepeso, predominio apnea central, cardiopatía3. Cluster 3: hombres, obesidad, jóvenes, predominio apnea central4. Cluster 4: mujeres, tratamiento previo con CPAP, obesidad, edad avanzada5. Cluster 5: hombres, predominio apnea obstructiva, fracción eyección reducida, cardiopatía y edad <70 años | K-means |
| Chen et al.33, 2023 | TAC vía aérea superior, PSG, IAH | 1. IAH alterado2. IAH no empeorado | Clúster automático (Schwarz's Bayesian) |
El primer estudio en ese sentido fue realizado por Ye et al.34, quienes en la Cohorte Islandesa de Apnea del Sueño de 822 pacientes (predominantemente hombres) identificaron tres grupos de pacientes, lo que confirmó que la somnolencia abarcaba solo una parte del espectro sintomático de la AOS. El grupo «Excesivamente somnoliento» (prevalencia del 42%), con puntuaciones más altas en la escala de somnolencia de Epworth, dormirse de manera involuntaria y conducir con somnolencia, coincidía con el grupo «AOS clásica» y comprendía a los pacientes más jóvenes. Otros grupos se etiquetaron como «Sueño alterado» (33%), caracterizado predominantemente por síntomas relacionados con el insomnio, sueño agitado y despertares con ahogo (choking), y «Mínimamente sintomático» (25%), compuesto por los pacientes de más edad y los más reparados al despertar, con ronquidos molestos para el cónyuge y episodios de apnea nocturna como síntomas más frecuentes.
Otros autores, como Mazzotti et al.31 y Kim et al.35, detectaron grupos similares en poblaciones con AOS, con diferencias en la prevalencia que probablemente reflejen una mayor frecuencia de pacientes menos sintomáticos en estas muestras. Es importante incluir a este tipo de pacientes en los estudios, ya que los poco sintomáticos tardan más en diagnosticarse. Los síntomas en estos grupos no coinciden con el índice de apnea-hipopnea (IAH), y el Epworth solo captura una parte del espectro de los fenotipos. Además, según Mazzoti et al.31, es importante tener en cuenta las diferentes consecuencias cardiovasculares en función del clúster al que se pertenece.
TratamientoEl tratamiento eficaz de la AOS es un objetivo crucial debido a su impacto en la calidad de vida y a las conocidas consecuencias cardiovasculares y neurocognitivas de la enfermedad.
Dentro del abanico de posibles tratamientos de la AOS se encuentra la CPAP, que constituye un tratamiento eficaz para reducir la gravedad de la AOS, y continúa siendo el tratamiento de elección en muchos de estos pacientes36.
Con el fin de alcanzar los objetivos del tratamiento es fundamental el ajuste adecuado de la presión y el control del cumplimiento del tratamiento con CPAP, ya que su efectividad va a depender de la correcta adhesión al mismo2.
En general, el no cumplimiento del tratamiento con CPAP es elevado (29%-83%) en los pacientes con AOS37. La IA puede mejorar la tasa de éxito global del tratamiento de la AOS mediante la elección del tratamiento más eficaz para cada paciente38 mediante algoritmos de ML que permiten el análisis de características genéticas de los pacientes con AOS39 o el uso de biomarcadores relacionados con la gravedad de la enfermedad40. La IA puede ayudar a predecir el cumplimiento del tratamiento con CPAP en pacientes con AOS y alertar a los médicos para que realicen intervenciones tempranas utilizando técnicas de ML con sistemas de monitorización inteligente41.
Un estudio analizó las tendencias de adhesión a la CPAP durante 20años y descubrió que la tasa de no adhesión se situaba en torno al 34%42, pero esta revisión data del 2016, donde la telemonitorización no estaba tan disponible como en la actualidad, ya que su implantación ha supuesto un cambio en el manejo de los pacientes con AOS, como veremos más adelante, mediante técnicas de análisis de los datos con Big Data.
Babbin et al.43 emplearon datos longitudinales de uso de CPAP para identificar patrones de adherencia mediante el análisis de series temporales individuales combinado con el clustering. Entre 161 pacientes con IAH ≥5 tratados con CPAP en un ensayo clínico, los investigadores identificaron cuatro subgrupos de adhesión: «Grandes usuarios», «Buenos usuarios», «Usuarios bajos» y «Declinadores lentos».
Si tenemos en cuenta un análisis no supervisado en relación con el tratamiento con CPAP, Gagnadoux et al.44 describieron cinco grupos, que incluían una «AOS femenina» caracterizada por el insomnio, una «AOS leve sintomática» con poca somnolencia, pero con síntomas nocturnos y de insomnio, y una «AOS comórbida» formada por pacientes de edad avanzada. Estos tres grupos presentaron tasas significativamente más bajas de éxito de la CPAP (OR: 0,36-0,66) que los pacientes del grupo de «AOS grave», más jóvenes y con mayor somnolencia (Epworth>10).
En nuestro país, en una población de 72.217 pacientes tratados con CPAP, utilizando 30 diagnósticos de una base de datos administrativa, Turino et al.45 identificaron seis clústeres de comorbilidad. Se detectó un subgrupo de pacientes con asma, predominantemente femenino, que presentaban tasas de hospitalización más elevadas que los grupos con comorbilidades mínimas o musculoesqueléticas. Además, un grupo con cáncer y otro con enfermedades cardiovasculares (por ejemplo, insuficiencia cardiaca, ictus), ambos de mayor edad y con asociaciones previamente descritas con la hipoxemia en la AOS46, presentaban las tasas más elevadas de mortalidad y de uso de recursos sanitarios.
Otras aplicaciones de la IA en el sueñoUn uso importante de la IA más allá del diagnóstico y del tratamiento de trastornos del sueño es su aplicación en la salud de la población, haciendo hincapié en la relación entre el sueño alterado y la morbimortalidad. De ahí que se hayan desarrollado aplicaciones basadas en la IA en el campo de la hipersomnia diurna asociada a narcolepsia, insomnio, trastornos del ritmo circadiano, trastornos de conducta del sueño o trastornos del movimiento durante el sueño47.
La IA también confiere la capacidad de realizar investigaciones escalables, como ponen de manifiesto los más de 11 millones de noches de actividad de los dispositivos portátiles (relojes inteligentes como el Sony SmartBand (el SmartBand Talk [SWR30] y el SmartBand 2 [SWR12]) que caracterizan la duración del sueño y los datos de sincronización por edad y sexo48. Recientemente la FDA también ha aprobado los relojes Samsung Galaxy y el Apple Watch Series10 para el cribado de la apnea del sueño. Otro wearable disponible para el diagnóstico es AcuPebble SA100, que ha demostrado su validez para el diagnóstico de AOS frente a la poligrafía respiratoria49.
Los algoritmos de IA por sí solos no permitirán definir por completo el papel del sueño en la salud y la enfermedad, por lo que es probable que se requiera un enfoque combinado de análisis avanzados, sensores innovadores y mediciones del sueño tanto dentro como fuera del laboratorio.
El proyecto Sleep and Obstructive Sleep Apnoea Monitoring with Non-Invasive Applications (SOMNIA) contribuye a este objetivo, ya que, además de registrar las señales habituales, se registran simultáneamente sensores que no se suelen monitorizar como parte de la PSG, como la monitorización de la presión supraesternal, la electromiografía multielectrodo del diafragma, la acelerometría y la fotopletismografía óptica llevadas en la muñeca y los sensores integrados en el colchón. Por lo tanto, además de proporcionar una fuente de datos que puede ser analizada con algoritmos de aprendizaje automático para proporcionar nuevos conocimientos a partir de los datos típicamente registrados en la PSG, los nuevos sensores pueden demostrar su utilidad, y algunos son incluso adaptables para uso ambulatorio49.
Nos quedaría hacer un apunte sobre el Big Data y su relación con el sueño50. Disponemos de un acúmulo de información que proviene de registros clínicos hospitalarios, de dispositivos wearables de los pacientes, así como de medidas objetivas del tratamiento con CPAP en pacientes que están telemonitorizados51. El Big Data se describe habitualmente con las 5V de Volumen, Velocidad, Variedad, Veracidad y Valor, en referencia a la cantidad masiva de datos, su velocidad de adquisición, la diversidad y heterogeneidad de las fuentes de datos, pero con incertidumbre en cuanto a la calidad de los datos y el potencial de valorización.
Un estudio real de adhesión a la CPAP a corto plazo de 2,6 millones de pacientes, utilizando técnicas de Big Data, informó que el 75% de los pacientes cumplían la definición de adhesión del Centro de Servicios de Medicare y Medicaid de Estados Unidos a los 3meses, con una mediana de uso de CPAP de 5,1horas por noche52.
Barreras para la implantación de la IAPodemos dividir las barreras en tecnológicas, de los datos y sesgos, regulatorias, recursos humanos, educación y cultura53.
- •
Tecnológicas. Aunque ya se ha comentado que las redes neurales son útiles en la medicina del sueño, no hay que olvidar el concepto caja negra de los algoritmos que se utilizan, ya que en muchas ocasiones no queda claro su método de aprendizaje. Tener que trabajar con enormes cantidades de datos implica acceso rápido a los datos, en diferentes formatos y con errores e imperfecciones, y todo en un entorno seguro exento de ataques de terceros, por lo que será importante trabajar con infraestructuras que nos prevengan de ciberataques.
- •
Datos y sesgos. Tener que trabajar y compartir datos médicos ha de generar la confianza en el entorno sanitario para ser capaz de superar la resistencia a unir fuerzas. En cuanto a los sesgos en nuestras bases de datos, la mayoría de los algoritmos han sido creados con elevadas prevalencias de AOS. Lo ideal para comprobar que los modelos funcionan sería probarlos con poblaciones con baja prevalencia de AOS.
- •
Reto legal y ético. Este es un reto relacionado con la protección de datos personales que requiere soluciones que garanticen la seguridad. Lo más importante es la privacidad del paciente, por lo que se ha propuesto utilizar datos abiertos anonimizados para evitar identificar de manera personal a los pacientes. En ese sentido, en Europa disponemos del Reglamento de IA de la Unión Europea54, también conocido como Ley de Inteligencia Artificial, que fue aprobada en mayo de 2024. En Estados Unidos no existe actualmente una regulación federal específica para la IA comparable a la europea. Sin embargo, hay varias iniciativas en desarrollo y regulaciones en áreas relacionadas con el uso ético y seguro de la IA. En un futuro inmediato será muy importante trasladar el debate sobre la ética en IA a todos los implicados (pacientes, usuarios, administraciones…).
- •
Recursos humanos. Se necesita personal para desarrollar y mantener los sistemas de IA, así como personal experto que sea capaz de formar y educar a la población en estos temas55.
- •
Educación y cultura. Se necesitaría implementar educación en IA en el currículo de las facultades de Medicina. La IA nos aboca a un cambio en nuestra cultura médica, en que la relación médico-paciente no puede verse sustituida por un algoritmo, que carece de compasión y de empatía56.
Uno de los mayores retos es crear grandes conjuntos de datos de entrenamiento con una calidad óptima, pero la limitación para ellos reside en el acceso a la información, que es imprescindible para que estos sistemas funcionen correctamente, así como la protección de nuestros datos de ciberataques de terceros.
Con múltiples empresas comerciales que desarrollan algoritmos aprobados por la FDA, existe la necesidad de estandarizar los algoritmos comerciales mediante la certificación por parte de un organismo regulador acreditado y personal entrenado que sea capaz de valorar el algoritmo desde todas las perspectivas. Aunque la aprobación de la FDA garantiza la seguridad de uso de los algoritmos, no asegura su validez clínica. Un punto por destacar es la explicabilidad de los algoritmos, que deben ser entendibles y reproducibles, por lo que en la actualidad se trabaja en ese sentido en los modelos llamados de «caja blanca» que puedan ser comprendidos por todos los usuarios57.
Existe una necesidad acuciante de ensayos de investigación a mayor escala que puedan corroborar las medidas generadas por algoritmos automáticos con resultados clínicamente significativos58.
Es necesario integrar los datos obtenidos a través de la tecnología «ómica» (transcriptómica, proteómica, metabolómica) con los datos sanitarios y demográficos tradicionales y los datos derivados de la polisomnografía59.
Además, dado que muchos programas requieren subir los datos del sueño a servidores externos, es necesario garantizar la seguridad de la información sanitaria protegida. Las cuestiones relativas a los sesgos y a las disparidades sanitarias requieren una evaluación continua para evitar desigualdades60.
ConclusionesLa IA ha revolucionado el campo de la medicina del sueño, particularmente en el diagnóstico y el tratamiento de la AOS. La aplicación de técnicas como el ML y las redes neuronales ha permitido avances significativos en la automatización del análisis del sueño, reduciendo la dependencia de la intervención humana y mejorando la eficiencia diagnóstica.
Los estudios recientes demuestran que la telemonitorización y el análisis de grandes volúmenes de datos han mejorado la adhesión al tratamiento con CPAP. La IA, además, se ha utilizado con éxito para identificar patrones de adhesión y predecir qué pacientes pueden tener dificultades para seguir el tratamiento, lo que permite intervenciones tempranas para mejorar los resultados.
A pesar de los avances, persisten barreras significativas para la plena implementación de la IA en el campo del sueño. Estas incluyen retos tecnológicos, problemas de datos y sesgos, consideraciones legales y éticas, y la falta de personal capacitado. Además, la heterogeneidad de la AOS dificulta la creación de algoritmos completamente eficaces que puedan aplicarse de forma generalizada.
Para maximizar el potencial de la IA en el tratamiento de los trastornos del sueño será esencial integrar datos de diversas fuentes, junto con datos tradicionales de salud. Además, se requiere una mayor estandarización de los algoritmos utilizados para garantizar su validez clínica y su seguridad en la práctica real.
FinanciaciónLa presente investigación no ha recibido ayudas específicas provenientes de agencias del sector público, sector comercial o entidades sin ánimo de lucro.
Contribuciones de los autoresLaura Vigil se ha encargado de la redacción del texto y ha realizado la preparación del manuscrito para su publicación.
Toni Zapata y Andrea Grau se han encargado de realización de las tablas del manuscrito.
Marta Bonet, Montserrat Montaña y María Piñar han realizado la búsqueda bibliográfica del manuscrito con la supervisión de Laura Vigil.
Todos los autores han leído la versión que se presenta y han dado su aprobación definitiva.
Conflictos de interesesLos autores declaran no tener conflictos de intereses.
