Utilizing machine learning for sleep stage classification in polysomnography: implementation and challenges from a physician perspective

Abstract

Os algoritmos de estadiamento do sono podem servir para reduzir custos e tempo para o estadiamento do EEG de uma polissonografia de tipo 1, integrar dados sobre o estadiamento do sono em testes domiciliares de apneia do sono, avaliar o desempenho do sono para fins não diagnósticos e ajudar a identificar estágios específicos do sono para estimulação neurológica. Este estudo tem como objetivo desenvolver um algoritmo de redes neurais recorrentes para estadiamento do sono, utilizando 2017 polissonografias de cinco conjuntos de dados distintos. Características lineares e não lineares foram extraídas de dados de EEG, EOG e EMG para criação de modelos com combinações dessas características. Dos 1628 indivíduos no grupo de treinamento, a idade média foi de 67,2 anos. No primeiro conjunto de testes, com 389 indivíduos, a idade média foi de 68,4 anos, 62% do sexo masculino e 38% feminino. Os melhores resultados foram obtidos pelos modelos com os dados de EEG e EOG. A precisão mediana foi de 85,4%, com uma mediana de Kappa de 78,6%. Especificamente para o estágio N1 do sono, o modelo alcançou um escore F1 médio de 41%. Os estágios R, N2 e W demonstraram escores F1 medianos excedendo o limite de 85%. Uma das imprecisões mais comuns envolveu a rotulação errada do estágio N1 como estágio N2, o que ocorreu em 30,9% de todos os episódios de estágio N1 verdadeiros. A taxa de transição prevista teve um impacto negativo significativo na precisão do modelo. A idade, etnia e IMC não tiveram um efeito significativo na precisão deste modelo. Houve uma correlação negativa leve entre AHI e precisão do modelo. No segundo conjunto de teste, analisado por cinco examinadores e composto por 80 indivíduos, a idade média foi de 35,2 anos para o grupo saudável (25 indivíduos) e 45,6 anos para o grupo de apneia (55 indivíduos). O modelo demonstrou um coeficiente kappa de Cohen de 0,68. O estágio N1 do sono teve um escore F1 médio de 41,6. Para o estágio W, o escore F1 médio foi de 74,9. O estágio N3 apresentou um escore F1 médio de 67,7. No geral, o modelo alcançou uma precisão mediana de 81,50% em todas as PSGs deste conjunto de teste. Em média, o grupo saudável apresentou uma precisão mais alta (81,12% vs. 76,82%), kappa mais alto (72,45% vs. 66,18%), MCC mais alto (73,50% vs. 67,50%) e pontuações F1 macro mais altas (73,16% vs. 67,93%) em comparação com o grupo obstrutivo. Desafios na implementação foram relatados, além de recomendações para profissionais de saúde que utilizam esses recursos. Pode-se concluir que este algoritmo é uma ferramenta para reduzir o trabalho e custos associados aos estudos do sono.