La Sociedad Española del Sueño estima que existen entre cinco y siete millones de personas que sufren apnea del sueño, y más del 80% no están diagnosticados. La Universidad Politécnica de Madrid (UPM) está investigando técnicas innovadoras de predicción del síndrome de la apnea obstructiva del sueño a partir de la voz de pacientes empleando redes neuronales. Los investigadores han desarrollado nuevos modelos que buscan excluir factores de confusión que pueden generar falsos resultados debido a la correlación entre el trastorno, la voz y las características fisiológicas del paciente. Los resultados obtenidos se sitúan en la senda de consolidar un posible test novedoso y rápido, que requiera menos recursos para la detección de este síndrome y que pueda ser incorporado a la práctica clínica.
La apnea obstructiva del sueño es un trastorno respiratorio del sueño que causa episodios recurrentes de obstrucción parcial o total a nivel de la faringe, lo que provoca la interrupción de la respiración mientras se duerme. Además de provocar somnolencia diurna, el Síndrome de la Apnea Obstructiva del Sueño (SAOS) está asociado a enfermedades cardiovasculares, afecta al metabolismo de la glucosa y provoca una mayor mortalidad e incidencia de cáncer. También aumenta la probabilidad de sufrir accidentes laborales y de tráfico, siendo entre dos y siete veces mayor el número de accidentes viales en pacientes con SAOS.
La prevalencia del SAOS es muy alta en la población adulta masculina de edades medias, siendo entre los factores de riesgo la obesidad y el envejecimiento
En esta dirección, un equipo multidisciplinar de investigadores −pertenecientes al Grupo de Aplicaciones del Procesado de Señal (GAPS) del Information Processing and Telecommunications Center de la Universidad Politécnica de Madrid (IPTC-UPM), al Hospital Quirónsalud de Málaga, a la Fundación Quironsalud y a la empresa Sigma AI Technologies− está investigando nuevos métodos de detección del SAOS. Basado en el impacto esperado de los efectos anatómicos y fisiológicos de la estructura alterada de la vía aérea superior en las voces de los pacientes que sufren este trastorno, su evaluación a partir del habla se ha propuesto como una forma sencilla de ayudar en el proceso de diagnóstico.
Como señala el documento del consenso nacional sobre el SAOS de la Sociedad Española de Neumología y Cirugía Torácica (SEPAR), en los últimos años los trastornos respiratorios del sueño, y en particular el SAOS, han ido generando un creciente interés en la sociedad en general y en la comunidad médica en particular debido al impacto negativo en la calidad de vida de las personas que lo padecen, así como por el alto porcentaje de personas no diagnosticadas. La prevalencia del SAOS es muy alta en la población adulta masculina de edades medias, siendo entre los factores de riesgo la obesidad y el envejecimiento.
La polisomnografía es el método de diagnóstico más preciso de este síndrome, pero moviliza importantes recursos clínicos, ya que supone monitorizar al paciente durante el sueño toda una noche en el hospital. Por ello es importante buscar nuevas técnicas de diagnóstico rápidas y menos costosas que ayuden principalmente a acelerar la detección de los casos severos.
Como alternativa a la polisomnografía, los especialistas se han centrado en el desarrollo de nuevas técnicas de diagnóstico rápidas y menos costosas buscando reducir las listas de espera y acelerar la detección de casos severos. Entre estas técnicas se encuentran las basadas en el análisis acústico de la señal de voz sobre la hipótesis de la existencia de patrones anómalos en el habla de pacientes con SAOS. "La específica configuración anatómica de las vías aéreas superiores junto a rasgos craneofaciales tales como oclusión dental y retracción de la mandíbula, pueden ser origen de patrones únicos en la articulación, fonación y resonancia de sonidos en estos pacientes", señala Luis Hernández Gómez, investigador del IPTC-UPM.
Siguiendo esta línea de investigación, y apoyado en sus estudios previos que se iniciaron en 2005, el equipo de Hernández Gómez ha desarrollado ahora nuevos modelos para voces de pacientes con SAOS utilizando redes neuronales profundas (deep learning). "El estudio lo hemos centrado en casos extremos, buscando excluir factores intrínsecos del paciente, como por ejemplo el índice de masa corporal. Hemos obtenido un 75% en la tasa de predicción de SAOS. Lo que supone una mejora relativa del 10% respecto a nuestros estudios anteriores", concluye Luis Hernández Gómez.