Según informó este miércoles el centro de investigación, la nueva técnica permite obtener resultados concluyentes con el análisis de dos únicas señales: la saturación de oxígeno en sangre y el flujo aéreo. Además, el registro de estos parámetros podrá hacerse en domicilio, empleando dispositivos portátiles ya disponibles en el mercado, lo que contribuirá a la accesibilidad de la prueba y permitirá evitar las demoras que conlleva el actual método de diagnóstico en unidades del sueño.

El Síndrome de Apnea-Hipopnea del Sueño (SAHS) es un trastorno respiratorio que se caracteriza por la repetición de episodios de reducción total o parcial del flujo aéreo mientras el paciente duerme. En respuesta a estos eventos respiratorios se producen diferentes cambios fisiológicos, como caídas en la saturación de oxígeno en sangre, cambios en la variabilidad del ritmo cardíaco y micro-despertares, que afectan negativamente a la salud y calidad de vida.

PRUEBA DE SUEÑO

La polisomnografía hospitalaria (conocida como prueba del sueño), que registra la actividad neuromuscular y cardiorrespiratoria durante el sueño, es el standard en el diagnóstico del SAHS. Sin embargo, presenta importantes limitaciones, al ser muy intrusiva para el paciente y por su elevada complejidad. El paciente debe dormir al menos una noche en la unidad de sueño del hospital, cuya disponibilidad es baja, limitando su efectividad como técnica única de detección. Estos motivos, unidos a la elevada prevalencia de la enfermedad, han hecho que las unidades del sueño presenten desde hace años grandes cargas de trabajo y listas de espera.

La nueva herramienta diseñada por este equipo de investigadores, liderados por Roberto Hornero y Félix del Campo, permite reducir el número de señales registradas para estimar el diagnóstico de forma fiable, empleando únicamente dos registros: la oximetría (cantidad de oxígeno en sangre) y el flujo aéreo. De esta forma, se consigue reducir sensiblemente la complejidad de la prueba, con el consiguiente beneficio para el paciente.

Para aprovechar toda la información diagnóstica presente en estas señales, los investigadores han aplicado metodologías de procesado automático de señales biomédicas y de aprendizaje computacional. Concretamente, han empleado técnicas de análisis de series temporales para parametrizar las señales respiratorias tanto en el dominio del tiempo como de la frecuencia, con especial atención a su dinámica no lineal (medidas de entropía y complejidad). Posteriormente, mediante el uso de algoritmos, construyeron el conjunto óptimo de variables que mejor caracterizaba los cambios producidos por la enfermedad en estas señales.