Clasificación automática del sueño con IA: el potencial del EEG portátil

Los trastornos del sueño se han convertido en una preocupación global urgente que afecta a millones de personas con condiciones como el insomnio y la apnea obstructiva del sueño (AOS). Esta publicación explora los avances en el registro automático del sueño, una innovación impulsada por la IA que está revolucionando la salud del sueño. Al combinar dispositivos portátiles con el aprendizaje profundo (deep learning), esta tecnología ofrece soluciones accesibles y en tiempo real para el análisis del sueño. Desde la potenciación de la salud personal hasta la mejora de la telemedicina, descubre cómo la clasificación automática del sueño está dando forma al futuro de la medicina del sueño. 

Comprendiendo la importancia y los desafíos del sueño 

En el mundo acelerado de hoy, el sueño suele relegarse frente a las responsabilidades diarias. Sin embargo, la importancia de una buena noche de descanso no puede subestimarse.

El sueño no es meramente un estado pasivo de descanso; es un proceso biológico complejo que toma un papel crucial en nuestra salud física, bienestar mental y una calidad de vida general. Es durante el sueño cuando nuestro cuerpo lleva a cabo procesos restaurativos esenciales, como la consolidación de la memoria, el fortalecimiento del sistema inmunológico y la regulación emocional.

Sin embargo, los estilos de vida modernos, marcados por el estrés, los horarios irregulares y el uso excesivo de pantallas, han provocado una privación generalizada del sueño y problemas de salud relacionados. Las estadísticas alarmantes subrayan la urgencia del problema con los trastornos del sueño, desde el insomnio a la apnea obstructiva del sueño (AOS), que se encuentran en crecimiento a nivel global: la AOS afecta a aproximadamente a 1 millón de adultos en todo el mundo y alrededor de un tercio de la población general padece de insomnio (M.M Ohayon, 2011). De acuerdo con la Organización Mundial de la Salud, alrededor de 1 de cada 4 personas experimenta trastornos del sueño en algún momento de su vida. 
 
El crecimiento de estas cifras impone cargas sustanciales tanto a los individuos como a los sistemas de salud. Estos factores aumentan la prevalencia de los trastornos del sueño, a la vez que lo hace la urgencia por desarrollar soluciones efectivas y accesibles para evaluar y manejar la salud del descanso nocturno. 

Tradicionalmente, el análisis del sueño se basaba en la polisomnografía (PSG), el estándar de oro para diagnosticar alteraciones del sueño, lo cual es completo pero engorroso. La PSG requiere de multitud de sensores para monitorizar diversas señales fisiológicas, incluyendo: 

• La electroencefalografía (EEG): mide la actividad de las ondas cerebrales. 
• Electrooculografía (EOG): registra los movimientos oculares. 
• Electromiografía (EMG): captura la actividad muscular. 
• Monitorización respiratoria: evalúa el flujo de aire y el esfuerzo respiratorio.
• Oximetría de pulso: mide el pulso y los niveles de oxígeno en sangre. 

Este conjunto multisensor no solo es lento y costoso, sino que también requiere equipos especializados y personal capacitado para interpretar los datos, lo que genera retrasos en el diagnóstico y el tratamiento. La complejidad de la PSG crea una barrera significativa para diagnósticos oportunos y accesibles de la salud del sueño. En consecuencia, ha crecido la demanda de soluciones más asequibles y eficientes que puedan ofrecer evaluaciones precisas del sueño sin necesidad de instalaciones de laboratorio extensas. 

La imagen muestra la banda textil EEG portátil Bitbrain Ikon Sleep

Para abordar las limitaciones existentes en el proceso actual de evaluación del sueño, Bitbrain ha desarrollado una prenda portátil completamente textil capaz de medir la actividad cerebral con precisión de grado médico (E. López-Larraz et al., 2023). Este dispositivo rentable se encarga de los aspectos más tediosos presentes en una configuración compleja y voluminosa de registro PSG, en términos del número excesivo de sensores, el impacto en la comodidad del paciente durante la noche, el uso intensivo de recursos y los gastos económicos asociados. 
 
Los dispositivos portátiles abren la puerta a la monitorización del sueño en el hogar. Sin embargo, su adopción masiva plantea nuevos desafíos. Generan una enorme cantidad de datos EEG que resulta imposible analizar y etiquetar por completo por parte de los técnicos. Además, se produce una pérdida de información, ya que las señales incluidas en la PSG que también se utilizan para clasificar el sueño (como EOG, EMG o ECG) no están disponibles. Asimismo, los datos registrados presentan mayores niveles de ruido y artefactos en comparación con las grabaciones de PSG, debido a la configuración ecológica simplificada y a la ausencia de un profesional durante el proceso de registro.

Todos estos desafíos dificultan la evaluación del sueño y deben superarse para ofrecer una herramienta de estudio del sueño autoadministrada y a gran escala en entornos domésticos bajo condiciones no controladas.

Clasificación automática del sueño: una innovación revolucionaria 

Como resultado, se necesita un análisis automático para poder gestionar una cantidad mucho mayor de datos en un contexto más complejo.

Para abordar estos desafíos, los investigadores están recurriendo a la tecnología. La clasificación automática del sueño, impulsada por la inteligencia artificial (IA), ha surgido como una solución revolucionaria. Aprovecha algoritmos de machine learning y dispositivos wearable para analizar datos del sueño con una precisión y eficiencia sin precedentes, apoyando la monitorización en el hogar mientras se ayuda a agilizar el análisis del sueño y reducir los tiempos de diagnóstico. 

Las técnicas de deep learning, un subconjunto del aprendizaje automático, se utilizan actualmente para analizar datos fisiológicos y clasificar con alta precisión las etapas del sueño. Por ejemplo, las redes neuronales convolucionales (CNN) se emplean ampliamente para extraer características intricadas de las señales EEG, lo que permite al modelo capturar patrones complejos a lo largo de las distintas fases del sueño. 

El ciclo del sueño alterna entre las fases REM y NREM, cada una definida por patrones específicos de actividad eléctrica cerebral. NREM se divide en cuatro etapas basadas en diferentes cambios en los patrones de EEG (Nayak y Anilkumar, 2023; Patel, Reddy, Araujo, 2024). 

 Tiempo y estados de sueño en el ciclo del sueño

Las redes neuronales recurrentes (RNN) y las redes de memoria a corto y largo plazo (LSTM) complementan esto al procesar datos secuenciales, capturando dependencias temporales cruciales para identificar transiciones entre fases del sueño. Las arquitecturas Transformer, que utilizan mecanismos de autoatención (self-attention), mejoran aún más estas capacidades al ponderar dinámicamente la importancia de las características dentro de los datos.

Además, los modelos basados en atención incrementan la interpretabilidad, ofreciendo información sobre cómo características específicas del EEG influyen en los resultados de la clasificación. La combinación de estas metodologías, o su uso independiente, garantiza un rendimiento sólido en diversos datasets, funcionando como una solución prometedora para cerrar la brecha entre los diagnósticos tradicionales y la necesidad de soluciones escalables y accesibles para el análisis del sueño.

Estas técnicas han allanado el camino para sistemas de puntuación automática del sueño que pueden analizar datos recopilados de diversas fuentes, incluidos dispositivos portátiles y sensores EEG, para clasificar las etapas del sueño, a menudo en tiempo real.

El estudio pionero de Bitbrain 

El equipo de Bitbrain completó recientemente un estudio (Esparza-Iaizzo et al., 2024) que evalúa y destaca el potencial de estos sistemas para revolucionar el análisis del sueño y profundiza en sus complejidades, explorando diversos factores que influyen en su eficacia. 
 
Mediante la realización de una serie de experimentos, el estudio tuvo como objetivo determinar las condiciones más adecuadas para el registro del sueño, lo que finalmente conduce a resultados más fiables y generalizables en poblaciones diversas. El equipo empleó un modelo basado en CNN y lo probó en datasets de acceso abierto que incluían tanto participantes sanos como individuos con trastornos del sueño.

Arquitectura del modelo CNN 

Desde una perspectiva general, la arquitectura CNN utilizada en el estudio comprende dos submodelos principales. El primer submodelo (“Time Distributed”) extrae características invariantes en el tiempo de cada etapa individual. Estas características se procesan simultáneamente mediante el segundo submodelo (“Global”) para clasificar las etapas del sueño.

Arquitectura CNN del modelo

A continuación, se presentan las especificaciones técnicas básicas que definen la arquitectura y funcionalidad del modelo: 

• Entrada: datos de señal preprocesados (segmentados en épocas). 
  Cada registro contiene un número variable de canales muestreados a diferentes frecuencias y divididos en un número discreto de etiquetas asociadas a cada época. Inicialmente, cada archivo se remuestrea a 100 Hz y se reorganiza en una matriz donde la primera dimensión es el número de épocas, la segunda es el número de puntos temporales (3000) y la tercera es el número empleado de canales, que depende del experimento que se esté llevando a cabo. Los sujetos de cada conjunto de datos se dividen en entrenamiento y prueba con un ratio del 90 % y 10 %, respectivamente, para realizar una validación cruzada de 10 pliegues. Además, los datos de entrenamiento se subdividen en un conjunto de entrenamiento (85 %) y de validación (15 %). Finalmente, las grabaciones se normalizan mediante z-score exclusivamente según los datos de entrenamiento, asegurando que no se emplee información del conjunto de prueba en ningún momento. 
• Convoluciones: varias capas que extraen características espaciales y en el dominio de la frecuencia, cada una seguida por funciones de activación Rectified linear Unit (ReLU) para introducir no linealidad. 
• Pooling: max-pooling para reducir la dimensionalidad y mejorar la eficiencia computacional, destacando las características dominantes de la señal. 
• Dropout: capas de regularización para mitigar el sobreajuste, desactivando aleatoriamente neuronas durante el entrenamiento. 
• Capas densas: capas totalmente conectadas que agregan características en abstracciones de alto nivel. 
• Salida: una capa Softmax consolida las características extraídas en un vector de salida de 5 unidades que contiene las probabilidades para cada etapa del sueño (Wake, N1, N2, N3, REM).

Hallazgos clave e implicaciones 

Las áreas principales de la investigación responden a tres preguntas fundamentales: 

1.¿Cuál es la configuración óptima de sensores para una puntuación automática del sueño precisa?

Para abordar esto, el estudio examinó si la posición de los electrodos EEG impacta en la precisión (sitios frontal, central y occipital), si múltiples canales EEG aportan una ventaja significativa (combinación de las tres ubicaciones) y los efectos de incorporar sensores adicionales como EOG (electrooculograma), EMG (electromiograma) y EKG (electrocardiograma). Los resultados indicaron que un único canal EEG frontal ofrece una solución fiable, simplificando los requisitos de hardware sin comprometer la precisión. Este hallazgo constituye uno de los más prometedores del estudio, ya que reduce la necesidad de configuraciones multisensor complejas y hace que los dispositivos portátiles sean prácticos para un uso generalizado. El modelo alcanzó: 

• 81,4 % de precisión en participantes sanos. 
• 78,5 % de precisión en poblaciones diversas, incluyendo personas con apnea del sueño. 

2. ¿Puede la clasificación del sueño en tiempo real rivalizar con la puntuación tradicional offline? 
Esta pregunta se exploró comparando el rendimiento del modelo CNN en entornos en tiempo real frente a entornos offline. Los resultados mostraron que las aplicaciones en tiempo real logran una precisión casi equivalente a los métodos offline, con solo una diferencia del 2% respecto al mejor resultado offline obtenido, lo que demuestra la viabilidad de ofrecer retroalimentación e intervención inmediata. 
Los hallazgos de estos dos conjuntos de experimentos sugieren que la monitorización del sueño en tiempo real y de forma robusta es factible con un hardware mínimo. 

Comparación de los dos conjuntos de datos

3. ¿Cómo se desempeñan estos algoritmos en diferentes poblaciones, incluidas aquellas con trastornos del sueño?

Como se mencionó anteriormente, el estudio probó el modelo basado en CNN en datasets que incluían tanto participantes sanos como personas con trastornos del sueño. Si bien el modelo alcanzó un 81,4 % de precisión en individuos sanos y un 78,5 % en poblaciones diversas, persisten desafíos en la puntuación del sueño para individuos con AOS. El sueño fragmentado y los despertares frecuentes redujeron la precisión del modelo para este grupo al 75,5 %, lo que subraya la necesidad de soluciones adaptadas que aborden los retos específicos de las poblaciones clínicas.

En el núcleo de este sistema de puntuación automática del sueño se encuentra la red neuronal convolucional (CNN), un tipo de arquitectura de aprendizaje profundo diseñada para reconocer patrones en datos complejos, lo que la hace ideal para analizar señales del sueño. El estudio demuestra cómo, al entrenar CNN con diversos datasets, los investigadores pueden desarrollar modelos que permiten clasificar las etapas del sueño con una precisión notable, incluso en escenarios en tiempo real.

Los hallazgos indican que esta tecnología tiene el potencial de transformar la forma en que monitorizamos y analizamos el sueño, haciendo posible ofrecer recomendaciones personalizadas para mejorar la calidad del descanso. Además, sugieren que el registro del sueño en tiempo real puede lograr una precisión comparable a los procedimientos tradicionales offline, que dependen de información pasada y futura para clasificar las etapas del sueño. Este avance tiene implicaciones significativas para el futuro de la medicina del sueño, ya que permite una retroalimentación e intervención inmediata, lo que potencialmente mejora los resultados en los pacientes.

Más allá de los diagnósticos tradicionales, la investigación destaca otras aplicaciones del registro automático del sueño que son directamente relevantes para mejorar la atención al paciente y apoyar a los profesionales de la salud: 

• Empoderamiento de la salud personal: Al proporcionar información en tiempo real sobre los patrones de sueño, estos sistemas permiten a las personas tomar decisiones informadas sobre su estilo de vida y salud.
• Integración con la telemedicina: El análisis del sueño impulsado por IA permite consultas remotas, donde los clínicos pueden revisar datos precisos generados en el hogar para diagnosticar y monitorizar condiciones sin necesidad de visitas presenciales. Esto puede mejorar las plataformas de telemedicina, facilitando la monitorización remota y reduciendo la dependencia de consultas presenciales. 
• Gestión proactiva de la salud del sueño: Los dispositivos portátiles con algoritmos de puntuación automática permiten una monitorización continua en el hogar. Este tipo de tecnologías puede apoyar la detección temprana de trastornos del sueño, reduciendo la progresión de complicaciones relacionadas con la salud. 
• Neuroestimulación en bucle cerrado: La retroalimentación en tiempo real de la puntuación automática puede guiar intervenciones personalizadas de neuroestimulación, como dispositivos que ajustan dinámicamente los parámetros de estimulación para mejorar la calidad del sueño.
• Eficiencia en la atención sanitaria: Automatizar la puntuación del sueño, que consume mucho tiempo, libera a los clínicos para dedicar más tiempo a la planificación del tratamiento y la interacción con el paciente, mejorando los resultados, reduciendo los costos sanitarios y aumentando la calidad general de la atención. 

El proceso diagnóstico implica capturar datos EEG mediante un dispositivo portátil, procesar automáticamente esta información con algoritmos de IA para clasificar las etapas del sueño y generar informes completos que los clínicos pueden interpretar para obtener información accionable. Esta integración fluida, desde la recopilación de datos hasta el diagnóstico, ejemplifica el potencial transformador de la IA en la atención sanitaria. 

Esta innovación posiciona a la IA y la tecnología wearable como actores centrales para abordar los desafíos globales en salud, particularmente en la medicina del sueño. 

Presentación del conjunto de datos BOAS: un hito en la investigación del sueño

Bitbrain, como parte de su compromiso con la innovación en la investigación del sueño, ha impulsado aún más el campo desarrollando el dataset Bitbrain Open Access Sleep (BOAS), un recurso integral diseñado para cerrar la brecha entre las tecnologías clínicas tradicionales de PSG y las soluciones EEG portátiles.

Recientemente publicado en OpenNeuro, el dataset BOAS incluye información recopilada durante 128 noches de sueño de participantes sanos, monitorizados meticulosamente utilizando tecnologías clínicas y portátiles. Los aspectos clave del dataset son: 

1. Sistema clínico de referencia PSG: The Brain Quick Plus Evolution de Micromed, un sistema que proporciona parámetros de sueño completos y validados clínicamente. Esto incluye señales EEG de múltiples canales, movimientos oculares (EOG), actividad muscular (EMG), patrones respiratorios (mediante cinturones y cánulas nasales) y actividad fotopletismográfica para pulso, latido y saturación de oxígeno. 
2. Banda EEG portátil desarrollada por Bitbrain: un dispositivo cómodo y fácil de usar, diseñado para el hogar. Esta banda EEG para el sueño mide la actividad frontal mediante sensores limitados a la frente, el movimiento a través de acelerómetros y giroscopios, y el pulso con un sensor fotopletismográfico. Fue desarrollada para una operación sencilla y autoadministrada, lo que hace que la monitorización del sueño sea más accesible.

Banda EEG textil portátil Ikon mostrada en la imagen superior

El conjunto de datos BOAS captura datos simultáneamente de ambos sistemas, lo que permite comparaciones directas entre ellos para evaluar el rendimiento de las tecnologías emergentes de EEG portátil frente al estándar de oro, la PSG. Esto facilita la validación de herramientas accesibles y autoadministradas, además de proporcionar un recurso de valor incalculable para investigadores y desarrolladores.

Los datos de cada noche han sido etiquetados utilizando una metodología rigurosa para garantizar una puntuación del sueño sólida y confiable: 

• Tres expertos en sueño anotaron de forma independiente las grabaciones de PSG siguiendo los criterios de la Academia americana de la medicina del sueño (AASM). Un cuarto experto derivó una etiqueta de consenso a partir de estas anotaciones. Este enfoque de etiquetado por consenso aborda la variabilidad inherente en la clasificación humana de las etapas del sueño, que tiene una concordancia estimada entre evaluadores de aproximadamente el 85%.
• Las etiquetas de consenso se aplicaron posteriormente a las grabaciones correspondientes del EEG portátil, aprovechando la configuración de doble registro.

Por lo tanto, el conjunto de datos incluye:

• Grabaciones PSG de 128 noches.
• Grabaciones de EEG portátil de las mismas noches.
• Etiquetas de etapas del sueño basadas en consenso humano, obtenidas de las grabaciones PSG.
• Etiquetas de etapas del sueño generadas por IA, obtenidas por separado de las grabaciones PSG y del EEG portátil. 

Para garantizar la accesibilidad y usabilidad para la comunidad investigadora, el conjunto de datos BOAS está formateado según la Brain Imaging Data Structure (BIDS), una iniciativa impulsada por la comunidad diseñada para estandarizar la organización y el intercambio de datos de neuroimagen y relacionados. Proporciona un formato estructurado para almacenar datos de estudios como MRI, EEG y MEG, y asegura consistencia y compatibilidad entre conjuntos de datos. BIDS simplifica el intercambio de datos, la reproducibilidad y la integración en flujos de análisis al seguir convenciones claras. Su objetivo es facilitar la colaboración y acelerar la investigación haciendo que los datos sean más accesibles y utilizables entre disciplinas. 

El rendimiento del modelo basado en CNN de Bitbrain se probó rigurosamente utilizando este dataset. Se entrenó y validó por separado en los datos PSG y portátiles mediante un procedimiento de validación cruzada, ofreciendo la oportunidad de evaluar su rendimiento en dos tecnologías diferentes. 

Los resultados demostraron que los dispositivos EEG portátiles, cuando se combinan con modelos avanzados de IA, pueden aproximar la precisión de los métodos clínicos considerados estándar de oro:

• Para los datos PSG, el modelo alcanzó un 87,08% de concordancia con las etiquetas de consenso de expertos.
• Para los datos de EEG portátil, el modelo alcanzó un 86,64% de concordancia, destacando el potencial de los dispositivos portátiles para ofrecer una clasificación del sueño clínicamente relevante sin las cargas logísticas de la PSG tradicional. 

Explorando el potencial del dataset de sueño de acceso abierto de Bitbrain

Uno de los aspectos más significativos del conjunto de datos abierto de sueño de Bitbrain es su capacidad para explorar las fortalezas y limitaciones de las tecnologías portátiles. Ofrece oportunidades sin precedentes para avanzar en la investigación y tecnología del sueño, orientadas directamente a aplicaciones reales como: 

1. Validación de dispositivos portátiles para mercados de consumo 
   El conjunto de datos BOAS respalda el desarrollo y la validación de herramientas portátiles de monitorización del sueño, haciendo que las evaluaciones sean más accesibles. Permite a los fabricantes validar rigurosamente sus dispositivos frente a estándares clínicos. Por ejemplo, las bandas EEG portátiles pueden compararse para garantizar una precisión similar a la de configuraciones PSG tradicionales, asegurando fiabilidad para los usuarios finales. 
2. Desarrollo de modelos de IA personalizados para aplicaciones industriales 
   Con datos sincronizados de múltiples fuentes, investigadores y empresas que desarrollan herramientas de análisis del sueño basadas en IA pueden ajustar sus algoritmos. Esto permite crear modelos más robustos, generalizables y precisos adaptados a dispositivos portátiles, mejorando su capacidad para identificar patrones complejos en datos de uno o varios canales y el rendimiento del producto en general.
3. Optimización de la integración entre tecnologías en dispositivos inteligentes para el hogar. 
   Al ofrecer datos tanto de PSG como de EEG portátil, se puede analizar cómo diferentes sensores optimizan la captura de datos relevantes del sueño. El conjunto de datos respalda comparaciones entre tecnologías de sensores, ayudando al diseño de sistemas híbridos (por ejemplo, combinando EEG portátil con colchones o relojes inteligentes). Las empresas pueden perfeccionar plataformas multisensor para mejorar las capacidades de seguimiento del sueño, adaptadas a diversas necesidades del usuario. 

Además, el conjunto de datos BOAS no solo respalda la validación técnica de nuevas herramientas, sino que también ofrece información valiosa para abordar desafíos clínicos críticos. Por ejemplo:

1. Mejora de la telemedicina y la monitorización en el hogar 
   Al validar dispositivos portátiles y modelos de IA, el conjunto de datos respalda e impulsa innovaciones en telemedicina, permitiendo que las personas monitoricen su sueño en casa con una precisión comparable a la de entornos clínicos.
2. Abordar patrones de trastornos del sueño 
   Con datos de múltiples sensores, incluidos cinturones respiratorios y termistores, el conjunto de datos es un recurso fundamental para modelar patrones asociados con diversos trastornos del sueño, como la apnea obstructiva del sueño.
3. Optimización del diseño de hardware portátil 
   Al identificar qué sensores proporcionan las mediciones más relevantes clínicamente, el conjunto de datos BOAS contribuye al diseño de dispositivos portátiles más eficientes y rentables. 

Todas estas pistas subrayan el potencial transformador del dataset BOAS para dar forma al futuro de la investigación del sueño, garantizando que las soluciones relacionadas con el sueño satisfagan las demandas específicas de los proveedores de atención médica, desarrolladores tecnológicos y consumidores por igual.

A medida que tecnologías como la puntuación automática del sueño evolucionan, recursos como el conjunto de datos BOAS serán esenciales para entrenar y validar modelos en entornos reales. Además, al ser un recurso de acceso abierto, este conjunto de datos fomenta la colaboración científica, permitiendo que investigadores de todo el mundo impulsen la innovación en la medicina del sueño. 

Las direcciones futuras incluyen integrar estos datos en estudios más amplios para explorar nuevas fronteras en dispositivos portátiles y técnicas de neuroestimulación en bucle cerrado, como se analizó en el estudio, donde los sistemas impulsados por IA proporcionan intervenciones en tiempo real para mejorar la calidad del sueño. 

Al ofrecer una base sólida para la investigación y el desarrollo, el conjunto de datos BOAS representa un avance significativo hacia la realidad de herramientas de monitorización del sueño accesibles y de alta calidad. 

Reflexiones finales: resultados medibles y oportunidades claras para un futuro con mejor sueño 

La integración de soluciones impulsadas por IA, como el conjunto de datos BOAS y los resultados del estudio de Bitbrain, ya está transformando la salud del sueño. A medida que la tecnología avanza, estos recursos ofrecen: 

• Diagnósticos del sueño escalables: los sistemas de puntuación automática del sueño validados por estos recursos proporcionan una alternativa escalable a las configuraciones tradicionales de PSG. 
• Herramientas innovadoras de telemedicina: los diagnósticos en tiempo real reducen las barreras de acceso, garantizando que los pacientes puedan recibir atención oportuna en casa.
• Impacto en la industria: estos avances brindan a las empresas la confianza para ofrecer soluciones precisas y fáciles de usar, validadas mediante estudios exhaustivos.

Representan pasos transformadores en los diagnósticos del sueño y la gestión de la salud. Sus contribuciones incluyen: 

• Alta precisión diagnóstica: el modelo CNN alcanzó un 87,08 % de concordancia para datos PSG y 86,64 % para datos EEG portátiles, lo que subraya su fiabilidad.
• Líneas futuras para seguir abordando el rendimiento en distintas poblaciones: si bien el modelo CNN logró un 78, 5% de precisión en poblaciones diversas, los resultados en pacientes con AOS fueron ligeramente inferiores (75,5 %), lo que identifica la necesidad de mejoras adaptadas para aplicaciones clínicas.
• Información procesable sobre IA y dispositivos: el estudio de Bitbrain demostró que un único canal frontal de EEG proporciona una puntuación de sueño fiable con un 81,4  % de precisión en participantes sanos, lo que simplifica los requisitos de hardware para dispositivos portátiles. Los experimentos que incorporaron sensores adicionales, como EOG y EMG, solo mostraron mejoras marginales, lo que enfatiza que configuraciones más simples aún pueden cumplir con los estándares clínicos.
• Capacidad de retroalimentación inmediata: el estudio reveló que la puntuación en tiempo real es viable, logrando una paridad casi total con los métodos offline, con solo una brecha de rendimiento del 2 %. Esto abre la puerta a diagnósticos inmediatos en escenarios de telemedicina, permitiendo a los proveedores ofrecer intervenciones instantáneas y mejorar los resultados de los pacientes. 
• Camino hacia la preparación para el mercado: al identificar configuraciones óptimas y validar tecnologías, los conocimientos combinados guían a los fabricantes en la creación de dispositivos listos para el mercado y conformes a la normativa. 

Juntas, estas herramientas permiten a los clientes liderar en la industria de la salud del sueño, que evoluciona rápidamente, garantizando soluciones escalables y accesibles para una audiencia global.

La investigación presentada es un testimonio del increíble potencial del registro automático del sueño y los dispositivos portátiles para transformar la atención sanitaria, ofreciendo una visión de un futuro donde la salud del sueño se prioriza y es accesible para todos.

A medida que seguimos innovando y explorando nuevas fronteras en el análisis del sueño, podemos esperar un mundo donde el sueño de calidad esté al alcance de todos, lo que conducirá a individuos más sanos y felices. 

El camino hacia un mejor sueño es un esfuerzo multifacético que requiere colaboración entre investigadores, profesionales de la salud e individuos.

 ¡Duerme bien y sueña en grande! 

Sobre los autores 

• María Sierra, Ingeniera en Electrónica y Automatización, con un Máster en Robótica, Gráficos y Visión por Computador. Actualmente, Data Scientist en Bitbrain. 
• Eduardo López Larraz (Scholar, ResearchGate, LinkedIn). Doctor en Ingeniería Biomédica y Científico Investigador en Bitbrain. 

Te podría interesar 

• EEG del sueño para el diagnóstico y la investigación 
• ¿Qué es el EEG y para qué sirve? 
• ¿Qué es un mapa cerebral o QEEG? 
• Prueba de EEG: Usos, procedimientos y riesgos 
• La historia olvidada de las ondas cerebrales alfa 

Referencias

• Ohayon, M. (2011). Epidemiological Overview of Sleep Disorders in the General Population. Sleep Med Res. 2011;2 (1): 1-9. https://doi.org/10.17241/smr.2011.2.1.1. 
• Nayak, C. S., & Anilkumar, A. C. (2023). EEG Normal Sleep. In StatPearls. StatPearls Publishing. 
• Patel, A. K., Reddy, V., Shumway, K. R., & Araujo, J. F. (2024). Physiology, Sleep Stages. In StatPearls. StatPearls Publishing. 
• López-Larraz, E., Escolano, C., Robledo-Menéndez, A., Morlas, L., Alda, A., & Minguez, J. (2023). A garment that measures brain activity: proof of concept of an EEG sensor layer fully implemented with smart textiles. Frontiers in human neuroscience, 17, 1135153. https://doi.org/10.3389/fnhum.2023.1135153 
• Esparza-laizzo, M., Sierra-Torralba, M., Klinzing, Jens G., Minguez, J., Montesano, L., López-Larraz, E. (2024). Automatic sleep scoring for real-time monitoring and stimulation in individuals with and without sleep apnea. bioRxiv 2024.06.12.597764. https://doi.org/10.1101/2024.06.12.597764