Detección automática de la apnea del sueño infantil utilizando técnicas de deep learning y explainable artificial intelligence en señales de flujo aéreo

La alta prevalencia de la apnea obstructiva del sueño (AOS) pediátrica y las limitaciones de la prueba diagnóstica estándar han fomentado el estudio de estrategias alternativas que ayuden a su diagnóstico automático. Los métodos propuestos suelen basarse en técnicas de feature engineering, lo que implica una complejidad y subjetividad inherente. Otros utilizan técnicas de deep learning, que mejoran el rendimiento diagnóstico pero carecen de transparencia e interpretabilidad. En este trabajo proponemos evaluar un modelo explicable basado en redes neuronales convolucionales (CNN) para estimar la severidad de la AOS infantil utilizando la señal de flujo (FA). Para ello, se analizaron 1638 registros de FA, que fueron divididos en segmentos de 10 minutos. El modelo CNN estimó el número de eventos apneicos por segmento. Después, se aplicó el algoritmo Grad-CAM para identificar las regiones de FA en las que se fija la CNN al hacer su predicción. El modelo propuesto mostró una alta concordancia entre el índice de apnea-hipopnea estimado y el real (coeficiente de correlación intraclase = 0.87 en el grupo de test), así como un alto rendimiento diagnóstico (kappa de 4 clases = 0.38 y precisiones del 81.05%, 85.62% y 92.81% para 1, 5 y 10 eventos/h en el grupo de test). Grad-CAM reveló que la CNN se centra en el comienzo y el final del evento apneico, es decir, donde la señal FA cambia bruscamente de amplitud. Así, nuestra propuesta sería muy útil para identificar automáticamente los patrones respiratorios asociados con la AOS infantil y ayudar en su diagnóstico.