Análisis del flujo aéreo nocturno mediante wavelets para la ayuda en el diagnóstico de la apnea del sueño infantil

  1. V. Barroso García 1
  2. G.C. Gutiérrez Tobal 2
  3. L. Kheirandish Gozal 3
  4. D. Álvarez González 4
  5. F. Vaquerizo Villar 1
  6. F. del Campo Matías 1
  7. D. Gozal 3
  8. R. Hornero Sánchez 1
  1. 1 Universidad de Valladolid, Valladolid, España
  2. 2 Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN), España
  3. 3 University of Missouri School of Medicine, Columbia, Missouri, USA
  4. 4 Servicio de Neumología, Hospital Universitario Río Hortega, Valladolid, España
Libro:
XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas
  1. Roberto Hornero Sánchez (ed. lit.)
  2. Jesús Poza Crespo (ed. lit.)
  3. Carlos Gómez Peña (ed. lit.)
  4. María García Gadañón (ed. lit.)

Editorial: Grupo de Ingeniería Biomédica ; Universidad de Valladolid

ISBN: 978-84-09-25491-0

Año de publicación: 2020

Páginas: 315-318

Congreso: Congreso Anual de la Sociedad Española de Ingeniería Biomédica CASEIB (38. 2020. Valladolid)

Tipo: Aportación congreso

Resumen

Este estudio se centra en el análisis automático de la señal de flujo aéreo monocanal (FA) para la ayuda en el diagnóstico de la Apnea Obstructiva del Sueño (AOS) infantil. En concreto, se ha evaluado la utilidad diagnóstica de las medidas extraídas de los diferentes niveles de descomposición obtenidos al aplicar la transformada wavelet discreta a la señal de FA. Además, se ha evaluado la complementariedad entre la información wavelet de FA y el índice de desaturación de oxígeno en sangre ≥3% (ODI3), que fue directamente obtenido de la señal de saturación de oxígeno en sangre (SpO2). Se han analizado 946 registros de FA y SpO2 procedentes de niños de 0 a 13 años. El análisis se realizó en dos etapas metodológicas: (i) descomposición wavelet y extracción de características y (ii) estimación del índice de apnea hipopnea mediante LSBoost con árboles de decisión como clasificador base. Por tanto, dos modelos fueron entrenados: LSBoostFA alimentado con las características wavelet de FA y LSBoostFA,ODI3 alimentado con las características wavelet de FA y el ODI3. LSBoostFA,ODI3 alcanzó mayor rendimiento diagnóstico que LSBoostFA en el grupo de test, con una precisión del 78.5% para 1 evento/h, 77.4% para 5 eventos/h, y 88.8% para 10 eventos/h, mostrando así la complementariedad de ambos enfoques. Estos resultados sugieren que el análisis de la señal FA mediante la transformada wavelet podría ser usado junto con el ODI3 como una potente herramienta para ayudar a diagnosticar la AOS pediátrica, especialmente en los sujetos con un grado de severidad severo.