Resumen de Modelo de deep learning basado en la arquitectura Inception para el diagnóstico de la apnea del sueño infantil mediante la señal de oximetría .
Fernando Vaquerizo Villar, Daniel Álvarez González, Leila Kheirandish Gozal, Gonzalo César Gutiérrez Tobal, Verónica Barroso García, E. Santamaría Vázquez, F. Campo del, David Gozal, Roberto Hornero Sánchez
En este estudio se evalúa la utilidad de una arquitectura deep learning basada en módulos Inception para mejorar la capacidad diagnóstica de la señal de saturación de oxígeno en sangre (SpO2) en la ayuda al diagnóstico de la apnea obstructiva del sueño (AOS) infantil. Estudios recientes demandan la aplicación de nuevas arquitecturas de deep learning que permitan solventar las limitaciones de los métodos convencionales. En este sentido, los módulos Inception permiten realizar un análisis multiescala, que es capaz de obtener una caracterización más precisa de las señales bajo estudio que otros métodos de deep learning. Nuestra propuesta consiste en la aplicación de una arquitectura Inception a la señal de SpO2 para estimar el índice de apnea-hipopnea (IAH). El modelo Inception obtenido fue validado en una base de datos compuesta por 1628 registros de SpO2 de sujetos pediátricos. El IAH estimado por el modelo Inception alcanzó un elevado rendimiento diagnóstico, mostrando un Cohen’s kappa de cuatro clases de 0.520, así como precisiones del 79.2%, 95.7% y 97.8% para los umbrales del IAH de 1, 5 y 10 eventos por hora.
Además, el nuevo modelo superó la capacidad diagnóstica de dos métodos convencionales: el índice de desaturación de oxígeno del 3% y una red neuronal perceptrón multicapa entrenada en un estudio previo con características de la señal de SpO2. Estos resultados sugieren que la arquitectura Inception es capaz de obtener nueva información diagnóstica de la señal de oximetría y mejorar la estimación del IAH en el contexto de la AOS infantil.
