Inteligencia Artificial

TÉCNICAS DE INTELIGENCIA ARTIFICIAL E
INGENIERÍA DEL SOFTWARE PARA UN SISTEMA
INTELIGENTE DE MONITORIZACIÓN
DE APNEAS EN SUEÑO

MEMORIA DE TESIS DOCTORAL

ELENA Mª HERNÁNDEZ PEREIRA
A CORUÑA, JUNIO DE 2000

D. Vicente Moret Bonillo, Profesor Titular del Departamento de Computación
de la Facultad de Informática de la Universidad de A Coruña.
CERTIFICA QUE: La memoria titulada “Técnicas de Inteligencia Artificial e
Ingeniería del Software para un Sistema Inteligente de Monitorización de Apneas en Sueño ”, ha
sido realizada por Dña. Elena Mª Hernández Pereira bajo mi dirección en el
Departamento de Computación de la Universidad de A Coruña y constituye la Tesis
que presenta para optar al Grado de DOCTOR en Informática.

En A Coruña, Junio de 2000.

Fdo: Vicente Moret Bonillo.
Director de la Tesis.

Quiero expresar mi agradecimiento más sincero a todas aquellas personas e
instituciones que han ayudado a que hoy este trabajo de Tesis vea la luz.

Al personal del INESC-Norte de Oporto, Portugal, y al personal médico del
Hospital de Santo Antonio, también en Oporto, Portugal por su colaboración en este
trabajo, y en particular al Dr. Antonio Martins da Silva y Jose Manuel Nunes de
Oliveira por su colaboración desinteresada.
A los miembros de la Unidad de Neumología del Complejo Hospitalario Juan
Canalejo de La Coruña que han participado en este proyecto, al Dr. Héctor Verea, y
muy especialmente a Maite Martín, cuya colaboración desinteresada ha resultado
esencial.
A la Universidad de A Coruña por su soporte económico.
Y finalmente, con un cariño muy especial, a todos los miembros del
Laboratorio de Investigación y Desarrollo en Inteligencia Artificial, LIDIA, y a mi
director de tesis, el Dr. Vicente Moret Bonillo.

Este trabajo ha sido posible gracias a la financiación de la Comisión
Interministerial de Ciencia y Tecnología (CICyT), proyecto TIC96-0590.

A Coruña Junio de 2000.

Técnicas de Inteligencia Artificial e Ingeniería del Software para un Sistema Inteligente de Monitorización de Apneas
en Sueño

CAPÍTULO 1. INTRODUCCIÓN .................................................................................... 3
1.1.
1.2.
1.3.
1.4.
1.5.

Sistemas de ayuda a la decisión clínica ................................................................................... 5
Inteligencia Artificial en Medicina ......................................................................................... 8
Monitorización Inteligente en Medicina ................................................................................ 10
Breve resumen de la memoria ............................................................................................... 12
Resumen.............................................................................................................................. 13

CAPÍTULO 2. DESCRIPCIÓN DEL DOMINIO ............................................................. 17
2.1. El estudio del sueño ............................................................................................................. 19
2.1.1. Los estados de sueño ..................................................................................................... 23
2.1.2. Estructura del sueño ...................................................................................................... 26

2.2. El sueño y el sistema respiratorio ......................................................................................... 29
2.3. Desórdenes respiratorios del sueño. El Síndrome de Apneas del Sueño ................................. 30
2.3.1. Hipopneas del sueño ...................................................................................................... 32
2.3.2. El Síndrome de Apneas del Sueño y su clasificación................................................. 33

2.4. Resumen.............................................................................................................................. 39
CAPÍTULO 3. ANTECEDENTES Y REALIZACIONES PREVIAS ................................... 43
3.1. Sistemas comerciales ............................................................................................................. 44
3.2. Aproximaciones no comerciales ............................................................................................ 48
3.2.1. Sistemas de predicción del Síndrome de Apneas del Sueño ..................................... 49
3.2.2. Sistemas de clasificación de estados de sueño ............................................................ 51
3.2.3. Sistemas de detección y clasificación de eventos apneicos ....................................... 62

3.3. Resumen.............................................................................................................................. 67
CAPÍTULO 4. CONSIDERACIONES DE DISEÑO......................................................... 69
4.1. Establecimiento de requisitos ................................................................................................ 71
4.1.1.
4.1.2.
4.1.3.
4.1.4.

Entorno de aplicación y necesidad del sistema .......................................................... 72
Requisitos funcionales ................................................................................................... 77
Requisitos no funcionales .............................................................................................. 80
Modelo del sistema ......................................................................................................... 82

4.2. Diseño del sistema ............................................................................................................... 86
4.3. Prescripción de análisis polisomnográficos ............................................................................. 88
4.3.1. Evidencias clínicas del Síndrome de Apneas del Sueño ............................................ 89
4.3.2. Prescripción polisomnográfica ..................................................................................... 91

4.4. Resumen.............................................................................................................................. 96
CAPÍTULO 5. ANÁLISIS DE LA FUNCIÓN RESPIRATORIA...................................... 101
5.1. Módulo de reconocimiento de eventos apneicos ..................................................................... 102
5.1.1. Desarrollo técnico ........................................................................................................ 104
5.1.2. Salidas del módulo ........................................................................................................ 111

5.2. Módulo de procesamiento de la señal de Saturación de oxígeno ............................................ 112

5.3. Módulo de procesamiento de las señales de Esfuerzo respiratorio ......................................... 119

1


5.4. Resumen............................................................................................................................ 127
CAPÍTULO 6. CONSTRUCCIÓN DEL HIPNOGRAMA ............................................... 131
6.1. Definición del problema ..................................................................................................... 132
6.2. Desarrollo técnico............................................................................................................... 134
6.2.1. Extracción de características ....................................................................................... 136
6.2.2. Clasificación de fases de sueño ................................................................................... 149

6.3. Salidas del módulo............................................................................................................. 156
6.4. Resumen............................................................................................................................ 157
CAPÍTULO 7. DIAGNÓSTICO INTELIGENTE DE SAS ............................................. 159
7.1. Definición del problema ..................................................................................................... 160
7.2. Desarrollo técnico............................................................................................................... 161
7.2.1. Correlación de la información de entrada ................................................................. 162
7.2.2. Integración y diagnóstico............................................................................................. 165

7.3. Salidas del módulo............................................................................................................. 174
7.4. Resumen............................................................................................................................ 178
CAPÍTULO 8. VALIDACIÓN Y RESULTADOS........................................................... 181
8.1. Agentes de la validación..................................................................................................... 181
8.2. Método de validación ......................................................................................................... 182
8.2.1. Medidas utilizadas en el análisis comparativo sistema/experto/sistema comercial183

8.3. Resultados ......................................................................................................................... 187
8.3.1.
8.3.2.
8.3.3.
8.3.4.
8.3.5.

Detección e identificación de eventos apneicos ....................................................... 187
Clasificación de eventos apneicos .............................................................................. 190
Análisis de la señal de SaO2......................................................................................... 192
Obtención del hipnograma ......................................................................................... 192
Interpretación y diagnóstico........................................................................................ 195

8.4. Conclusiones sobre la validación del sistema ........................................................................ 196
8.5. Resumen............................................................................................................................ 199
CAPÍTULO 9. DISCUSIÓN ........................................................................................ 201
CAPÍTULO 10.CONCLUSIONES, PRINCIPALES APORTACIONES,
TRABAJO FUTURO ............................................................................. 209

Y

10.1. Conclusiones y principales aportaciones ............................................................................... 209
10.2. Trabajo futuro ................................................................................................................... 210
CAPÍTULO 11.BIBLIOGRAFÍA .................................................................................. 213
APÉNDICE: ARTÍCULOS PUBLICADOS ESPECÍFICAMENTE RELACIONADOS CON EL TEMA
DE ESTA TESIS

2

en Sueño

Capítulo 1. INTRODUCCIÓN
Esta memoria de Tesis presenta el diseño e implementación de un sistema de
diagnóstico inteligente del Síndrome de Apneas del Sueño denominado MIDAS –
Monitorización Inteligente de Apneas del Sueño -. Desde un punto de vista técnico, el
interés y originalidad de este trabajo reside en el desarrollo de un sistema que relaciona la
interpretación de las anormalidades respiratorias ocurridas durante el sueño, con las fases
de sueño por las que atraviesa el paciente, y como resultado ofrece un diagnóstico
particularizado del mismo.
El Síndrome de Apneas del Sueño es un trastorno respiratorio que se caracteriza
porque las personas afectadas presentan paradas respiratorias de duración variable mientras
duermen. Estos pacientes no suelen ser conscientes de tales interrupciones de la respiración
que, la mayor parte de las veces, no llegan a despertar al enfermo. Esta patología afecta hoy
aproximadamente al 5% de los españoles, y suele manifestarse con más frecuencia en
hombres mayores de 40 años, y en mujeres que ya han pasado la menopausia. Otros
factores asociados al síndrome son la obesidad y, eventualmente, ciertos medicamentos [i].
Las consecuencias inmediatas de esta enfermedad son fatiga y somnolencia diurna
(hipersomnia), que se traducen en una disminución drástica de la productividad laboral y en
una gran dificultad para mantenerse despierto en situaciones sedentarias, como por ejemplo
la conducción, lo que comporta riesgos evidentes. A más largo plazo, se ha demostrado que
los enfermos que padecen apneas durante el sueño tienen mayor riesgo de contraer
enfermedades cardiovasculares. Se estima que casi el 50% de pacientes con Síndrome de
Apneas del Sueño acaban desarrollando hipertensión arterial sistémica, y también un
elevado porcentaje puede llegar a desarrollar una miocardiopatía isquémica.
Las apneas suelen producirse con mayor frecuencia durante el sueño profundo y
durante el sueño REM (Rapid Eye Movement). El cese de la actividad respiratoria tiene como
consecuencia inmediata la caída de la concentración de oxígeno en la sangre y el aumento
de la concentración de CO2 arterial. Esta circunstancia suele producir un alertamiento del
paciente, lo que provoca una transición de sueño profundo a sueño superficial, por lo que

3

Capítulo 1. Introducción

el paciente suele presentar a lo largo de la noche un sueño fragmentado con las
consecuencias diurnas ya mencionadas.
Actualmente, el tratamiento de este síndrome se basa en el suministro al paciente de
una presión de aire positiva continua (CPAP - Continuous Positive Air Pressure). Esta presión
actúa como un estímulo externo sobre el sistema respiratorio del paciente mejorando su
función. Antes de poder prescribir el tratamiento adecuado, el paciente debe ser examinado
durante varias noches hasta encontrar el valor óptimo del CPAP. La gran dificultad de tales
exámenes nocturnos estriba en el hecho de que para cada paciente se necesitan analizar
visualmente unos 500 metros de papel, en los que hay registradas distintas señales
fisiológicas del enfermo. Esta tarea es enormemente tediosa, y un clínico especialista puede
llegar a necesitar unas dos horas para interpretar correctamente un único registro de un
único paciente. Esta circunstancia limita además el número de exámenes que pueden ser
realizados cada día.
Al respecto, es necesario destacar en primer lugar que las características del dominio,
y los tipos de conocimiento que el clínico emplea para emitir sus diagnósticos –claramente
heurísticos–, han hecho que la aplicación de técnicas de Inteligencia Artificial resulte
adecuada teniendo en cuenta que esta disciplina ha encontrado aplicación en muchas áreas,
en especial en el campo médico.
En segundo lugar, existe la posibilidad de efectuar un tratamiento off-line de la
información, ya que el proceso de diagnóstico del Síndrome de Apneas del Sueño se basa
en el análisis del registro durante una noche completa de un conjunto de señales
fisiológicas, sin que exista la necesidad inicial de tomar decisiones durante el proceso. Esto
permite la automatización del mismo, y establece una cierta libertad en el conjunto de
algoritmos que se pueden desarrollar.
Además, es posible la división del problema en subproblemas si tenemos en cuenta la
naturaleza de la información que proporcionan todas las señales fisiológicas monitorizadas,
para obtener el diagnóstico del síndrome.
A todo esto se une la capacidad para establecer taxonomías entre conceptos y
procedimientos, la necesidad de interpretar contextualmente la información disponible, y la
doble naturaleza de la información relevante –numérica y simbólica–, que justifican la

4

en Sueño

conveniencia de desarrollar un sistema integrado para la ayuda al diagnóstico inteligente del
Síndrome de Apneas del Sueño.

1.1. Sistemas de ayuda a la decisión clínica
Hace más de 35 años informáticos y médicos reconocieron que las computadoras
suponen una gran ayuda en las tareas de decisión clínica. Con la aparición de la Inteligencia
Artificial ha sido posible plantear vías alternativas a los sistemas de computación clásicos,
facilitando al clínico el tratamiento de la información de alto nivel que utiliza durante el
desarrollo de su labor. En la última década se ha visto una revolución radical en el papel del
ordenador en la práctica clínica, y los sistemas inteligentes han pasado de jugar un papel
único de ayuda para la diagnosis y tratamiento, a ocupar un puesto también como gestores
de información, reduciendo la sobrecarga que pesa sobre la rutina clínica almacenando,
indexando y recuperando todo tipo de datos médicos [ii].
De entre todas las aplicaciones de la tecnología al campo médico, el soporte a la
decisión ha convertido el área médica en una de las disciplinas del campo tecnológico con
mayor empuje en los últimos años. La toma de decisiones es la actividad esencial del
clínico. En teoría, tomar una decisión implica crear una lista de posibles estrategias y/o
acciones, determinar la consecuencia de cada decisión, y seleccionar la solución más
apropiada para el contexto. Pero esto pasa pocas veces en medicina. A menudo, la
información médica básica es incompleta, subjetiva, o poco específica, y existen demasiadas
hipótesis posibles para considerar cada una individualmente. Solamente está disponible un
conocimiento incompleto de las consecuencias de cada decisión, y no se puede determinar
con total seguridad si los efectos del tratamiento serán los previsibles. Las decisiones
médicas se toman bajo incertidumbre y presentan un juicio considerado como óptimo, que
generalmente constituye la preferencia por una solución o un tratamiento. El objetivo de
este proceso médico es reducir la incertidumbre mediante la adquisición de información
complementaria a través del uso del conocimiento del médico caracterizado por su
diversidad.
Los ordenadores pueden ayudar en la toma de decisiones médicas y mejorar la
calidad del diagnóstico o la eficiencia de la terapia. La creación de sistemas para ayudar a la
toma de decisiones médicas requiere un esfuerzo intelectual considerable a la hora de
formalizar el problema y sus posibles soluciones. La investigación en este campo ayuda a
5


una mejor comprensión de los mecanismos involucrados en el razonamiento médico y en
la elaboración del conocimiento que apoye ese razonamiento [ii].
En los últimos 15 años, los sistemas de ayuda a la decisión han sido desarrollados
abordando problemas de la forma más general posible. La investigación ha sido dirigida
especialmente hacia la solución de problemas para los que no existe una solución
algorítmica. Este método ha llevado a los investigadores a sugerir recursos para la
representación y utilización de conocimiento simbólico y declarativo que enriquezca y
complemente los métodos numéricos y algorítmicos. Los métodos y técnicas de
Inteligencia Artificial (IA) han proporcionado un entorno de trabajo privilegiado para la
investigación cognoscitiva y han llevado al desarrollo de los Sistemas Expertos.
A pesar del esfuerzo considerable en el desarrollo de sistemas de ayuda a la decisión,
el número actual de sistemas operativos en la práctica clínica sigue siendo pequeño. Los
sistemas basados en conocimiento, al igual que los Sistemas Expertos, dependen de la
disponibilidad de expertos reconocidos en su campo. El desarrollo de software a la hora de
introducir y actualizar conocimiento es difícil ya que los expertos pueden tener opiniones
contradictorias y/o variables [ii].
La utilidad y las limitaciones de los sistemas de ayuda a la decisión deberían ser
consideradas a varios niveles. Es necesario analizar las funciones del sistema, el tipo de
consulta, su metodología, distintos factores con respecto a su aceptación, tales como la
calidad de la interfaz de usuario, y el grado de integración en el sistema de información. En
las aplicaciones que ayudan en la práctica de la medicina generalmente no es posible separar
la ayuda en el diagnóstico de los procedimientos médicos que identifican un estado
patológico.
Un sistema de ayuda a la decisión del diagnóstico clínico puede definirse como
cualquier software diseñado para que ayude al clínico con uno o más pasos integrantes del
proceso de diagnóstico [iii].
El diagnóstico se define como el proceso de determinar mediante un examen la naturaleza y
las circunstancias de una situación de enfermedad [iv]. El proceso de diagnóstico supone una
secuencia de tareas interdependientes, a menudo altamente individualizadas: hacer
referencia a la historia inicial del paciente y a los resultados de un examen físico; integrar los
datos en entornos satisfactorios de acuerdo a procesos conocidos de la enfermedad; evaluar
6

en Sueño

y refinar hipótesis de diagnóstico a través de la elicitación selectiva de información
adicional sobre el paciente, como por ejemplo mediante pruebas de laboratorio; iniciar una
terapia en instantes de tiempo apropiados (incluso antes de establecer el diagnóstico); y
evaluar a lo largo del tiempo el efecto en el paciente tanto de la enfermedad como de la
terapia [v]. El diagnóstico es un proceso que está compuesto por pasos individuales. Estos
pasos van desde un punto de origen – una pregunta y un conjunto de “hallazgos”, o “un
diagnóstico previamente definido” -, hasta un punto de destino – una respuesta, que
consiste normalmente en un conjunto de “nuevos diagnósticos establecidos” y/o
“diagnósticos diferenciales sin resolver”-.
Mientras los clínicos pueden tener distintas concepciones sobre qué entienden por
diagnóstico, las definiciones incluidas en los sistemas de ayuda a la decisión del diagnóstico
clínico son incluso más variadas. Los usuarios experimentados a menudo se familiarizan
con el uso de estos sistemas como herramientas complementarias, en lugar de reemplazar
sus propias capacidades de diagnóstico [vi].
Las tecnologías de ayuda a la decisión están, cada vez más, disponibles para los
clínicos de medicina general. En los últimos años, se han desarrollado para el mercado
médico una gran variedad de programas diseñados para ayudar en la dosificación de la
medicación, mantenimiento de la salud, diagnóstico y otras decisiones clínicas relevantes.
Por otra parte, la facilidad para acceder a un ordenador ha aumentado considerablemente,
lo que resulta parcialmente responsable del crecimiento de dichos sistemas. De tal forma
que el interés en automatizar el proceso de toma de decisiones médicas ha crecido a partir
del conocimiento del éxito de la computación médica. Igualmente, esta última evoluciona y
crece con el interés de automatización de procesos de toma de decisiones [vii].
Mucha de la literatura que ha provocado la extensión de este conocimiento proviene
de la investigación realizada en sistemas de información médica de generaciones anteriores.
Estos sistemas residían en grandes computadoras, muchos de los cuales han sido útiles para
los hospitales y han ayudado al cuidado de sus pacientes. Las aplicaciones y algoritmos que
funcionaban en estos sistemas han proporcionado el punto de partida para las tecnologías
modernas de ayuda a la decisión, que se han desarrollado y han evolucionado en entornos
cliente/servidor y en ordenadores personales [viii].
Los primeros años de la década de los 70 fueron una época de gran optimismo para
los investigadores en el campo de la Inteligencia Artificial en Medicina. El éxito inicial de
7


sistemas como MYCIN [ix], CASNET [x] y el sistema de Leeds sobre el dolor abdominal
[xi] hacía razonable admitir que era sólo cuestión de tiempo para que los ordenadores se
convirtiesen en una herramienta estándar para el clínico. Sin embargo, después de dos
décadas del desarrollo de estos programas no existen sistemas de ayuda a la decisión clínica
ampliamente utilizados por los clínicos. La experiencia de 30 años descrita por Engle [xii]
proporciona una visión valiosa sobre los problemas encontrados en la creación y desarrollo
de sistemas de diagnóstico. Facilita una lista de factores divididos en críticos y no-críticos,
en los que se basa para justificar las dificultades de construcción de un sistema útil y el
rechazo de los sistemas de diagnóstico por parte de los clínicos. De acuerdo con Engle, los
factores que juegan un papel pero no son críticos incluyen ordenadores y dispositivos periféricos inapropiados,
la dificultad de alguna gente para trabajar con ordenadores, sistemas que no son agradables al usuario, la
elevada consideración de los clínicos hacia sus propias capacidades, y el miedo hacia la competición del
ordenador, así como la naturaleza limitada de los programas. En su opinión, el impedimento crítico para
el desarrollo de programas de decisión útiles en medicina se encuentra en la imposibilidad de desarrollo de
una base de datos adecuada y un conjunto efectivo de reglas de decisión [xiii].

1.2. Inteligencia Artificial en Medicina
La Inteligencia Artificial (IA) es una disciplina moderna que se inicia formalmente en
1956, y en la actualidad abarca una gran variedad de subcampos, desde áreas de propósito
general, como es el caso de la percepción o el razonamiento lógico, hasta áreas específicas
como el ajedrez, la demostración de teoremas matemáticos, y el diagnóstico de
enfermedades.
Una definición completa de Inteligencia Artificial estaría afectada del hecho de que la
inteligencia en sí misma no está ni bien entendida ni comprendida. Aunque la mayoría de
nosotros reconocemos un comportamiento inteligente cuando lo vemos, sin duda nadie es
capaz de definir certeramente la inteligencia de una forma lo suficientemente específica
para poder ser capaz de evaluar un software supuestamente inteligente. Así pues el problema
de definir la IA se resume a un problema de definir la inteligencia en sí misma [xiv]. La IA
puede considerarse como una ciencia empírica, en la cual los investigadores usan los
paradigmas clásicos de hipótesis y prueba para validar los modelos y mecanismos
inteligentes de acción que han diseñado. El ordenador es el laboratorio donde tienen lugar
los experimentos de IA y el clásico ciclo ingenieril de diseño, construcción, prueba y
8

en Sueño

validación de software es el proceso mediante el cual los investigadores de IA verifican sus
hipótesis [xv].
La IA es una disciplina joven aunque herede muchas ideas y técnicas de otras
disciplinas mucho más antiguas, como pueden ser la filosofía, matemática, psicología,
lingüística y ciencias de la computación, de la que se toman las herramientas de trabajo para
que la IA sea una realidad. Durante la primera época de investigación en Inteligencia
Artificial el interés se había centrado en mecanismos de búsqueda de propósito general que
intentaban encadenar pasos de razonamiento elementales para encontrar soluciones
completas. Eran los llamados métodos débiles, debido a que la información sobre el
dominio con la que cuentan es débil. En el caso de muchos dominios complejos, se trata de
utilizar conocimiento más adecuado para seguir pasos de razonamiento más amplios y
solucionar casos típicos en áreas limitadas de la experiencia. Se podría decir que para
solucionar un problema complicado casi habría que conocer la solución. El programa
DENDRAL [xvi] constituye uno de los primeros ejemplos de este enfoque. También de
esta época es MYCIN [ix], dedicado al diagnóstico de enfermedades infecciosas, y al que
siguieron otros procedimientos para la realización de diagnósticos médicos. Numerosos
grupos del MIT1 pretendían encontrar un método para obtener diagnósticos y tratamientos
con el objetivo de construir sistemas que produjeran las recomendaciones médicas óptimas
más probables.
Uno de los desarrollos con mayor repercusión dentro de la Inteligencia Artificial han
sido los Sistemas Expertos (SSEE) definidos como sistemas computarizados construidos
con técnicas de IA que utilizan el conocimiento sobre algún dominio para obtener la
solución a un problema de ese dominio. La solución es la misma que la concluida por un
experto en el dominio cuando se enfrenta con el mismo problema [xvii]. Lo que realmente
distingue a los Sistemas Expertos de la programación convencional o de cualquier técnica
de búsqueda general son tres características:
(1)

la separación entre el conocimiento y la forma en que es usado

(2)

el uso de conocimiento del dominio muy específico

1

Massachusetts Institute of Technology.

9


(3)

la naturaleza heurística, más que algorítmica, del conocimiento empleado
La historia de la Inteligencia Artificial en Medicina es una mezcla de una creatividad

impresionante agrupada con un éxito limitado, y pequeños beneficios. Todas las
aproximaciones llevadas a cabo para la creación de sistemas, aunque permitan avances en
dominios reducidos, presentan serias limitaciones a la hora de abordar problemas de
dominios amplios. Nuestra incompleta comprensión del proceso de razonamiento médico
y la falta de una “teoría de la medicina” que lo abarque todo, continuarán siendo las fuentes
de consternación e intriga de los problemas de investigación [xviii].
El campo de la Inteligencia Artificial en Medicina (IAM) ha evolucionado en los
últimos años como una disciplina creciente y muy activa. La IAM está en principio
relacionada con la construcción de programas de IA que obtengan diagnósticos y elaboren
recomendaciones terapéuticas. A diferencia de las aplicaciones médicas basadas en otros
métodos de programación, como los métodos probabilísticos puros, los programas de IA
médicos están basados en modelos simbólicos de utilidades diagnósticas y sus relaciones
con factores y manifestaciones clínicas del paciente [xix].
A pesar de que los avances de la tecnología biomédica incrementan la potencia en el
ámbito del diagnóstico, monitorización, tratamiento e interpretación de la gran cantidad de
información que generan, también suponen un problema por la excesiva demanda sobre el
personal de asistencia clínica. Aunque los métodos de ingeniería intentan aliviar los
problemas de almacenamiento, recuperación, procesamiento y presentación de esta
información, con más dispositivos de monitorización, sensores más fiables y técnicas
avanzadas de procesamiento de señales, existen muchas lagunas que intentan cubrir la
aplicación de técnicas de IA, con Sistemas Expertos y Sistemas de Monitorización
Inteligente, en último término [xx].

1.3. Monitorización Inteligente en Medicina
Monitorizar es el proceso de observación del comportamiento de un sistema físico,
en este caso el paciente, con el fin de dirigirlo hacia un determinado objetivo [xx]. Implica
la interpretación de unos datos de entrada y el reconocimiento de ciertas condiciones o
estados de alarma [xxi]. Si a esto le añadimos capacidades de gestión en el sentido de toma
de decisión en cuanto a las posibles intervenciones requeridas sobre el paciente, tenemos
10

en Sueño

un sistema de monitorización de pacientes. La aplicación de técnicas de IA a este campo ha
llevado al desarrollo de este tipo de sistemas bajo una denominación común: Sistemas de
Monitorización Inteligente (SMI).
Los Sistemas Expertos constituyen frecuentemente soluciones elegantes en dominios
bien estructurados y, hasta cierto punto, restringidos. Sin embargo, los SMI amplían el
horizonte de la IA, en concreto de los Sistemas Expertos, y pueden considerarse como
herramientas capaces de interaccionar con diferentes fuentes de datos, adaptarse a los
distintos contextos del dominio y establecer una priorización de tareas, adaptándose a las
restricciones temporales del entorno. La tarea de monitorización inteligente puede
considerarse como un problema cíclico que involucra adquisición de información y datos,
interpretación de información en contextos específicos, establecimiento de diagnósticos
según el estado fisiopatológico del enfermo, y prescripción de terapias para corregir
situaciones indeseables y mejorar la condición del paciente [xxii]. No obstante, esta
aproximación presenta una serie de problemas como la integración de información de
diferentes fuentes, la secuencia temporal de adquisición (que casi nunca es idéntica), la
interpretación contextualizada para el paciente, que no se lleva a cabo de forma inferencial,
etc.
En el desarrollo de sistemas basados en el conocimiento para la monitorización de
apneas del sueño, los principales problemas que nos encontramos son la dificultad
inherente al registro y tratamiento de dichas señales, lo incompleto y ambiguo del conjunto
de criterios establecidos como estándar para la clasificación del sueño, o la carencia de unas
líneas de definición claras y ampliamente aceptadas para la caracterización de los eventos
apneicos. Todo ello se refleja en el carácter heurístico del conocimiento empleado por los
clínicos para emitir su diagnóstico, en el empleo de terminología cualitativa y en la
naturaleza tanto numérica como simbólica de la información manejada. A todo esto se une
la necesidad de contextualizar la interpretación, relacionando el proceso de sueño con la
fisiología respiratoria y ésta con las características propias del paciente.
Todo ello nos ha llevado al establecimiento de un conjunto de objetivos cuyo
desarrollo constituye la base para la presente memoria. Estos objetivos son los que
aparecen en la tabla que se muestra a continuación.

11


OBJETIVOS DEL TRABAJO
Detección de eventos apneicos y clasificación de los mismos
Obtención de la secuencia de fases de sueño por las que transcurre el paciente
monitorizado
Confirmación de los eventos detectados utilizando información contextual:
fases de sueño, información demográfica, etc.
Elaboración de un diagnóstico adaptado al paciente monitorizado
Justificación de los resultados obtenidos para cada objetivo determinado
Tabla 1.1. Objetivos del trabajo desarrollados en la memoria

1.4. Breve resumen de la memoria
En esta memoria, se describe el desarrollo, implementación y validación de un
sistema de diagnóstico inteligente del Síndrome de Apneas del Sueño (SAS). En el capítulo
siguiente se ofrece una descripción más detallada del Síndrome de Apneas del Sueño y los
distintos tipos que existen. El capítulo 3 presenta una descripción de diversos sistemas que
anteriormente han tratado el problema del diagnóstico de SAS, comentando sus ventajas e
inconvenientes. Al respecto, es interesante destacar que, aparte de los sistemas comerciales,
ninguno de los sistemas encontrados en la literatura realiza todas las tareas del proyecto que
aquí se describe. Una parte de estos sistemas se dedican a la clasificación de estados de
sueño, mientras que otra parte analiza únicamente las señales relativas a la función
respiratoria para la detección de apneas del sueño. El capítulo 4 ofrece una visión general
del diseño del sistema tanto desde el punto de vista clínico, como desde el punto de vista
del diseño de un sistema software. En este capítulo se establecen los distintos requisitos que
debe cumplir el sistema que se va a construir y se muestra la arquitectura del mismo.
Además, se incluye la descripción del módulo de prescripción polisomnográfica encargado
de la evaluación previa del paciente, que permite al clínico obtener información suficiente
para respaldar la posibilidad de que el paciente padezca el Síndrome de Apneas del Sueño.
Los capítulos siguientes presentan la descripción de los distintos módulos
identificados en la arquitectura del sistema. El capítulo 5 se centra en el análisis realizado
sobre las señales de la función respiratoria para la detección de los eventos apneicos, para
dejar paso al módulo de construcción del hipnograma, en el capítulo 6, que ofrecerá la
secuencia de estados por los que transcurre el sueño del paciente. El capítulo 7 presenta el
12

en Sueño

proceso final de integración de la información de los restantes módulos del sistema, que
resulta en la elaboración de un diagnóstico particularizado, determinando el tipo de
síndrome apneico que sufre el paciente. En el capítulo 8, se describe el proceso de
validación realizado sobre el sistema, así como los resultados obtenidos por el mismo.
Los capítulos 9 y 10 ofrecen una discusión sobre las implicaciones de este trabajo, las
conclusiones alcanzadas y posibles mejoras para un trabajo futuro.

1.5. Resumen
Este capítulo introduce el tema tratado en esta tesis doctoral, ofreciendo una breve
definición del trastorno del Síndrome de Apneas del Sueño, desde el punto de vista de las
manifestaciones que presenta el paciente, de las consecuencias de la enfermedad, así como
del método utilizado para obtener un diagnóstico y establecer un tratamiento específico.
Como resultado del análisis del proceso llevado a cabo para obtener el diagnóstico del
síndrome, se ha llegado a la conclusión de la adecuación de las técnicas de Inteligencia
Artificial para resolver el problema que se plantea con respecto a dicho diagnóstico.
Las técnicas de Inteligencia Artificial han sido aplicadas al campo médico desde hace
varias décadas y sus representaciones más importantes son los sistemas expertos y los
sistemas de monitorización inteligente. Un sistema de monitorización inteligente implica la
interpretación de datos de entrada y el reconocimiento de ciertas condiciones de alarma
para ofrecer una toma de decisión en cuanto a las posibles intervenciones requeridas sobre
el paciente. De entre todas las aplicaciones de la tecnología al campo médico, el soporte a la
decisión ha sido quizás uno de los campos más investigados. Esta investigación ha sido
dirigida hacia la solución de problemas para los que los métodos y técnicas de Inteligencia
Artificial constituyen un entorno de trabajo privilegiado. Un sistema de ayuda a la decisión
del diagnóstico clínico puede definirse como cualquier software diseñado para que ayude al
clínico con uno o más pasos integrantes del proceso de diagnóstico.
Tomando como base por un lado, la monitorización inteligente de pacientes y
orientándola hacia la ayuda en la decisión del diagnóstico clínico, se ha diseñado un sistema
inteligente que permite evaluar un conjunto de señales fisiológicas para obtener un
diagnóstico del Síndrome de Apneas del Sueño, particularizado para el paciente en estudio.

13

en Sueño

15

Técnicas de Inteligencia Artificial e Ingeniería del Software para un Sistema Inteligente de monitorización de Apneas
en Sueño

Capítulo 2. DESCRIPCIÓN DEL DOMINIO
Dicen los expertos que el sueño es un estado complejo que difiere cualitativamente
del estado de vigilia y que está íntimamente relacionado con ella, aunque ambos expresan
distintos tipos de actividad cerebral [23].
Basándose en observaciones del comportamiento, se ha establecido por consenso
general que la conducta que se denomina sueño se caracteriza por una postura estereotipada
de descanso, que varía en cada especie animal; la ausencia o disminución de movimientos
corporales voluntarios; una escasa respuesta a los estímulos externos de baja intensidad,
que en vigilia pueden percibirse normalmente; y una duración limitada y reversibilidad del
estado, lo cual lo distingue del coma.
El sueño es esencial para desarrollar una vida normal. La duración ideal del sueño es
aquella que nos permita realizar una vida social y laboral normal. Hay personas que
necesitan ocho horas y otras que se encuentran perfectamente habiendo dormido sólo seis.
Pero en lo que todos los expertos están de acuerdo es en que el sueño es necesario para
vivir, y que una cantidad insuficiente afecta a diversos aspectos de la conducta: disminuye el
nivel de activación y de alerta durante la vigilia y, por tanto, el rendimiento; aumenta el
riesgo de accidentes laborales y de tráfico, y puede mermar la motivación y las capacidades
cognitivas [23].
No existe una respuesta biológica clara para la pregunta de por qué dormimos. Uno
de los objetivos principales en la investigación del sueño consiste en la caracterización de la
etiología y fisiopatología de los desórdenes del sueño. Las enfermedades relacionadas con el
sueño aparecen en la literatura médica a comienzos del siglo XIX. Sin embargo, desde 1900
hasta mediados de los años sesenta la producción científica sobre el “paciente
somnoliento” fue muy pobre, con excepción de algún informe ocasional sobre los aspectos
normales y anormales de la fisiología del sueño. Desarrollos recientes sobre técnicas de
investigación en neurobiología, biología molecular, fisiología, neuropsiquiatría, medicina
pulmonar, y cardiología, han permitido a los científicos el estudio de los detalles del sueño.
Como resultado, se ha originado una corriente de interés hacia la comprensión del sueño y

17

Capítulo 2 Descripción del dominio

de los desórdenes del sueño, y la creación a nivel sanitario de los llamados Laboratorios de
Sueño.
Algunos desórdenes relacionados con el sueño son simplemente inconvenientes
temporales mientras que otros son potencialmente más serios. El Síndrome de Apneas del
Sueño es el principal desorden respiratorio del sueño. Otros desórdenes serios relacionados
con el mismo son la narcolepsia y la insomnia clínica. La apnea (del griego Apnea: “querer
respirar”) del sueño consiste en la interrupción de la respiración mientras el individuo
duerme. Clínicamente fue descrita por primera vez en 1965 como cese de respiración durante el
sueño [24] y es el desorden de sueño más común en términos de mortalidad y morbilidad,
especialmente en hombres de mediana edad. Probablemente el “paciente” más conocido de
apneas del sueño sea el Gordo Joe en “Los documentos póstumos del Club Pickwick” de
Charles Dickens [25], el chico obeso de cara colorada en permanente estado de
somnolencia, que roncaba y respiraba de forma pesada. El término síndrome Pickwickiano se
utiliza hoy para referirse a aquellos pacientes con la manifestación más severa de las apneas
del sueño, que está asociada con niveles de respiración reducidos incluso durante el día.
Las manifestaciones asociadas con las apneas del sueño aparecen en cascada: apnea,
despertar o arousal, pérdida de sueño, y una excesiva somnolencia diurna. La frecuencia de
aparición de cada una de estas manifestaciones está relacionada con la frecuencia de
aparición de la condición anterior. La incidencia de las apneas del sueño en algunas familias
sugiere una anormalidad genética. Las apneas del sueño aparecen en todos los grupos de
edades y en ambos sexos, aunque parece que predomina en los hombres (podría estar
infradiagnosticado en las mujeres) [23]. Las personas con una mayor probabilidad de sufrir
o desarrollar apneas del sueño, son aquellas que roncan y son obesas, o tienen la presión
sanguínea elevada, o presentan alguna anormalidad física en la nariz, garganta o cualquier
otra parte de las vías aéreas superiores. La ingestión de alcohol y de somníferos incrementa
la frecuencia y duración de las pausas respiratorias durante el sueño en individuos con o sin
apneas del sueño.
A causa de los desarreglos que origina la apnea en los patrones normales de sueño,
los pacientes que sufren este trastorno presentan somnolencia diurna y esto se refleja tanto
en su concentración como en su rendimiento diario. Las consecuencias más comunes de las
apneas del sueño van desde cambios en la personalidad, disfunciones sexuales, quedarse
dormido en el trabajo, hasta problemas en la conducción [26].
18

en Sueño

2.1. El estudio del sueño
La era moderna de la investigación del sueño comienza a mediados de 1950 con el
descubrimiento de que el sueño no es un fenómeno homogéneo, sino que el sueño fluctúa
de forma cíclica entre dos estados secuenciales distintos [26]. En la práctica, los clínicos
definen el sueño a través de ciertas medidas fisiológicas que están relacionadas con él.
Aunque estas medidas fisiológicas obtienen su valor a través de una correlación con el
sueño conductista, también proporcionan información sobre diferentes tipos o estados de
sueño, cuya identificación a través de la observación de la conducta no es tan obvia.
Tradicionalmente, han sido utilizadas tres medidas fundamentales para definir el sueño
desde el punto de vista fisiológico y sus diferentes estados (Figura 2.1). Estas medidas son:
(1) el electrooculograma, que recoge los movimientos oculares y convencionalmente recibe
el nombre de EOG; (2) el electromiograma, convencionalmente abreviado como EMG,
que es un registro de la actividad eléctrica que emana de los músculos activos, y (3) el
electroencefalograma, que convencionalmente se abrevia como EEG y se conoce
popularmente como ondas cerebrales [27].

Electroencefalograma
EEG = Ondas cerebrales

Electrooculograma
EO G = Movimientos oculares

Electromiograma
EM G = Tensión muscular

Figura 2.1. Principales medidas que definen el sueño fisiológico

Electrooculograma (EOG)
En 1848 Du Bois-Reymond [28] descubrió la existencia de una diferencia de
potencial entre la córnea y la retina en el ojo humano, y verificó que cuando la córnea del
ojo está cargada positivamente, la retina estaba cargada negativamente, permitiendo que el
ojo fuese caracterizado eléctricamente como un dipolo rotativo. Cuando este dipolo cambia
de posición, el campo eléctrico se altera. La diferencia de potencial entre la córnea y la
retina – el EOG – se utiliza para monitorizar los movimientos del ojo. El EOG se utiliza
para la detección de movimientos oculares rápidos que ocurren durante algunos intervalos
19


de sueño. Estos movimientos están asociados generalmente a ondas o grupos de ondas de
gran amplitud, baja frecuencia y pendiente marcada, superpuestas a la actividad de fondo.
No existe consenso entre los autores en cuanto a la amplitud y frecuencia que se deben
utilizar para su caracterización; algunos autores consideran ondas correspondientes a
movimientos rápidos del ojo, las variaciones de amplitud entre 20 y 250 microvoltios (μv)
de una duración entre 20 y 110 ms [29].

Electromiograma (EMG)
La señal de EMG, es la manifestación eléctrica de la actividad neuromuscular
asociada con una contracción muscular. El EMG se registra a partir de electrodos
colocados en la superficie de la piel sobre el músculo. Preferentemente se colocan
electrodos debajo de la barbilla, ya que los músculos de esta área proporcionan señales de
muy buena calidad y reflejan claramente los cambios que se producen en la progresión
normal del sueño. Los patrones formados por las ondas de EMG constituyen un conjunto
espacio-temporal complejo, caracterizado por variaciones bruscas tanto de amplitud como
de frecuencia. La amplitud de la señal recogida varía entre los 20 μv y los 5 mv, y su gama
de frecuencias está comprendida entre los 30 y los 500 Hz. A la hora de caracterizar el
EMG se hace referencia a dos aspectos: la ocurrencia de movimientos musculares, que se
reflejan en la señal como incrementos de su amplitud bruscos y de escasa persistencia; y la
clasificación del tono muscular de fondo, referido a la amplitud media alcanzada [29].

Electroencefalograma (EEG)
El EEG, registro de la actividad eléctrica del cerebro, fue descubierto en 1929 por
Hans Berger, que detectó pequeñas diferencias de potencial eléctrico entre dos electrodos,
cuando éstos se colocaban en contacto con el cuero cabelludo. Para medirlas, se
amplificaban y se examinaban sus variaciones desde el punto de vista de su duración y de
su amplitud. El espectro de frecuencias sobre las que trabaja el EEG se desglosa en cuatro
categorías [27]. Las bandas de frecuencia designadas por estas categorías se identifican
mediante las letras griegas alpha, beta, theta y delta.
La banda alpha define una actividad eléctrica dentro del rango de 8 a 13 Hz, e incluye
el ritmo alpha o ritmo posterior dominante, que constituye la actividad rítmica registrada
normalmente en el individuo despierto. Su amplitud es variable, abarcando desde 5 a 100
20

en Sueño

μv, pero se encuentra principalmente por debajo de los 50 μv. Este ritmo se puede
observar cuando los ojos del individuo están cerrados y en condiciones de relax físico y una
relativa inactividad mental. La amplitud del ritmo alpha se atenúa con la apertura de los
ojos, la atención, y el esfuerzo mental. Dentro de la banda alpha también se incluyen otra
variedad de actividades. Una de ellas es el denominado ritmo mu, que se define como una
actividad rítmica de 7 a 11 Hz que ocurre en las regiones central y centro-parietal durante la
vigilia. El ritmo mu se atenúa, no por la apertura de los ojos, sino por la contracción de los
músculos de la parte contralateral del cuerpo.
La banda beta incluye frecuencias por encima de los 13 Hz. El componente más
común de esta banda es el ritmo beta - actividad rítmica que consiste en una variedad de
frecuencias mayores de 13 Hz y algunas veces de hasta 35 Hz. Su amplitud es variable pero
se encuentra mayormente por debajo de 30 μv. El ritmo beta se puede observar bajo un
amplio rango de condiciones, aunque es característico de la transición de sueño ligero a
sueño profundo. Normalmente los transitorios agudos, como espicas, se encuentran en la
parte de la banda beta de frecuencia mayor de 35 Hz.
La banda theta está formada por actividad eléctrica con una frecuencia desde 4 Hz
hasta casi 8 Hz y una amplitud entre 50 y 100 μv. La actividad theta se puede observar
normalmente en estado de somnolencia y durante los estados de sueño ligero, pero
también puede aparecer durante la vigilia. Esta actividad puede ser estrictamente rítmica
como ocurre en el caso del ritmo alpha, o altamente irregular, denominada algunas veces
actividad arrítmica o polimórfica.
La banda delta contiene frecuencias por debajo de los 4 Hz, con amplitudes entre 100
y 200 μv. La actividad delta se puede observar normalmente en los estados de sueño
profundo y también es una anormalidad comúnmente observada en los adultos despiertos.
Al igual que la actividad theta, puede ser rítmica o irregular, en cuyo caso suele ser
denominada actividad delta polimórfica. La actividad delta posee la amplitud más alta de
cualquier actividad registrada en el EEG [28].
En el EEG también pueden aparecer otras características, fácilmente identificables,
entre las que se encuentran los complejos K, los husos de sueño o sleep spindles, y los arousal
que van a ayudar a distinguir los distintos estados por los que atraviesa el sueño normal de
un individuo.
21


Los complejos K se definen como elementos transitorios de ondas lentas, normalmente
difásicos, y que presentan una amplitud máxima en el vértice. Este elemento presenta
amplitudes elevadas, de hasta 100 μv, y suele venir acompañado o asociado con sleep
spindles. Los complejos K suelen durar casi un segundo, pero a veces, la duración puede
ser algo mayor. Aparentemente suelen presentarse de forma espontánea en la transición de
sueño ligero a sueño profundo, aunque también pueden ocurrir en respuesta a una
estimulación sensorial repentina, como por ejemplo un ruido alto en el lugar donde duerme
el individuo.
Los sleep spindles2 se definen como ráfagas de actividad muy rítmica de 11 a 15 Hz de
frecuencia, de duración y amplitud variables. Su amplitud es generalmente menor de 50 μv
pero ocasionalmente puede superar los 100 μv. Los sleep spindles aparecen de forma
extendida y suelen presentar mayor amplitud en las regiones centrales, aunque algunas
veces dominan sobre la parte anterior [28].
Un arousal se define como un aumento acusado de la frecuencia del EEG, que puede
incluir actividades theta y alpha y/o frecuencias superiores a 16 Hz, pero nunca sleep
spindles. En algunas ocasiones, también se pueden identificar a través de breves
incrementos de la amplitud de la señal de EMG. Los arousal son elementos transitorios y
normalmente no dan lugar a que el individuo se despierte. De hecho, originan una
fragmentación del sueño más que una reducción del mismo.
La siguiente tabla reúne los distintos elementos que se han identificado en el EEG, y
resume sus características más importantes (Tabla 2.1).

2

En castellano, el término correspondiente es “husos de sueño”, aunque en la práctica clínica se

utiliza comúnmente la terminología inglesa, que será la que se utilice a lo largo de esta memoria.

22

en Sueño

RANGO DE
FRECUENCIA

VOLTAJE

CARACTERÍSTICAS

ALPHA

8 - 13 Hz

5-50 μv

MU

7 - 11 Hz

5-50 μv

BETA

13 - 35 Hz

< 30 μv

THETA
DELTA
COMPLEJOS K

4 – 8 Hz
< 4 Hz
Baja

50 – 100 μv
100 – 200 μv
≤ 100 μv

SLEEP-SPINDLES

11-15 Hz

< 50 μv

AROUSAL

Elevada

Elevada

Se observa en condiciones de relax y
vigilia. Se atenúa con la apertura de
los ojos
Se atenúa con la contracción
muscular
Se observa en la transición sueño
ligero – sueño profundo
Se observa en sueño ligero y vigilia
Se observa en sueño profundo
Pequeños despertares transitorios
que originan fragmentación del
sueño

Tabla 2.1. Comparación de las distintas actividades cerebrales y características del EEG

En la práctica EEG, EOG y EMG se registran de forma simultánea en una gráfica en
papel que se mueve de forma continua, de tal forma que las relaciones entre estas tres
medidas pueden observarse de forma inmediata.

2.1.1. Los estados de sueño
Dentro del sueño, se han definido dos estados independientes basándose en una
combinación de parámetros fisiológicos. Estos dos estados - estado NREM, sin
movimientos rápidos del ojo y estado REM3, con movimientos rápidos del ojo- existen
virtualmente en todos los mamíferos.
El estado de sueño NREM presenta varias denominaciones, entre las que se
encuentran sueño sincronizado, sueño lento, sueño de ondas lentas, o sueño tranquilo. En
este estado, generalmente la actividad del cuerpo disminuye: existen movimientos lentos del
ojo, la frecuencia respiratoria y cardíaca descienden, la presión sanguínea disminuye y el
consumo total de oxígeno en el cuerpo se reduce. El patrón de EEG se describe

3

En castellano, las siglas correspondientes a los estados sin movimientos del ojo rápidos y con movimientos del

ojo rápidos son NMOR y MOR respectivamente. Sin embargo, en la práctica clínica se utiliza comúnmente la
terminología inglesa, NREM y REM, que será la terminología que se utilizará en la presente memoria.

23


comúnmente como síncrono, con formas de onda características como sleep spindles,
complejos K, y ondas lentas de alto voltaje. Convencionalmente, el sueño NREM se
subdivide en cuatro fases, que son relativamente precisas, aunque un tanto arbitrarias,
definidas sobre uno de los ejes de medida, el EEG. En la Fase 1 la actividad alpha
disminuye, el nivel de activación es escaso, y el patrón de EEG se describe como de bajo
voltaje y frecuencias mixtas, la mayoría entre 3 y 7 Hz. En esta fase no aparecen REMs,
aunque sí movimientos lentos del ojo (SEMs). El EMG, por su parte, registra una actividad
moderada a baja decreciente. La Fase 2 se caracteriza también por un fondo continuo de
bajo voltaje, actividad de frecuencia mixta, ráfagas de ondas sinusoidales o sleep spindles, y
complejos K. Raramente aparecen movimientos oculares, y el EMG registra una actividad
moderada a baja decreciente. En la Fase 3, el EEG registra ondas lentas y de gran amplitud
denominadas ondas delta. Tanto el EOG como el EMG no presentan características
significativas en esta fase. La Fase 4 se caracteriza por un incremento cuantitativo de ondas
delta de tal forma que se convierten en dominantes en el trazado del EEG. Al igual que en
la fase anterior, el EOG y el EMG no presentan características significativas [30].

La Tabla 2.2 resume las características de las distintas fases de sueño tanto del estado
NREM como del estado REM. En su mayor parte, las diferencias principales entre las fases
1, 2, 3, y 4 se pueden detectar en sus patrones de EEG como se muestra en la Figura 2.2.
El segundo estado de sueño se denomina sueño sincronizado, sueño rápido, sueño
de ondas rápidas, o sueño REM. Generalmente el sueño REM no se divide en fases,
aunque a menudo se distinguen tipos de sueño REM tónico y fásico con propósitos de
investigación. También se denomina sueño paradójico debido a que el EEG es similar al
que aparece en los estados de vigilia o de sueño ligero, aunque el sueño REM se trate de
sueño profundo, si se hace referencia a los demás elementos fisiológicos implicados.
Durante el sueño REM, la actividad del Sistema Nervioso Central (SNC) se incrementa, y el
sistema del cuerpo se activa e inactiva de forma variada siguiendo un patrón fisiológico
complejo. Un adulto normal emplea del 15 al 20% de las horas de sueño en sueño REM,
aunque este porcentaje disminuye con la edad. En el sueño REM, el EEG se dice que es
sincronizado, con ondas rápidas de bajo voltaje, una atonía muscular, y episodios de
movimientos oculares rápidos (Figura 2.2, Tabla 2.2).

24

en Sueño

FASES DE
SUEÑO

FASE 1
FASE 2
FASE 3
FASE 4
FASE
REM

CARACTERÍSTICAS
EEG
EMG
Actividad de bajo voltaje y frecuencia Actividad moderada
mixta
decreciente
Alpha disminuye
Actividad de bajo voltaje y frecuencia Actividad moderada
mixta
decreciente
Sleep spindles y complejos K
Ondas lentas de gran amplitud (delta)
Actividad moderada o
relajada
Incremento ondas delta (ocupan más del Actividad moderada o
50%)
relajada
Actividad de bajo voltaje y frecuencia Actividad relajada o
mixta
incluso ausente

EOG
No hay REMs
Aparecen SEMs
No es significativo
No hay REMs
No hay SEMs
No hay REMs
No hay SEMs
Aparecen REMs

Tabla 2.2. Resumen de las características de las fases de sueño de los estados NREM y REM

Frente a los estados de sueño REM y NREM, la vigilia se caracteriza por una
alternancia del EEG entre dos patrones principales. Uno es de bajo voltaje (entre 10 y 30
μv), de actividad rápida (de 16 a 25 Hz), denominado activación o patrón desincronizado. El
segundo es un patrón sinusoidal de voltaje entre 8 y 12 Hz y de amplitud entre 20 y 40 μv
denominado patrón alpha. Es típico que la actividad alpha sea más abundante cuando el
paciente está relajado y sus ojos están cerrados. El patrón de activación domina cuando el
paciente está alerta y con los ojos abiertos, observando el entorno. Los REMs pueden ser
abundantes o escasos, dependiendo de la atención puesta en el entorno, y el EMG puede
ser alto o moderado, dependiendo del grado de tensión muscular [31,27,32].

25


ESTADO NREM
FASE I

FASE II

FASE III

FASE IV

ESTADO REM: FASE REM

Figura 2.2. Registro poligráfico de un individuo adulto [33]

2.1.2. Estructura del sueño
26

en Sueño

En los humanos, el sueño se caracteriza por una alternancia cíclica de los estados de
sueño. Al comenzar a dormir, el individuo normal desarrolla en primer lugar las 4 fases de
sueño de ondas lentas, de menor a mayor profundidad, y a continuación aparece el primer
sueño REM. Todo ello constituye el primer ciclo de sueño. A lo largo de una noche de
sueño, de 7 a 8 horas de duración, se suceden de 4 a 6 ciclos de sueño. Un ejemplo de ello
aparece reflejado en la Figura 2.3.

VIGILIA

NREM

Estados de sueño

HIPNOGRAM A

REM
F

23

0

1

2
3
4
Horas de sueño

5

6

7

Figura 2.3. Sucesión de estados y progresión de ciclos a lo largo de la noche

No todos los ciclos son de la misma duración ni la proporción de los distintos
estados de sueño es la misma. El primer ciclo es el más corto y los más largos son el
segundo y el tercero, con una duración de unos 115-120 minutos, y posteriormente la
duración disminuye hasta unos 90 minutos en los últimos ciclos. Además, la composición
de estos ciclos varía de unos a otros, así en los primeros ciclos predomina el sueño
profundo de ondas lentas, mientras que el sueño REM es de corta duración. A medida que
transcurre la noche en los ciclos sucesivos, el sueño lento profundo se halla en menor
proporción o incluso está ausente, mientras que se incrementa el sueño lento superficial, y
el sueño REM, además de ser más abundante, se acompaña de ensueños mucho más
elaborados.
La proporción de ocurrencia de cada estado de sueño sufre variaciones de un sujeto a
otro. Aproximadamente la mitad de la noche transcurre en sueño lento superficial, mientras
que la otra mitad se distribuye entre sueño lento profundo y sueño REM. La cantidad de
vigilia en condiciones normales no excede el 5%. En conjunto, en un individuo joven
normal el sueño REM representaría entre el 20% y 25%, la fase 1, del 2% al 6%, la fase 2
alrededor del 45% y las fases 3 y 4 consideradas conjuntamente totalizarían el resto. Estos
datos aparecen reflejados en la Figura 2.4.
27


Proporción de los estados de sueño

Fase 1

2

Fase 2

4

Fase 3

8

Fase 4

1

REM

2

Vigilia

2

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

50%

Porcentaje de los distintos estados en una noche de sueño
Figura 2.4. Distribución de los distintos estados de sueño a lo largo de la noche [33]

Hay que señalar que, interrumpiendo el sueño, suelen aparecer durante la noche
algunos despertares breves de los que generalmente no somos conscientes. Estos periodos
de vigilia representan alrededor del 2% del periodo total de sueño y en condiciones
normales no superan nunca el 5%.
No siempre es fácil diferenciar los distintos estados de sueño, pues existen
abundantes fluctuaciones a lo largo de la noche, y estas dificultades se ven incrementadas
en los pacientes que presentan algún tipo de patología asociada al sueño. Con el fin de
homologar los análisis en los distintos Laboratorios de Sueño, se utiliza internacionalmente
la normativa publicada por Rechtschaffen y Kales en 1968 [34] para la correcta clasificación
de los estados y fases de sueño, a partir del registro simultáneo de las tres medidas
fundamentales anteriormente mencionadas: EEG, EOG y EMG. Los resultados obtenidos
tras un análisis visual de los registros, permiten la elaboración del hipnograma, definido
como la representación gráfica de los distintos estados y fases de sueño a lo largo de una
noche, dividiendo el eje temporal en segmentos de 30 segundos de duración denominados
epochs4. El hipnograma facilita de forma importante el estudio del sueño normal y

4

Se ha establecido un tamaño de epoch de 30 s. por tratarse de la duración manejada habitualmente por

la mayoría de los clínicos.

28

en Sueño

patológico, al darnos una visión de conjunto de la estructura del mismo a lo largo de un
cierto número de horas de registro, que puede adaptarse a las necesidades de la exploración
en cada caso determinado y proporcionar la cuantificación de los parámetros más
importantes del sueño [35].
Otras variables relacionadas con el sueño, tales como el registro de la respiración
oro-nasal y torácico-abdominal, el ECG, la temperatura corporal, los movimientos de las
piernas, etc., no son básicos para la clasificación de los estados del sueño de ondas lentas y
el sueño REM, pero resultarán imprescindibles en los estudios de las diversas patologías o
en el desarrollo de investigaciones sobre el sueño.
La realización y análisis del registro continuo y simultáneo del conjunto de variables
fisiológicas indicativas de la actividad respiratoria y neurofisiológica del paciente durante
una primera noche de sueño, también denominado registro basal [35], recibe el nombre de
polisomnograma. A partir de este estudio el médico puede confirmar no sólo la existencia de
alguna patología que afecte al ciclo normal de sueño de una persona aparentemente sana,
sino también evaluar la gravedad de dicha patología y seleccionar la terapia adecuada.

2.2. El sueño y el sistema respiratorio
Los dos componentes principales de la respiración son la inspiración y la espiración.
La inspiración se define como un proceso activo que involucra los músculos de
contracción del diafragma, los músculos externos intercostales, y en algunas circunstancias,
los músculos accesorios. Su función es la de aumentar el volumen intratorácico, disminuir
la presión intrapleural y permitir el intercambio de aire y dióxido de carbono dentro de los
alvéolos de los pulmones. El oxígeno es transportado desde los alvéolos hasta la sangre
pulmonar a través de una difusión pasiva, haciéndose disponible así para los tejidos. La
espiración, por otro lado, es un proceso relativamente pasivo, que requiere una pequeña o
ninguna contracción de los músculos durante una respiración tranquila. La función
principal del proceso de respiración es provocar el intercambio de oxígeno y dióxido de
carbono, y otros productos gaseosos del sistema biológico [32].
Con el comienzo del sueño NREM, existen cambios inmediatos y sorprendentes en
el sistema respiratorio, en concreto, la pérdida del impulso de vigilia para respirar y la
disminución de la actividad de los músculos responsables de mantener el conducto de la
29


faringe abierto durante la inspiración. Estos dos fenómenos relacionados con el sueño
originan una disminución de la ventilación durante el mismo. El resultado final es que
durante el sueño NREM aparece una caída del 13 al 15% en la ventilación por minuto y
una correspondencia en la ventilación alveolar de tal forma que la pCO2 arterial aumenta y
la pO2 arterial disminuye.
Durante el sueño REM la respiración es automática y normalmente muy regular.
Durante la transición entre la vigilia y el sueño, debido a fluctuaciones en el nivel de alerta y
los cambios entre los valores de CO2 despierto y dormido, la respiración puede ser
periódica con oscilaciones regulares en amplitud. Estas oscilaciones se atenúan, es decir, se
vuelven menos pronunciadas, a medida que el sueño se va estabilizando. El mayor grado de
irregularidad en la respiración ocurre en los periodos fásicos del sueño REM. Con la
pérdida de tono muscular que aparece con el sueño REM, se origina un aumento en la
resistencia de las vías aéreas superiores dos veces el valor de la resistencia en estado de
vigilia. En las personas que roncan, debido a su anatomía alterada de las vías aéreas
superiores, la resistencia puede aumentar hasta 10 veces los valores de vigilia. En ciertos
individuos, la resistencia durante el sueño se convierte en infinita y la ventilación cesa
debido a los esfuerzos respiratorios continuos; esto dará lugar al denominado Síndrome de
Apneas Obstructivas del Sueño.
A tenor de lo descrito, se puede concluir que los cambios producidos en la
respiración ligados al sueño son inmediatos y pueden llegar a ser muy importantes,
permitiendo incluso hipoxemia relacionada con el sueño y, en algunos individuos, pueden
originar apneas e incluso producir la muerte [27].

2.3. Desórdenes respiratorios del sueño. El Síndrome de
Apneas del Sueño
Con el término respiración desordenada de sueño se define un rango de irregularidades en
la respiración desde el ronquido crónico al Síndrome de Apneas del Sueño, y el
denominado síndrome Pickwickiano.
El Síndrome de Apneas del Sueño (SAS), fue descrito de forma independiente por
dos grupos de investigación europeos en 1965: Gastaut et al. [36] en Francia y Jung y
Kuhlo [37] en Alemania, que informaron sobre sus hallazgos del síndrome Pickwickiano de
30

en Sueño

las apneas del sueño. Burwell et al. [38] en 1956 ya habían acuñado el término Síndrome
Pickwickiano en honor al personaje de Joe, el muchacho somnoliento de "Los documentos
póstumos del Club Pickwick". Sin embargo, a diferencia de los grupos europeos, ellos
estudiaban a pacientes somnolientos solamente cuando estaban despiertos. Por supuesto
que el primero que describió el síndrome Pickwickiano fue Charles Dickens, el narrador de
los "Los documentos póstumos del Club Pickwick" en 1835, pero su interés era puramente
literario. Más adelante, en 1970, Tassinari y Lugaresi [39] realizaron investigaciones clínicas
del sueño sobre un conjunto grande de pacientes. Describían el SAS en pacientes obesos y
no obesos, mostrando una correlación con los trastornos cardiovasculares e identificando
el ronquido y la hipersomnolencia como indicadores de diagnóstico. Sin embargo, no es
hasta 1973 cuando se habla de la caracterización de la apnea en cuanto a su duración y tipo,
y la definición del índice de apnea (número de apneas por hora de sueño) a raíz de los
estudios de Guilleminault et al. en 1973 [40]. Más tarde, Gould et al. [41] documentaron la
relación entre la somnolencia diurna y los trastornos nocturnos de sueño originados por el
síndrome. En 1983 Guilleminault et al. [42] describen las arritmias cardíacas y los
trastornos en la conducta en relación con el Síndrome de Apneas del Sueño. Esta
descripción fue seguida de diversos informes buscando la arritmia cardíaca, la hipertensión,
los accidentes cerebrovasculares, y la muerte súbita como secuelas del Síndrome de Apneas
del Sueño [43].
La terminología con respecto a los Síndromes de Apneas del Sueño es inconsistente y
confusa e incluye: "Síndrome de oclusión de las vías aéreas superiores", "Respiración
desordenada de sueño", "Síndrome de apnea en sueño" y "Síndrome de hipopnea en
sueño". Las definiciones que serán utilizadas en la presente memoria son las más
ampliamente aceptadas.
Los pacientes que sufren de apneas del sueño pueden presentar pausas respiratorias
involuntarias de forma repetida durante la noche. La duración de estas pausas respiratorias
varía dentro de un mismo paciente, y entre pacientes, y puede oscilar desde 10 hasta 60
segundos. No se considera indicativo de apneas del sueño un número de pausas
respiratorias menor de 30 durante una noche de 7 horas. La mayoría de los pacientes con
apneas del sueño experimentan de 20 a 30 eventos apneicos por hora, más de 200 por
noche, y diremos que estos pacientes sufren el Síndrome de Apneas del sueño (SAS). Estas
pausas respiratorias, que pueden aparecer agrupadas, vienen acompañadas a menudo por
sensaciones de asfixia que pueden despertar al paciente, así como ronquidos intermitentes,
31


insomnio, dolores de cabeza matutinos, y una somnolencia diurna excesiva, aunque no
todos los pacientes se quejen de esta última característica. Otras características de las
apneas del sueño incluyen la disminución de la frecuencia cardíaca por debajo de 60 latidos
por minuto (bradicardia), arritmias cardíacas o latidos irregulares, presión sanguínea alta, y
obesidad. La ausencia de sueño reparador puede originar un deterioro del rendimiento,
depresión, irritabilidad, disfunción sexual, y defectos en atención y concentración [44].

2.3.1. Hipopneas del sueño
También se pueden presentar durante el sueño reducciones del flujo respiratorio del
30% al 50%, que aparecen de forma repetida durante la noche y su duración es de al menos
10 segundos. Estos eventos reciben el nombre de hipopnea si vienen acompañados de una
desaturación (caída de la señal de Saturación de oxígeno) del 4% o más, y/o un arousal (o
despertar) en el EEG. Cuando un paciente presenta un número de episodios de hipopnea
mayor de 15 por hora de sueño, se dice que el paciente sufre el Síndrome de Hipopneas del
Sueño (SHS).
Aunque existe un amplio acuerdo a la hora de decir que una hipopnea ocurre cuando
existe una reducción en la ventilación durante el sueño, existen diversidad de opiniones
tanto para determinar la mejor forma de medir esta reducción en ventilación y qué grado de
reducción es significativo. Además, el texto estándar de la medicina del sueño no incluye
una definición específica de hipopnea. Para medir una disminución en la ventilación se han
utilizado medidas directas de flujo y medidas indirectas de movimientos torácicos y/o
abdominales, y es razonable decir que en la actualidad no existe una medida estándar [45].
La medida del flujo de aire mediante un termistor es el método más comúnmente
utilizado en los laboratorios de sueño para valorar la presencia del mismo. El termistor es
un dispositivo que se basa en la medida relativa de la temperatura durante la espiración y la
inspiración y en el calor contenido en el aire (temperatura y volumen). Este dispositivo
mide el flujo de forma indirecta. La utilización de la temperatura como un sustituto de una
medida directa del flujo de aire funciona correctamente para la detección de apneas. Sin
embargo, debido a que la amplitud de la señal se basa solamente en una correlación
aproximada con la magnitud del flujo de aire (y varía de forma considerable dependiendo
del tipo de termistor y de su posición), la temperatura no presenta una relación tan buena
con el volumen de aire cuando se pretende utilizar para valorar las hipopneas. Es por ello
32

en Sueño

que se utiliza un criterio de apoyo (presencia de una desaturación de oxígeno y/o un
arousal) para confirmar cualquier evento dudoso identificado mediante un termistor [46].
En un estudio cuidadosamente validado, Gould et al. [41] proponen como definición
de hipopnea la reducción del 50% en la amplitud torácico-abdominal (mediante
pletismografía inductiva) durante 10 segundos o más, cuando se compara con la amplitud
de pico ocurrida en los dos minutos previos en presencia de un flujo de aire continuo.
Whyte et al. [47] demostraron su confianza en esta definición y establecieron que las
medidas del flujo de aire no contribuyen a la identificación de la hipopnea.
Desafortunadamente muchos laboratorios de sueño no confían en la pletismografía cuando
las personas son obesas o no descansan al dormir, y la relación indirecta del flujo de aire
con la desaturación y el arousal puede no ser lo suficientemente sensible o específica. Es
por ello que cualquier informe que incluya el tratamiento de hipopneas debe acompañarlo
de una descripción específica tanto del criterio utilizado para definir una hipopnea como
del equipo utilizado para valorar cada uno de los parámetros que se incluyen en la
definición [45].

2.3.2. El Síndrome de Apneas del Sueño y su clasificación
En la mayoría de las publicaciones se utiliza únicamente el término Síndrome de
Apneas del Sueño en el que se combinan apneas e hipopneas. El parámetro más utilizado
para describir el síndrome en estas situaciones es el índice de apnea-hipopnea (número de
apneas más número de hipopneas por hora de sueño) también denominado índice de
trastorno respiratorio. El índice de apnea-hipopnea que define el SAS varía para la mayoría
de los autores, ya que mientras algunos consideran anormal que ocurran más de 5 apneas o
10 apneas-hipopneas por hora de sueño [48], recientes estudios demuestran que un número
de apneas superior a 5 por hora de sueño es suficiente para definir el SAS, y además se
asocia con un riesgo de infarto de miocardio que se ha calculado superior al que supone
padecer obesidad o hipertensión [49,50].
En general, existen tres patrones diferentes de apneas del sueño - obstructivo, central
y mixto - que definen a su vez tres síndromes - Síndrome de apneas obstructivas (SAOS),
Síndrome de apneas centrales (SACS) y Síndrome de apneas mixtas - y que a continuación
describiremos detalladamente.

33


Apneas Obstructivas del Sueño
La apnea obstructiva del sueño (AOS) ocurre cuando el aire no puede circular a través de
la nariz o de la boca del individuo aunque persiste el esfuerzo por continuar respirando. Las
apneas obstructivas presentan un rango muy amplio de características clínicas, aunque las
principales son el ronquido y la hipoxemia. Un patrón de fuertes e intermitentes ronquidos
acompañados de periodos de silencio con una duración mayor de 10 segundos, sugiere la
ocurrencia de este tipo de apneas. Otro síntoma importante es la somnolencia diurna
excesiva. Como este síntoma es una queja subjetiva, es difícil de cuantificar, y cuando se
entrevista al paciente, es importante considerar otros motivos, por ejemplo metabólicos,
que originen la somnolencia diurna. Otros síntomas posibles incluyen arousal nocturnos,
con o sin accesos de asfixia, actividad motora anormal durante el sueño, dolores de cabeza,
dolor en el pecho, impotencia, pérdida de memoria y concentración, cambios en la
personalidad y depresión. Todo este conjunto de síntomas van a permitir determinar la
existencia del Síndrome de Apneas Obstructivas del Sueño (SAOS).
Los factores de riesgo de la AOS más fuertes y perfectamente documentados son la
obesidad y la edad. Algunos estudios sugieren que el sexo y la historia familiar también
implican cierto riesgo, y que condiciones como el alcohol, el tabaco, y el ronquido entre
otras, predisponen a los pacientes a sufrir AOS [51]. La asociación de la obesidad y este
síndrome puede ser debida a un incremento de la acumulación de grasa alrededor de las
vías aéreas superiores originando un estrechamiento crítico de las mismas [52]. Con
respecto a la edad, los trastornos respiratorios de sueño significativos desde el punto de
vista clínico, presentan su nivel más alto en pacientes de edad media, aunque el número de
pacientes asintomáticos que alcanzan el criterio numérico para el diagnóstico del SAOS
aumenta con la edad [53]. Otra de las complicaciones potenciales de los pacientes con
SAOS es la hipertensión pulmonar, que puede originar el cor pulmonare. Muchos pacientes
con SAOS experimentan incrementos agudos en la presión arterial pulmonar y en la
resistencia vascular pulmonar, coincidiendo con los eventos apneicos, e hipoxemia. En
pacientes con SAOS severo es común la presencia de síntomas cardiovasculares.
La elección del tratamiento depende normalmente del examen clínico global, los
resultados del estudio polisomnográfico nocturno, la gravedad del síntoma, así como de la
cooperación del paciente. Por ejemplo, si el paciente presenta un trastorno respiratorio de
sueño moderado y los síntomas diurnos son mínimos, entonces sólo estarían indicadas
34

en Sueño

medidas conservadoras: pérdida de peso, postura lateral para dormir, y evitar el consumo
de sedantes y alcohol entre otras. Desafortunadamente, la mayoría de los pacientes son
incapaces de perder peso y mantenerse, por lo que es necesario tomar otras medidas. Se
han desarrollado varios dispositivos nasales que pueden ayudar a reducir el ronquido pero
no resultan adecuados en casos graves de SAOS. Por el momento la terapia de presión
nasal positiva continua de aire (nCPAP5) es el tratamiento elegido ante un SAOS
clínicamente importante. El objetivo del CPAP es proporcionar una presión suficiente en el
segmento colapsado de las vías aéreas superiores para contrarrestar la presión de succión
inspiratoria.
Apneas Centrales del Sueño
El término Apneas Centrales del Sueño (ACS) se utiliza para describir tanto los eventos
como el trastorno clínico caracterizado por episodios repetidos de apnea durante el sueño a
causa de la pérdida temporal del esfuerzo respiratorio. Una apnea central se define de
forma convencional como un período de al menos 10 segundos sin flujo de aire, durante el
cual no hay evidencias de esfuerzo respiratorio. Esta condición se diferencia de la apnea
obstructiva o de la apnea mixta por la ausencia de obstrucción en las vías aéreas superiores
y el consecuente intento ventilatorio contra la vía cerrada. Se debe entender que los eventos
centrales y obstructivos raramente aparecen aislados. La gran mayoría de los pacientes con
apneas centrales también tendrán algunos eventos obstructivos.
Los pacientes con ACS constituyen menos del 10% de los individuos apneicos en la
mayoría de las poblaciones de los laboratorios de sueño. Como resultado, existen pocos
estudios con cantidad suficiente de eventos centrales, haciendo que el conocimiento sobre
este trastorno sea escaso. Sin embargo, todos los estudios destacan que este trastorno
ocurre mayormente en individuos desde mediana edad hacia edad avanzada. Por lo tanto, el
diagnóstico de la ACS debería ser considerado en cualquier paciente cuyos síntomas
pudiesen sugerir su presencia, sin importar la edad o el sexo.

5

Del término ingles Nasal Continuous Positive Airway Pressure. En la práctica clínica se hace referencia

simplemente al término CPAP.

35


Los individuos con apneas centrales puras raramente se quejan de hipersomnolencia
diurna o de necesitar dormir la siesta. A medida que la proporción de eventos obstructivos
o mixtos aumenta en estos pacientes, predominando todavía las apneas centrales, la
hipersomonlencia aparece con más frecuencia. La primera queja de muchos pacientes con
apnea central tiende a ser insomnio o sueño fragmentado, y despertares frecuentes durante
la noche. Estos despertares pueden venir acompañados por asfixia o falta de aire. La
depresión, diagnosticada a partir de datos subjetivos y tests formales, es otro síntoma
común en estos pacientes.
El grupo de pacientes con ACS es clínicamente diferente de aquellos pacientes con
AOS. Por lo tanto, ante un caso de un paciente con características clínicas compatibles
mayormente con un diagnóstico de apnea obstructiva pero que presente un
polisomnograma con eventos principalmente centrales, se requiere una revisión exhaustiva
para poder documentar que, de hecho, no aparece esfuerzo respiratorio durante los
episodios apneicos.
Tal y como se esperaba, la desaturación de oxígeno arterial también ocurre con las
apneas centrales. Si existe esfuerzo ventilatorio, como sucede en la apnea obstructiva, o si
no existe, como ocurre en la apnea central, esto no importa a la hora de determinar la tasa
de desaturación. Generalmente, los pacientes con apneas obstructivas parece que alcanzan
un valor de saturación de oxígeno arterial más bajo después de una apnea que los
individuos con apneas centrales, pero esto es probablemente producto de la duración de la
apnea y del volumen pulmonar (menor en pacientes con apnea obstructiva debido a la
obesidad) que del tipo de apnea.
La respiración no rítmica originada por la presencia de apneas centrales, puede
fragmentar la estructura del sueño como ya ha sido descrito. Sin embargo, existe muy poca
información disponible sobre cómo trabajar con las apneas centrales en este aspecto.
El tratamiento de este trastorno no es completamente satisfactorio. Si el trastorno es
bastante severo, el paciente puede ser ventilado mecánicamente durante el sueño utilizando
diversas técnicas. Sin embargo, para el paciente que se queja simplemente de insomnio y se
le detectan un número moderado de apneas centrales, las opciones de tratamiento son
limitadas. La CPAP nasal podría conseguir ciertos beneficios, aunque serían necesarios
estudios más amplios. Es interesante destacar que la administración de oxígeno puede

36

en Sueño

reducir las apneas centrales en un número considerable de estudios, aunque la razón de su
éxito no es clara. La ACS, por lo tanto, permanece como un trastorno relativamente raro
cuya etiología no se comprende totalmente y cuyo tratamiento no es completamente
satisfactorio. A la hora de intentar el tratamiento de un paciente con predominio de ACS,
es necesario recordar que tanto las apneas centrales como las obstructivas pueden verse en
el mismo individuo. En estos pacientes, es muy frecuente encontrar dificultad para
determinar si la causa principal de la apnea es de origen central, está relacionada con la
oclusión de las vías aéreas superiores, o ambas cosas. Por lo tanto, en pacientes que
presenten ACS con un elevado componente de eventos obstructivos, el tratamiento de la
obstrucción de las vías aéreas mediante alguno de los métodos disponibles actualmente,
podría tener efectos beneficiosos sobre ambos tipos de apnea [54].
Apneas Mixtas del Sueño
Otro de los eventos comunes en los pacientes con Síndrome de Apneas del Sueño, es
la apnea mixta, durante la cual una pausa respiratoria central viene precedida por esfuerzos
ventilatorios obstructivos. Los músculos de las vías aéreas superiores se comportan como
músculos respiratorios, probablemente actuando para dilatar la faringe en la inspiración. Si
ocurre una disminución o pérdida de la actividad tanto en los músculos de las vías aéreas
superiores como en el diafragma, como ocurre al comienzo de la mayoría de las apneas, la
disminución en el tono motor de los músculos dilatadores de la faringe podría producir una
oclusión de las vías aéreas superiores y llevar hacia esfuerzos ventilatorios obstructivos
cuando la actividad diafragmática se reanuda.
Este tipo de eventos apneicos aparece como una combinación entre las apneas
centrales y las apneas obstructivas. Ello sugiere que el diagnóstico se define a través de una
combinación de síntomas que aparecen en los individuos con SAOS y con SACS. Las
apneas mixtas nunca aparecen de forma única como eventos apneicos en un individuo con
SAS, sino que se acompañan de apneas obstructivas y centrales, si bien en menor número.
Por esta razón, el diagnóstico ofrecido para un paciente que presente eventos mixtos será,
bien el de SAOS ante un predominio de los eventos obstructivos, o bien el de SACS ante
un predominio de los eventos centrales.
La Figura 2.5 muestra la representación gráfica de los distintos tipos de eventos
apneicos comentados. La apnea central se diagnostica cuando existe una ausencia de flujo y
37


no aparece movimiento en la caja torácica (Esfuerzo torácico) y en el abdomen (Esfuerzo
Abdominal). Durante la apnea obstructiva, existe un movimiento paradójico de la caja
torácica y el abdomen, sin flujo de aire. La apnea mixta representa una ausencia de flujo y
de movimiento ventilatorio (central) que evoluciona hacia el desarrollo de movimiento
ventilatorio (obstructivo) pero sin flujo. Se puede observar una caída en la SaO2 durante los
eventos apneicos.

ESFUERZO

APNEA CENTRAL

APNEA OBSTRUCTIVA

APNEA MIXTA

TORÁCICO
MOVIMIENTO PARADÓJICO

MOVIMIENTO PARADÓJICO

ESFUERZO
ABDOMINAL

CENTRAL - OBSTRUCTIVA

FLUJO

SAO2
(%)

100
90
80
70
60

Figura 2.5. Distintos tipos de eventos apneicos

La tabla que se presenta a continuación resume los distintos tipos de eventos
apneicos y sus características:

ESFUERZO TORÁCICO
ESFUERZO ABDOMINAL
S A O2
DURACIÓN
HIPERSOMNOLENCIA
DIURNA
TRATAMIENTO

A./H. OBSTRUCTIVA
Presencia
Presencia
Desaturación
≥ 10 s

A./H. CENTRAL
Ausencia
Ausencia
Desaturación
≥ 10 s

A./H. MIXTA
Ausencia + Presencia
Ausencia + Presencia
Desaturación
≥ 10 s

Casi siempre

Raras veces

Casi siempre

CPAP

CPAP no resulta

CPAP

Tabla 2.3. Cuadro resumen de los distintos tipos de apnea y de sus características

Como conclusión se puede decir que el dominio de los trastornos respiratorios
durante el sueño es un dominio complejo. Sus características justifican el desarrollo de
sistemas automáticos de clasificación de estados de sueño por un lado, y de detección y
clasificación de eventos apneicos por otro. Sin embargo, cada una de estas tareas no puede
38

en Sueño

ser llevada a cabo de forma independiente, ya que cuando un paciente presenta el SAS su
mapa de sueño no sigue una progresión normal y si no se tiene esto en cuenta, la
clasificación de fases de sueño obtenida no será válida. De la misma forma, en el proceso
de detección de eventos apneicos ocurren disminuciones e incluso ausencias de flujo que
no corresponden a un trastorno respiratorio, sino que pueden ser debidas a un cambio de
fase de sueño o a un cambio de postura del paciente. Estos eventos deben ser interpretados
contextualmente para evitar la detección de falsos positivos. Lo mismo ocurre con la
clasificación de los eventos apneicos detectados, tarea en la que entran a formar parte
características del paciente - como puede ser la obesidad -. Todo ello apunta hacia la
necesidad de un sistema integrado que permita realizar un diagnóstico inteligente del
Síndrome de Apneas del Sueño, teniendo en cuenta la necesidad de la interpretación
contextual de cada evento detectado.

2.4. Resumen
El sueño es un proceso esencial para el desarrollo de una vida normal. Cuando
existen circunstancias que lo alteran de tal forma que afectan a aspectos concretos de la
conducta del individuo, como puede ser la disminución del nivel de atención, y por tanto,
afectan al rendimiento, provocan fatiga y somnolencia diurna, se habla de trastornos del
sueño. Uno de los trastornos de sueño más conocidos es el Síndrome de Apneas del Sueño
(SAS), caracterizado por la ocurrencia de 5 o más eventos de apnea por hora de sueño. Un
episodio de apnea se define como una parada respiratoria o cese del flujo en las vías
respiratorias durante al menos 10 segundos. Sin embargo cuando se manifiesta una
reducción considerable del flujo acompañado de una desaturación de oxígeno y/o un
arousal, se habla de un episodio de hipopnea. Dependiendo de las causas que las originen,
las apneas e hipopneas se clasifican como obstructivas, centrales o mixtas.
El diagnóstico de SAS está basado en la realización y análisis de un registro
denominado polisomnograma, a partir del cual el médico puede confirmar la existencia de
alguna patología que afecte al ciclo normal de sueño de una persona aparentemente sana.
El tratamiento de SAS se basa en el suministro al paciente de una presión de aire
positiva continua (CPAP) mientras duerme, de forma que actúa como estímulo externo
sobre el sistema respiratorio. Para encontrar un valor de CPAP que optimice la función

39


respiratoria, el paciente es sometido a varios exámenes polisomnográficos, llamados
"registros de ensayo de CPAP".
Sin embargo, la tarea más complicada es el diagnóstico del síndrome ya que el
paciente no suele ser consciente de padecer la enfermedad, y la realización de la prueba
polisomnográfica presenta también serios inconvenientes: es cara, incómoda para el
paciente y los resultados son difíciles de interpretar. La correcta interpretación de una
prueba polisomnográfica debería permitir la confirmación de los eventos apneicos
detectados en el contexto de la fase de sueño del paciente, y explicar las transiciones de
fases de sueño en el marco de las anormalidades respiratorias ocurridas.
Todo ello hace surgir la necesidad de un sistema integrado que proporcione un
diagnóstico inteligente de SAS y que permita explicar los resultados obtenidos.

40

en Sueño

41

en Sueño

Capítulo 3. ANTECEDENTES Y REALIZACIONES PREVIAS
Históricamente ha existido una resistencia tradicional hacia los sistemas
computarizados de obtención de la arquitectura del sueño y determinación de los
trastornos del sueño a través de la polisomnografía. Hasta ahora la mayoría de los estudios
no han demostrado que los sistemas de clasificación computarizados puedan proporcionar
la precisión, confianza, y consistencia de las técnicas manuales clásicas de clasificación. Sin
embargo por otro lado, la clasificación manual resulta extremadamente tediosa y requiere
un trabajo intensivo, y en el fondo puede ser el factor que frene el crecimiento de los
centros especializados en trastornos del sueño [lv].
En el diseño de un sistema de diagnóstico del Síndrome de Apneas del Sueño (SAS)
se deben acometer dos tareas principales: por un lado la clasificación de estados de sueño a
partir de la información que proporcionan las señales de EEG, EOG y EMG; y por otro
lado, la detección y clasificación de los eventos respiratorios, denominados eventos
apneicos, a través de la información suministrada principalmente por las señales de flujo de
aire, saturación de oxígeno, esfuerzo torácico y esfuerzo abdominal. La correcta
interpretación de un episodio apneico debe llevarse a cabo considerando la fase de sueño
por la que atraviesa el paciente. De hecho, las apneas suelen producirse con mayor
frecuencia durante las fases de sueño profundo (fases 3 y 4) y sueño REM, y cuando la
actividad respiratoria disminuye o cesa el paciente pasa por un breve estado de alerta, lo
cual origina una transición de sueño profundo a sueño ligero (fases 1 y 2). Cuantos más
episodios apneicos ocurran durante el sueño, más fragmentado aparecerá el ciclo de sueño
del paciente.
En ausencia de un test de revisión validado y preciso, el estándar de oro para el
diagnóstico de SAS sigue siendo la polisomnografía nocturna que, como ya se ha
comentado, es un procedimiento caro, tedioso y de larga duración. Como resultado, existe
un considerable interés en el desarrollo de un test de revisión menos laborioso y más
práctico que permita a los clínicos estimar con fiabilidad si los pacientes tienen el Síndrome
de Apneas del Sueño [lvi], e identificar de forma aceptable tanto a pacientes de alto riesgo –
que necesitan una polisomnografía completa – como a pacientes de bajo riesgo – para los
43

Capítulo 3. Antecedentes y realizaciones previas

que se puede evitar esta prueba [lvii]. Sin embargo, los mayores esfuerzos se han orientado
hacia la construcción de sistemas automáticos de diagnóstico del Síndrome de Apneas del
Sueño.
Existen sistemas comerciales disponibles en el mercado que se podrían definir desde
el punto de vista médico como sistemas de clasificación de estados de sueño y de detección
de alteraciones respiratorias durante el mismo. Sin embargo, desde el punto de vista de la
investigación, estos sistemas se pueden definir como fijos, ya que realizan sus tareas en base
a un conjunto de algoritmos básicos que no permiten proporcionar una explicación sobre
los resultados, ni una interpretación de los mismos.
Las carencias que presentan estos sistemas han hecho surgir varias líneas de
investigación que han dado lugar a distintos sistemas no comerciales inicialmente. Existen
diversos artículos en la literatura que describen sistemas para la predicción del Síndrome de
Apneas del Sueño, aunque los esfuerzos siguen concentrados en el diseño de sistemas
computarizados para intentar proporcionar soluciones a uno o varios aspectos del
problema de diagnóstico de SAS. Es necesario destacar que la mayor parte de estos
sistemas sólo tratan la tarea de análisis de las señales de la función respiratoria de forma
parcial, y que también ha habido sistemas que se han centrado únicamente en el problema
de clasificación de estados de sueño.

3.1. Sistemas comerciales
Aunque no es el objetivo de la presente tesis analizar de forma exhaustiva
dispositivos en este campo que estén ya en el mercado, creemos conveniente proporcionar
alguna idea desde el punto de vista de los usuarios entendidos. La revisión que sigue
contempla sistemas de análisis de sueño de distintos fabricantes: Sistemas de sueño CNS®,
Sistemas Microtronics®, y el sistema α-Somnostar® de SensorMedics.

CNS Sleep Lab®
De los sistemas disponibles para el análisis automático de los datos referentes a una
polisomnografía, el CNS Sleep Lab® es probablemente el más detallado y completo. El
software del sistema ha sido diseñado para facilitar la clasificación de estados de sueño y la
detección de apneas, y relacionar dicha información con los arousals, las desaturaciones de
44

en Sueño

oxígeno, y las arritmias cardíacas. El sistema permite al clínico interactuar con la máquina y
establecer de forma individual los valores umbrales que permiten clasificar los datos
procedentes del registro de las señales fisiológicas de cada paciente. De esta forma
transmite su proceso de toma de decisión al ordenador, que después simplemente repite el
proceso a través de todo el polisomnograma. La arquitectura del sueño se puede ver a
través del hipnograma o en forma de tabla. El análisis de los datos relativos a la función
respiratoria define los eventos apneicos mediante un tipo (central, obstructivo y mixto) y
una duración, junto con el grado de desaturación de oxígeno. Estos datos pueden verse en
una pantalla con una representación tricolor que incluye los distintos tipos de apneas, su
duración y el instante de ocurrencia.
En muchos casos, la utilización de este sistema mejora los métodos de clasificación
manual. Por ejemplo, uno de los puntos débiles de las técnicas de clasificación manual tiene
que ver con la interpretación de las hipopneas. Una de las diferencias en clasificación entre
el experto y el sistema aparece en el número de hipopneas detectadas ya que el sistema
detecta un mayor número que el experto [lviii]. Como los datos que provienen del oxímetro
están generalmente retardados y se reflejan en el registro varios segundos después del
evento respiratorio, a menudo resulta difícil clasificar las hipopneas de forma precisa y
consistente. El sistema CNS® proporciona un gráfico de correlación en el que los eventos
respiratorios se contrastan con los episodios de desaturación permitiendo la clasificación e
interpretación de estos eventos respiratorios. En ocasiones puede ocurrir que
disminuciones aparentes en la amplitud del flujo de aire sean artefactos debido al
movimiento de los sensores, la humedad, u otros factores extraños. Por ello, la capacidad
para comparar visualmente las fluctuaciones del registro del flujo con los cambios
resultantes en la saturación de oxígeno puede mejorar la confianza médica en la
interpretación de los datos [lv].
En resumen, el sistema CNS Sleep Lab® es una herramienta suficientemente precisa
para ser utilizada en los estudios de sueño clínicos. Sin embargo, este sistema no ahorra
demasiado tiempo al clínico, que debe realizar una configuración inicial completa del
sistema, y carece de una interrelación entre la clasificación de estados de sueño y la
caracterización de los eventos respiratorios, que tan importante es para realizar la
identificación y clasificación de los eventos respiratorios detectados.

45


VENTAJAS

INCONVENIENTES

CNS SLEEP LAB®
Permite interacción con el usuario para establecer umbrales
Proporciona clasificación de estados de sueño
Proporciona detección y clasificación de eventos apneicos
Mejora la detección manual de las hipopneas
Presentación de resultados en formato gráfico y texto
No ahorra tiempo al clínico
No existe interrelación entre clasificación de estados de sueño
y detección de eventos apneicos
Tabla 3.1. Ventajas e inconvenientes del sistema CNS Sleep Lab®

Microtronics®
De los sistemas computarizados para la detección de los estados de sueño, el sistema
de Microtronics® es el más antiguo en el mercado. Las características del sistema incluyen
la visualización de forma simultánea de los datos de SaO2 y los eventos apneicos frente a
los estados de sueño y, la capacidad para obtener resúmenes integrados de los datos
polisomnográficos. La clasificación de los estados de sueño está basada en el estándar
establecido por Rechtschaffen y Kales. Sin embargo, aunque estudios iniciales muestren un
acuerdo del 90% entre el clasificador automático y la clasificación realizada por el clínico,
este nivel de precisión es difícil de mantener cuando se enfrenta con un sueño fragmentado
por apneas e hipopneas. El sistema se comporta de forma objetiva a la hora de clasificar el
estado de sueño predominante en cada epoch, ya que puede obtener los valores numéricos
exactos correspondientes a las distintas actividades presentes en cada epoch. Esta
capacidad sin embargo, no le permite discriminar a la hora de clasificar un epoch como
Fase 1 o como Vigilia. Por otro lado, la clasificación del sueño REM de forma precisa
constituye un problema técnico para el sistema. Para ello se requiere la adquisición de la
señal de EMG submentoniano a muy baja frecuencia. Si esta señal a su vez, presenta una
frecuencia demasiado baja, el sistema malinterpreta los movimientos lentos del ojo que
aparecen en un determinado epoch y que corresponden a una Fase 1, clasificando dicho
epoch como Fase REM. Si la señal de EMG aparece con una frecuencia demasiado alta en
un epoch correspondiente a una Fase REM, el analizador clasifica de forma inapropiada
dicho epoch como Fase 1. Además, la detección de apneas o de movimientos periódicos de
las piernas, aspectos mucho más importantes, también necesitan ser mejorados [lv].

46

en Sueño

VENTAJAS

INCONVENIENTES

MICROTRONICS®
Proporciona clasificación de estados de sueño (paradigma R&K)
Proporciona detección de eventos apneicos
Resúmenes integrados de los resultados
Presenta un bajo nivel de acuerdo en la clasificación de estados
de sueño ante SAS
Señal de EMG inapropiada para la clasificación de estados de
sueño
No existe interrelación entre clasificación de estados de sueño y
detección de eventos apneicos
Tabla 3.2. Ventajas e inconvenientes del sistema de Microtronics®

α-Somnostar®
Otro sistema ampliamente utilizado es el sistema creado por SensorMedics, αSomnostar®, que mide los parámetros estándar de EEG, EOG, EMG, ECG, oximetría
de pulso digital, movimiento abdominal y torácico, posición, y flujo oro-nasal. Uno de los
aspectos más interesantes del sistema de SensorMedics es que no constituye una “caja
negra”. Tanto el clínico como el investigador poseen un control completo sobre los datos y
son libres de revisar una parte o todo el estudio de una noche. Las clasificaciones de la
función respiratoria y del EEG pueden ser realizadas manualmente o asistidas por
ordenador. Sin embargo los usuarios finales no estaban totalmente de acuerdo con
determinados aspectos del sistema. En la pantalla sólo podían ser representados
simultáneamente seis canales, y no permitía la división de una noche en función de las
presiones de CPAP suministradas al paciente. Esta última característica disminuiría
definitivamente la cantidad de tiempo que lleva la clasificación de un registro en un
paciente al que se le suministran varias presiones de CPAP. Hoy por hoy, estas
características están incorporadas y revisadas completamente. El sistema α-Somnostar®
está equipado con interfaces de usuario intuitivas y configuraciones flexibles capaces de
manejar un gran número de técnicas de adquisición y protocolos de análisis de datos. Sin
embargo, la clasificación de estados de sueño todavía presenta serias deficiencias y los
procesos de clasificación de la función respiratoria y de clasificación de los estados de
sueño no presentan ningún tipo de interacción entre ellos [lv].

47


VENTAJAS

INCONVENIENTES

α-SOMNOSTAR®
Proporciona clasificación de estados de sueño
Proporciona detección y clasificación de eventos apneicos
Presentación de resultados en formato gráfico y texto
Dotado de interfaces intuitivas y diversas configuraciones
Deficiente clasificación de estados de sueño
No existe interrelación entre clasificación de estados de sueño y
detección de eventos apneicos
Tabla 3.3. Ventajas e inconvenientes del sistema α-Somnostar®

Los sistemas comentados se confirman como herramientas útiles para las tareas de
diagnóstico del Síndrome de Apneas del Sueño que debe desarrollar el clínico. Sin
embargo, es necesario destacar la mala calidad del hipnograma que proporcionan, con el
que el clínico rara vez coincide en una proporción aceptable, y las inconsistencias que
presentan a la hora de distinguir entre apneas e hipopneas y llevar a cabo su clasificación, lo
que requiere realizar mejoras en el tratamiento de la información, y motiva continuas
investigaciones informáticas y de conocimiento en este campo.

3.2. Aproximaciones no comerciales
Como ya ha sido comentado, las carencias que presentan los distintos sistemas
comerciales existentes en el mercado, han dado lugar a diferentes líneas de investigación
desde hace ya varios años, y que todavía están activas. En primer lugar, se hace referencia a
aquellos sistemas que permiten obtener una estimación sobre la posibilidad de que un
determinado paciente sufra el Síndrome de Apneas del Sueño, y posteriormente se analizan
las distintas aproximaciones centradas en los problemas que presentan los distintos
sistemas comerciales.
La utilización de técnicas de Inteligencia Artificial para resolver los problemas que
presentan las tareas de clasificación de estados de sueño y de diagnóstico del Síndrome de
Apneas del Sueño, está avalada por numerosos trabajos. Las técnicas de IA utilizadas
abarcan desde los sistemas basados en conocimiento hasta las Redes Neuronales (RNAs),
entre otras aproximaciones.

48

en Sueño

3.2.1. Sistemas de predicción del Síndrome de Apneas del Sueño
Una de las metas actuales en la medicina del sueño persigue reducir el número de
análisis polisomnográficos que es necesario realizar a pacientes con sospecha de padecer
SAS. Por ello, el interés actual se centra en el desarrollo de aproximaciones diagnósticas
alternativas que estimen, con una cierta probabilidad, si los pacientes tienen o no el
Los modelos de predicción basados en cuestionarios identifican un número de
características físicas y clínicas indicativas de un alto riesgo para la Apneas Obstructivas del
Sueño. Varios estudios han desarrollado modelos de regresión utilizando estas
características para producir reglas de predicción del Síndrome de Apneas del Sueño que
puedan ser aplicadas a individuos con características sospechosas de SAS [lix] y de SAOS
[lvii,lx].
En el estudio de Viner et al. [lvii] se desarrollaron dos modelos de pronóstico del
Síndrome de Apneas del Sueño: uno de ellos utiliza como variables de pronóstico
independientes una serie de características clínicas, entre las que se encuentran la edad, el
sexo, el índice de masa corporal (IMC)6, y la presencia de ronquido, mientras que el
segundo modelo utiliza solamente la impresión subjetiva del clínico. El trabajo demuestra
que, por un lado, las características clínicas que se presentan no proporcionan un
pronóstico de existencia del Síndrome de Apneas del Sueño de elevada confianza, y que la
precisión del diagnóstico basado en la impresión subjetiva del clínico especialista es baja.
Kapunai et al. [lxi] demuestran que la presencia combinada de ronquido y paradas
respiratorias durante el sueño pronostican un Índice de Apnea-Hipopnea (Ver Capítulo 2)
– IAH – mayor de 10. Las limitaciones de esta aproximación son el asumir que cada
variable clínica tiene la misma importancia, y que es necesario conseguir de forma arbitraria
un valor de corte para realizar la asignación en las categorías de “apneas del sueño” y
“ausencia de apneas del sueño”.

6

El IMC se define como la relación entre el peso expresado en Kg y la altura al cuadrado expresada

en m.

49


El estudio de Croker et al. [lx], que también desarrolla un modelo estadístico para el
pronóstico de trastornos respiratorios durante el sueño, considera como variables
independientes las paradas respiratorias durante la noche, la hipertensión, el índice de masa
corporal, y la edad. Los resultados muestran que este modelo reduce la necesidad de
estudios de sueño en casi un tercio con un número mínimo de falsos negativos.
Las reglas de predicción del Síndrome de Apneas del Sueño desarrolladas en estos
modelos carecen de especificidad y ofrecen solamente salidas dicotómicas basadas en un
valor de IAH de corte predeterminado. Los valores de corte se eligen de forma arbitraria y
varían de un estudio a otro. Por otra parte, es posible que los métodos estadísticos
utilizados en la derivación de estos modelos no obtengan todas las ventajas sobre las
relaciones complejas entre atributos. En este caso las Redes de Neuronas Artificiales
aparecen como una alternativa más apropiada a los métodos estadísticos paramétricos
lineales debido a su propiedad inherente de búsqueda de información embebida en
relaciones entre variables pensadas como independientes.
Existen estudios previos que describen RNAs para la predicción del Síndrome de
Apneas del Sueño, pero sólo de forma abstracta. Chafin et al. [lxii] desarrollaron dos RNAs
que predicen la presencia o ausencia del Síndrome de Apneas Obstructivas del Sueño,
utilizando como entradas la edad, el sexo, el índice de masa corporal, la somnolencia diurna
excesiva, y el ronquido. Además, a una de las redes se le añadió como entrada el valor de
saturación de oxígeno. Sin embargo, el estudio de Chafin no presenta la validación de las
capacidades de pronóstico de las redes.
El-Sohl et al. en [lvi] han intentado desarrollar y validar una RNA utilizando medidas
antropomórficas - tales como la circunferencia del cuello, el peso y la altura - e información
clínica obtenida a través de un cuestionario para predecir el IAH. Este estudio es el primero
que presenta una RNA validada para predecir el Síndrome de Apneas del Sueño, utilizando
como entradas los datos mencionados. La mayoría de los datos que se le presentan a la red
como entrada han sido considerados en estudios anteriores como pronósticos clínicos
significativos del Síndrome de Apneas del Sueño, pero ninguno discrimina lo suficiente por
sí solo como para realizar predicciones precisas. Este estudio ha demostrado un alto
rendimiento y una precisión mejorada de las RNAs en comparación con otros métodos de
pronóstico de salida clínica ya que, al contrario que estos últimos, es supuestamente menos
susceptible a la distorsión causada por datos incompletos o ausentes. Sin embargo, la
50

en Sueño

frecuencia de valores ausentes en este estudio es pequeña. A diferencia de la mayoría de los
métodos de pronóstico que reducen sus respuestas a salidas binarias, las RNAs
proporcionan una escala continua del IAH que cuantifica la gravedad del trastorno en
pacientes con posible Síndrome de Apneas del Sueño, y que identifica los grupos de alto
riesgo para diagnósticos precoces e intervenciones terapéuticas.
No obstante, esta aproximación presenta sus limitaciones. En primer lugar, todos los
datos implicados en la validación de la RNA fueron analizados retrospectivamente.
Segundo, la red ha sido desarrollada a partir de datos obtenidos de pacientes enviados a un
centro de sueño, pacientes en su mayoría sintomáticos. La probabilidad de que un paciente
tenga el Síndrome de Apneas del Sueño, obtenida a partir del test de este estudio, en estos
casos es alta ya que el predominio del trastorno en el grupo de referencia es significativo, lo
que ayuda a explicar el alto grado de precisión en el pronóstico que proporciona la red en el
conjunto de validación. Además, hay que tener en cuenta la limitación derivada del escaso
conocimiento que existe sobre el método de operación de las RNAs para alcanzar sus
conclusiones. Las RNAs son esencialmente cajas negras y las relaciones entre variables no
están explícitas. El reconocimiento de estas limitaciones inherentes a las RNAs viene
acompañado del reconocimiento de la superioridad demostrada en sus capacidades de
pronóstico.

3.2.2. Sistemas de clasificación de estados de sueño
Es incuestionable que la consideración del sueño como disciplina científica es debida
principalmente a los criterios de clasificación de estados de sueño de Rechtschaffen y Kales
(R&K). Esta clasificación requiere un examen visual de al menos un canal de EEG, el
EOG y el EMG, y divide cada intervalo de 30 segundos en una de las seis fases siguientes:
Vigilia o fase cero, fases 1 y 2 (sueño ligero), fases 3 y 4 (sueño profundo), y fase 5 o REM.
Las definiciones de cada fase de sueño representan un conjunto coherente pero incompleto
de reglas. Las dificultades a la hora de aplicar las definiciones de R&K son varias:
(1)

Muchas veces las definiciones son imprecisas y están basadas en patrones de formas
de onda visuales que son difíciles de capturar de forma automática.

(2)

Las variables electrofisiológicas están compuestas por un conjunto ilimitado de
señales, de tal forma que el manual propuesto por R&K no cubre todas las
51


posibilidades, y la interpretación de las señales de EEG, EOG y EMG al final tiene
que ser realizada por el clínico. Es por ello que las reglas de R&K son consideradas
más una guía que un tipo de definiciones estrictas.
La necesidad de un sistema automático para el análisis y clasificación de estados de
sueño ha sido reconocida por diversos autores y se han intentado distintas aproximaciones.
En una de ellas Jansen7 y Dawant8 [lxiii] introducen la utilización de un sistema
experto para analizar las señales de EEG, basado en rutinas numéricas e información
simbólica. En este trabajo, se describe una aproximación orientada a objetos que utiliza una
técnica de representación basada en frames, que se comunican entre ellas mediante el envío
de mensajes. Estas estructuras contienen la representación de determinadas formas de onda
y estados de sueño a través de sus propiedades (atributos), que se corresponden con la
información morfológica y espacio-temporal de cada objeto.
El sistema está formado por cinco componentes principales:
(1)

la pizarra,

(2)

las unidades de descripción de objetos,

(3)

los especialistas,

(4)

el planificador, y

(5)

el módulo de detección de objetos.
La pizarra es el elemento organizado como estructura central de datos en la que se

almacena información de control así como del estado de la solución en desarrollo. También
se utiliza como mecanismo de intercambio de mensajes entre las distintas partes del
sistema. La información de control está constituida por una lista de operaciones activas,
ejecutadas o bien requeridas por alguna parte del sistema. Por cada operación en desarrollo
se coloca en la pizarra una petición que dispara una serie de acciones supervisadas por otro
elemento del sistema denominado planificador.

7

8

52

Department of Electrical Engineering, University of Houston, Houston, Texas, USA.
Department of Electrical Engineering, Vanderbilt University, Nashville, Tennesse, USA.

en Sueño

Las unidades de descripción de objetos constituyen la representación básica de los eventos
o situaciones que el sistema tiene que detectar. Cada unidad está representada mediante
frames y es necesario destacar que se puede necesitar más de una unidad para describir un
determinado evento.
Los especialistas son unidades dedicadas que, desde el punto de vista de la complejidad,
abarcan desde una rutina numérica simple hasta subsistemas intensivos en conocimiento.
Estas unidades llevan a cabo operaciones sobre objetos y normalmente están al cargo de la
detección de eventos específicos, o de calcular determinadas características para aquellos
eventos que ya han sido detectados. Cada especialista dispone de conocimiento para decidir
cuándo es capaz de contribuir a la solución (conocimiento de disparo) y cómo hacerlo
(conocimiento computacional).
El planificador se define como una unidad independiente que trabaja junto con la
pizarra, y se encarga principalmente del manejo de la lista de peticiones colocada en esta
última. El planificador identifica qué especialistas son capaces de cumplir dichas peticiones,
resuelve conflictos, interrumpe tareas, y reactiva procesos cuando lo requiere el propio
funcionamiento del sistema.
El módulo de detección de objetos se define como el procedimiento de emparejamiento de
frames utilizado para detectar eventos en un segmento de datos de señal. Básicamente este
módulo, implementado como un conjunto de reglas, realiza una petición de cálculo de
características específicas a los especialistas. Partiendo de la descripción de un evento que
se quiere detectar, este módulo dispara al especialista adecuado para que compruebe los
datos de señal y determine si se puede detectar un objeto que se corresponda con el tipo de
evento.
La aproximación basada en conocimiento utilizada en este sistema permite la
incorporación de conocimiento contextual en el proceso de razonamiento, y gracias al
esquema de representación utilizado es posible mantener una separación entre el
conocimiento del dominio (conocimiento típico de EEG) - codificado en las unidades de
descripción de objetos – y el conocimiento de análisis de señal, mucho más general y
representado mediante los especialistas. Las relaciones espaciales y temporales complejas se
pueden expresar en forma de conjuntos de reglas.

53


El trabajo presentado por Jansen y Dawant constituyó un primer estadío de un
objetivo a más largo plazo para desarrollar un sistema general y automático de
interpretación de señales. La orientación hacia el estudio del EEG fue escogida porque los
complejos K y los sleep spindles recogían algunos aspectos encontrados en múltiples tareas de
interpretación de señales, como por ejemplo, una baja relación señal/ruido; la falta de una
descripción matemática inequívoca de la señal; la utilización de relaciones espaciotemporales para eliminar la necesidad de umbrales numéricos estrictos, a menudo ajustados
a casos específicos; la necesidad de una adaptación, dependiente del contexto, de las
descripciones de los objetos; la integración de conocimiento de tipo descriptivo y de tipo
procedimental, etc.
El objetivo principal de este trabajo fue demostrar la viabilidad de los objetivos a
largo plazo. La validación del sistema puso de manifiesto la adecuación de la estructura
desarrollada tanto para tareas de representación como de utilización del conocimiento
necesario en tareas de interpretación de señales. Además, se demostró que el sistema
también era capaz de realizar estas tareas de interpretación de señales utilizando
información contextual y procesamiento numérico y simbólico.
En un trabajo posterior, Príncipe9 et al. [lxiv] describen tres modelos diferentes de
procesamiento de información, aplicados al problema de clasificación de estados de sueño:
(1)

Un sistema que utiliza un modelo en capas basado en el conocimiento y que no
considera la “incompletitud” de las reglas de clasificación.

(2)

Un sistema que utiliza la teoría de la evidencia de Dempster-Shafer (D-S) junto con
una máquina de estado finito para combinar, a través de un marco matemático, la
evidencia contenida en cada minuto de datos de EEG.

(3)

Un sistema que revisa el problema de la clasificación de los estados de sueño a través
del emparejamiento no lineal desde el espacio de datos hacia los estados de sueño
utilizando para ello una RNA.

9

Neuroengineering Laboratory, Electrical Engineering Department, University of Florida, Gainesville,

Florida, USA.

54

en Sueño

En cada uno de estos modelos, el proceso parte de la detección de las formas de
onda del EEG, EOG y EMG en tiempo real y su caracterización para cada minuto en
términos de ocurrencia y/o duración. Esta información, una vez traducida y normalizada,
recibe el nombre de token de datos, y constituye la entrada a cada uno de los tres modelos
implementados.
El primer modelo aplica la tecnología de Sistemas Expertos al problema de
clasificación de los estados de sueño, y asume que el experto humano utiliza, sobre las
formas de onda en el papel, un conjunto de reglas predefinidas de estados de sueño. Este
proceso se interpreta como un emparejamiento de patrones y una clasificación basada en
conocimiento heurístico, ambos a nivel de forma de onda y de estados de sueño. El
experto humano utiliza las reglas de forma adaptativa, dependiendo del contexto, debido a
la variabilidad que presentan los patrones entre individuos. Esto hace que la formulación de
un algoritmo para la clasificación del sueño sea virtualmente imposible, ya que el
conocimiento del experto humano se puede entender como “de juicio”, y por ello se utiliza
una organización basada en reglas sobre un esqueleto representacional basado en frames. La
heterogeneidad del conocimiento del dominio se trata mediante una estructura en tres
niveles: una que trata el reconocimiento de formas de onda; una intermedia de
emparejamiento de patrones, asociada con la combinación de información sobre formas de
onda; y una capa superior de interpretación contextual implementada a través de una
ventana de desplazamiento. El sistema cuenta con una base de datos estática, que almacena
la información de formas de onda, y una dinámica, que posee una estructura de pizarra con
tres planes asociados a las tres capas de la base de conocimiento. Una representación de la
arquitectura del sistema se puede ver en la Figura 3.1.

55


BASE DE DATOS

MÓDULO DE CONTROL

BASE DE CONOCIMIENTO

VENTANA
CONTEXTUAL

MOTOR DE INFERENCIA

MANIPULACIÓN

DESCRIPTORES,
PATRONES
CARACTERÍSTICAS
PARAMÉTRICAS

MOTOR DE INFERENCIA

PLANIFICADOR

EMPAREJAMIENTO
EXTRACCIÓN

BASE DE DATOS

EDITOR DE BASE DE
CONOCIMIENTO

Figura 3.1. Estructura en capas del sistema experto para la clasificación de etapas de sueño

El sistema atribuye, en una primera fase, estados de sueño temporales a episodios de
un minuto de duración. En una segunda fase, utilizando una ventana temporal de amplitud
igual a cinco episodios, se incluye información contextual para modificar los estados de
sueño asignados en la primera fase. Finalmente, se incorpora un mecanismo de factores de
certidumbre para cuantificar la confianza en las clasificaciones realizadas. El sistema de
detección asigna a cada uno de los token de la base de datos un factor de certeza en la
escala alto-medio-bajo. Las reglas de producción del nivel intermedio también llevan
asociado uno de estos tres factores, que se propagan hacia la asignación de estados de
sueño realizada en la primera pasada. Los motores de inferencia intermedio y contextual,
así como la clasificación final, también consideran estos factores durante su operación. El
esquema de combinación de los factores de certeza se actualiza con el disparo de las reglas.
El nivel de confianza de la acción de la regla se modifica durante el disparo de la regla de
acuerdo con el nivel medio de confianza de todas sus premisas. Si el valor de confianza
final se encuentra en el intervalo [-1/3, 1/3], la confianza de la regla no se altera. En caso
contrario, dicha confianza aumenta o disminuye si el valor final está por encima o por
debajo de esos valores, y se transmite al siguiente nivel.
56

en Sueño

El segundo modelo al que se hace referencia se corresponde con un trabajo de
Príncipe de 1989 [lxv], en el que se combina información de las señales, conocimiento
heurístico en forma de reglas, y un entorno matemático para la clasificación automática de
estados de sueño. Los token de datos mencionados constituyen el alfabeto de entrada para
una máquina de estado finito (autómata), en la que cada estado de la máquina se
corresponde con un estado de sueño, y las transiciones posibles entre estados se obtienen
aplicando la teoría evidencial de Dempster-Shafer, tal y como se observa en la Figura 3.2.
Para ello, a cada token se le asocia un valor de confianza parcial sobre la ocurrencia de un
determinado estado de sueño, utilizando un conjunto de heurísticas resultado de la
codificación del conocimiento experto sobre dicha ocurrencia. Este conjunto presenta
reglas de información estática (que aluden a la existencia de formas de onda que definen un
estado de sueño) y de información dinámica (que aluden al aumento o disminución de los
token de datos con respecto al minuto anterior).
El proceso global se divide conceptualmente en tres fases. La primera fase obtiene un
vector de evidencias correspondiente a cada minuto de datos, a partir de los token de EEG.
La segunda fase mezcla el procedimiento difuso con el disparo de reglas y el modelo de
Dempster-Shafer para obtener una clasificación minuto a minuto. Esta clasificación se
denomina de “contexto libre” ya que utiliza únicamente la evidencia contenida en cada
minuto de datos. La tercera fase refina la clasificación de estados obtenida en las fases
anteriores. Esta fase se denomina de “clasificación contextual” ya que las reglas tienen en
cuenta el contexto. El objetivo consiste en eliminar los artefactos al comienzo del registro,
mejorar la detección de la fase REM, y solucionar el problema de las clasificaciones con
una confianza baja, que surge de la aplicación del modelo de Dempster-Shafer.

57


ALPHA

F(ALPHA)

BETA

CONFIRMAR E0
RECHAZAR

TOKENS

ESTADO 0

FUZZIFICADOS

DELTA

DISPARO
DE REGLAS

SIGMA

DEMPSTER
SHAFER

ESTADO 1/5
F(ACT) =

COMPL-K

ESTADO 2

REM
EMG

E=MAX MI

MI=CRE(EI)

CREENCIA
PARCIAL

THETA

COMBINACIÓN

F(EMG)

ESTADO 3/4

CONFIRMAR E4
RECHAZAR

Figura 3.2. Implementación del autómata de creencia

Los resultados obtenidos por el sistema muestran que los mayores acuerdos hombremáquina se presentan en la detección de transiciones de estados de sueño y sobre todo en
la distinción entre los estados de sueño 3 y 4, distinción calificada como una de las grandes
fuentes de inconsistencia entre los clasificadores expertos.
Por último, el tercer modelo de procesamiento de información utiliza una RNA, en
concreto una red perceptrón multicapa entrenada con un algoritmo de propagación hacia
atrás. Las entradas de la red son los distintos token de EEG y las salidas son los estados de
sueño: vigilia, 1/5, 2, 3/4. La discriminación entre las fases 1/5 y 3/4, utiliza las mismas
reglas que la aproximación basada en el autómata de creencia. El conjunto de
entrenamiento se obtuvo construyendo un conjunto de 24 vectores basados en las reglas de
R&K. A diferencia de los dos modelos anteriores, la RNA utiliza estrictamente la
información contenida en los token que abarcan intervalos de un minuto.
Los resultados de validación agrupados según los tres modelos muestran un
rendimiento similar. La Tabla 3.4 muestra el acuerdo total hombre-máquina para los seis
estados de sueño. El sistema experto presenta un sesgo marginal, y probablemente será más
robusto que los otros dos modelos si se utiliza una población más grande. Sin embargo, es
58

en Sueño

necesario destacar que la RNA obtiene buenos resultados debido a que utiliza sólo la
información por minuto. Comparando los resultados del sistema experto con los del
autómata de creencia, se observa que el sistema experto tiende a cometer menos errores en
la detección del estado de vigilia, pero éstos aumentan con la detección del estado REM.
Las diferencias en la clasificación se deben a que el sistema experto da más importancia a
los REM mientras que el autómata se centra más en los sleep spindles.
REGISTRO
A
B
C
D
E
TOTAL (%)

SISTEMA EXPERTO
88.0
91.5
86.7
72.4
92.8
86.3

AUTÓMATA
86.3
87.9
82.2
79.5
88.5
84.9

RNA
85.9
92.0
83.8
80.0
84.9
85.2

Tabla 3.4. Porcentaje de acuerdo hombre-máquina para cinco conjuntos diferentes de individuos (A,....,E)

Los errores debidos a la clasificación errónea de las fases 3 y 4, se cometen
principalmente clasificando dichas fases como fases 2. Otro foco de error se encuentra en
la clasificación de la fase 1, considerada como un estado de transición y que no presenta
una asociación con una actividad de EEG específica.
Es necesario destacar que ninguno de los tres modelos consigue un rendimiento del
90%. Sin embargo, cuando las fases 3 y 4 se combinan en un único estado, el sistema
experto es el sistema que consigue los mejores resultados y se acerca bastante a esta cifra.
De las tres implementaciones, la más compleja es el sistema experto. La ventaja de esta
implementación es su capacidad de explicación, ya que permite mostrar al usuario el análisis
realizado y su desarrollo incremental. El autómata de creencia proporciona un marco de
trabajo matemático para combinar información, lo cual simplifica mucho la
implementación. No es necesario ningún tipo de inferencia y el procesamiento difuso de
los token de entrada es directo y fácilmente modificable. La asignación de creencias es una
característica extra del modelo, donde el clínico puede ver la confianza que el sistema pone
en su propia clasificación. El modelo de RNA presenta como característica más destacable
la utilización de la información contenida en cada minuto de datos solamente, y de esta
forma su rendimiento puede ser mejorado mediante la utilización del contexto. Sin
embargo, esta implementación tiene sus inconvenientes para el uso clínico, ya que no
muestra claramente qué necesita para ser mejorada y no dispone de mecanismos de
explicación. En la Tabla 3.5 se muestra un pequeño resumen de los tres sistemas
comentados desde el punto de vista de sus ventajas e inconvenientes.
59


SISTEMA
EXPERTO

AUTÓMATA

RNA

VENTAJAS
Comete menos errores en la
detección de vigilia
Al combinar los estados 3 y 4 en
un estado obtiene los mejores
resultados
Dispone de mecanismos de
explicación
Elimina artefactos al comienzo
del registro
Incluye
flexibilidad
en
el
procesamiento
Mejora sus resultados con la
utilización
de
la
información
contextual a nivel de minuto

INCONVENIENTES
Necesita varias fases de
ejecución para refinar las
clasificaciones

No
dispone
de
mecanismos de explicación
No
dispone
de
mecanismos de explicación
No utiliza directamente el
conocimiento del experto

Tabla 3.5. Ventajas e inconvenientes de los tres modelos desarrollados por Príncipe et al. [lxiv]

Dentro del ámbito de las RNAs existen varios trabajos posteriores al de Príncipe. En
el trabajo de Schaltenbrand [lxvi] se lleva a cabo un análisis automático en tiempo real de
los registros de sueño en cuatro fases:
(1)

Extracción de características a partir de los canales de datos (EEG central, EOG, y
EMG) utilizando técnicas de procesamiento de señal. El resultado para cada intervalo
de 30 segundos (epoch) es un vector de características que los autores asumen como
la mejor representación de las propiedades de la señal.

(2)

Clasificación automática de estados de sueño utilizando una red multicapa alimentada
hacia adelante.

(3)

Supervisión de la decisión automática utilizando dos medidas: un índice de
ambigüedad, calculado en el espacio de salida de la red multicapa; y una distancia de
rechazo, calculada a través de una RNA no supervisada.

(4)

Análisis numérico del sueño utilizando un análisis espectral de la actividad de fondo
del EEG y una detección de patrones de sueño para las actividades transitorias.
Esta aproximación consigue mejoras significativas sobre los métodos existentes. La

más importante es que el sistema no requiere la utilización de un conjunto de
entrenamiento para cada clasificación, por lo tanto es totalmente automático, y además,
lleva a cabo la clasificación en tiempo real. El proceso de supervisión añadido permite la
validación de la clasificación y la devolución al experto de la decisión final para aquellos
60

en Sueño

intervalos específicos que no pueden ser clasificados por el sistema. El nivel de rendimiento
conseguido por el sistema ha sido satisfactorio y puede ser considerado como una
alternativa útil para la clasificación de estados de sueño.
También dentro del ámbito de las RNAs, en 1996 se publicó otra aproximación a la
clasificación automática de los estados de sueño, centrada en pacientes pediátricos [lxvii].
En este trabajo se utiliza una RNA basada en árboles de decisión, entrenada utilizando un
algoritmo de propagación hacia atrás. El sistema utiliza un generador de árboles de decisión
para proporcionar el conocimiento que defina la arquitectura de la red de neuronas,
incluyendo las tareas de selección de características e inicialización de pesos de la red. Los
resultados del sistema muestran que los porcentajes de acuerdo más bajos entre el sistema y
el experto ocurren en la clasificación de la fase 1, resultado esperado ya que al ser un estado
de transición del estado de vigilia a otras fases de sueño, los expertos son normalmente
inconsistentes a la hora de su clasificación. Sin embargo, los valores más altos se consiguen
en las fases REM y 2. Este estudio demuestra lo prometedor que resulta la utilización de un
algoritmo inductivo basado en árboles de decisión como aproximación inicial a la solución
antes de realizar el entrenamiento de la RNA, técnica que hace posible el comienzo de la
propagación hacia atrás desde un punto “bueno” lo que reduce el número de epochs de
entrenamiento y evita los mínimos locales. Además, el algoritmo de crecimiento del árbol
de decisión elimina muchos de los atributos irrelevantes y proporciona una inicialización
sencilla de la red.
Sin alejarnos demasiado de la idea de las RNAs, Holzman et al. en su trabajo de 1999
[lxviii], defienden la conveniencia de disponer de un sistema experto, basado en una
estructura de red ganglionar artificial (GL), para facilitar la clasificación de los distintos
estados de sueño en niños. Este sistema presenta un modelo para identificar los estados de
sueño, incorporando una formalización objetiva, en términos de variables de estado que
caracterizan los patrones registrados. Las ventajas de utilizar GLs son, entre otras, la
potencia de sus capacidades de explicación, la facilidad para incluir incertidumbre, tanto en
los datos como en el proceso de razonamiento, y la posibilidad de evitar inconsistencias.
En este trabajo se desarrollan varios algoritmos para la detección de patrones en las señales
de EEG, EOG, y EMG, y los resultados obtenidos indican que las tasas de error varían
para cada caso clínico estudiado. Sin embargo, es necesario evaluar estos resultados
considerando que el error es importante solamente en aquellos casos en donde el patrón
específico que se intenta evaluar es relevante a la hora de determinar un estado de sueño
61


específico. Por ello, el entrenamiento de los algoritmos de detección de patrones
característicos se centró en la optimización del rendimiento en estos casos relevantes. Otro
aspecto que merece especial atención es la inconsistencia en el proceso de clasificación del
experto, es decir, la incertidumbre en el proceso de razonamiento. Los resultados indican
que existe un grado de contradicción moderado en las valoraciones del experto, teniendo
en cuenta que los intervalos temporales utilizados por este último son más “gruesos” que
los que utiliza el sistema.
Para finalizar este breve recorrido por las distintas aproximaciones al problema de
clasificación automática de estados de sueño, se puede concluir que esta clasificación
resulta una tarea compleja incluso cuando el paciente no presenta ningún tipo de anomalía
en el sueño. Si a ello le añadimos que puede existir algún trastorno asociado que provoca
alteraciones del ciclo normal de sueño, las distintas aproximaciones presentan resultados
mucho menos convincentes.

3.2.3. Sistemas de detección y clasificación de eventos apneicos
Tal y como ya hemos indicado, una parte de los sistemas desarrollados dentro del
ámbito de los trastornos respiratorios enfocan sus desarrollos hacia la detección y
clasificación de eventos apneicos sin tener en cuenta la progresión de los estados de sueño.
Además, cada sistema presenta su aproximación particular basándose en distintas señales
fisiológicas relacionadas con la función respiratoria.
Un ejemplo claro lo constituye el trabajo de George et al. [lxix], con el desarrollo de
un algoritmo para el análisis de los datos de la Saturación de oxígeno (SaO2) almacenados
de forma continua durante la noche. A partir del hecho de que toda apnea o hipopnea está
asociada con una caída de SaO2, los autores defienden que mediante la identificación de
cambios cíclicos en la SaO2 se podría obtener un índice de apnea-hipopnea altamente
correlacionado con el índice de apnea-hipopnea obtenido de forma manual. Este método
resulta suficientemente preciso, con valores muy bajos de falsos positivos y falsos
negativos. Presenta la ventaja de ser un método rápido que elimina un gran número de
errores humanos, aunque también presenta serias limitaciones. El método no permite la
distinción entre apneas e hipopneas ni tampoco admite la clasificación de dichos eventos
como centrales, obstructivos o mixtos, ya que solamente detecta una de las consecuencias
fisiológicas de los eventos apneicos: la desaturación de oxígeno. Por otra parte, con este
62

en Sueño

método la detección de apneas centrales cortas resulta muy difícil, y algunas veces
imposible.
En la misma línea de estudio de la señal de SaO2, Rauscher et al. [lxx] utilizan un
algoritmo de búsqueda de resaturaciones rápidas – definidas como incrementos de la SaO2
de un 3% o más en 10 segundos – para la detección de apneas e hipopneas durante el
sueño a causa de los episodios compensatorios de hiperventilación que siguen a estos
eventos. Debido a la curva de disociación de la oxihemoglobina, las alteraciones
respiratorias durante el sueño no siempre originan caídas significativas en la SaO2, y una
búsqueda automática de desaturaciones podría “olvidar” las apneas e hipopneas que
aparecen sobre una línea de base muy alta. Como casi todo evento apneico viene seguido
de una hiperventilación compensatoria, originando un incremento muy rápido de SaO2 y en
general que sobrepasa el valor preapneico, los autores defienden que la búsqueda de
resaturaciones rápidas resulta ser más sensible para la detección de eventos respiratorios a
partir de la oximetría, que la búsqueda de desaturaciones. A pesar de ello, los resultados del
sistema arrojan un número de falsos positivos que se explican por dos razones:
(1)

Existen apneas e hipopneas cuya duración es demasiado corta como para ser
valoradas como eventos reales a través de la polisomnografía, aunque lo
suficientemente largas como para provocar cambios en la SaO2; y

(2)

Los niveles de detección están muy próximos al límite de confianza del oxímetro
utilizado.
En consecuencia, se puede establecer que el único propósito de este método consiste

en facilitar el análisis cuantitativo de los datos de los exámenes realizados a pacientes, que
presenten síntomas vagos que sugieran la presencia de apneas del sueño, pero no el de
establecer un criterio de prescripción polisomnográfica.
En 1997, Macey et al. diseñaron un sistema experto para la detección de apneas
centrales en niños. En este caso la señal de estudio es la señal respiratoria abdominal sobre
la que el sistema realiza la clasificación de los eventos. El proceso consiste en la detección
de posibles eventos apnea, y la obtención posterior de sus propiedades. Las medidas de
estas propiedades se transforman en entradas para una RNA que se entrena para calcular la
probabilidad de que un evento dado sea una apnea. El rendimiento de esta implementación
mejora con respecto al sistema previamente diseñado [lxxi], y es consistente con diferentes
63


conjuntos de entrenamiento y prueba. Se corrige un alto porcentaje en la detección de
apneas (95%), con una tasa de falsos positivos significativa (40%). Este valor explica que el
sistema no tiene el mismo rendimiento que los expertos humanos y la razón principal
estriba en las diferencias que se presentan en la respiración infantil (variabilidad de la señal,
diferencias en amplitud, ciclos respiratorios irregulares, …), relacionadas con el sueño REM
y los estados de sueño profundo que ocurren a lo largo de la noche.
Uno de los sistemas más recientes para el diagnóstico de SAS y en particular para el
diagnóstico del Síndrome de Apneas Obstructivas del Sueño (SAOS), es el sistema experto
CADOSA, desarrollado por Daniels et al. [lxxii] en 1997. CADOSA es un sistema de ayuda
en las decisiones clínicas en un laboratorio de sueño, en particular proporciona ayuda para
distinguir las apneas obstructivas de otras alteraciones del sueño alternativas o coexistentes.
La característica principal del sistema experto es la utilización de conjuntos difusos para
representar el conocimiento médico vago e incierto, y un mecanismo de inferencia difusa
para emular el proceso de diagnóstico. La aproximación presentada por Daniels combina
evidencias de la historia del paciente, un examen físico, un cuestionario para valorar la
propensión al sueño, y varios test de laboratorio que incluyen la oximetría nocturna.
En la evaluación que proporcionan los autores sobre el sistema, la proporción de
pacientes diagnosticados de forma correcta como pacientes que padecían SAOS, fue del
95%. Sin embargo, en esta evaluación no se tuvieron en cuenta las relaciones entre
síntomas, y observando el tamaño limitado de la muestra estudiada, los autores concluyen
que el sistema debe continuar siendo desarrollado y mejorado.
Dentro de las distintas aproximaciones no comerciales, que tratan tanto la
clasificación de estados de sueño como la detección y clasificación de eventos apneicos, se
describe a continuación el sistema que constituye referencia obligada en esta tesis, ISAS,
que fue desarrollado por el INESC10,11 - Norte de Portugal y validado extensivamente en el
hospital de Santo Antonio de Oporto. ISAS [lxxiii] es un sistema integrado para la
monitorización de pacientes durante el sueño y su arquitectura, que aparece representada
en la Figura 3.3, incluye los siguientes elementos:

10

11

64

Instituto de Engenharia de Sistemas e Computadores, Portugal
Departamento de Electrónica e Telecomunicaçoes de Aveiro, Portugal

en Sueño

(1) HIDRA [lxxiv]: Elemento responsable de la detección y parametrización de la actividad
del EEG.
(2) SAIAS [lxxv]: Elemento responsable de la detección de las apneas ocurridas durante el
sueño y su posterior clasificación como centrales, obstructivas o mixtas.
(3) OSCAR: Elemento que determina la saturación de oxígeno en sangre y la frecuencia
cardíaca a partir de los datos suministrados por un oxímetro comercial.
(4) TIMEMARKER: Elemento que actúa como un reloj para sincronizar la información
que proviene de los distintos dispositivos de detección.
El sistema ha sido diseñado utilizando una aproximación orientada a objetos, lo que
permite separar las distintas tareas que realiza el sistema y ejecutarlas en paralelo.
FRONTAL
E
E
G

CENTRAL
OCCIPITAL

-

PC

HIDRA
DETECCIÓN DE EVENTOS

EOG

OXÍMETRO
SPO2 + FRECUENCIA CARDÍACA

FLUJO DE AIRE

P
U
E
R
T
O
S

INTERFAZ
GRÁFICO

SISTEMA

S
E
R
I
E

DISCO
DURO

SAIAS

MOVIMIENTO RESPIRATORIO

TimeMarker

Figura 3.3. Arquitectura del sistema ISAS

La información de salida suministrada por el sistema al finalizar un examen de sueño
consiste en un conjunto de tablas que contienen información estadística sobre distintos

65


episodios y tipos de apneas sufridos por el paciente. También se suministran gráficos de la
señal de saturación de oxígeno frente a la señal de frecuencia cardíaca, y una tabla de
duración de las distintas actividades cerebrales exhibidas por el paciente a lo largo de toda
la noche.
Uno de los principales problemas que presenta esta aproximación hace referencia a la
clasificación de las fases de sueño. Como no se consigue una capacidad de discriminación
del EMG y EOG adecuada, el sistema no es capaz de distinguir correctamente entre las
fases REM y vigilia. Otra dificultad que aparece, en este caso debida a la estrategia de
supervisión de las fases de sueño (minuto a minuto, a lo largo de toda la noche), es la
identificación de una misma fase, de forma repetitiva y con intervalos cortos de duración,
cuando en realidad se trata de la misma fase mantenida a lo largo de un periodo de tiempo
mucho mayor.
El problema más importante de ISAS estriba en el método de detección de apneas,
que se realiza en base a umbrales aplicados sobre las señales de función respiratoria. No
obstante, a lo largo del sueño la amplitud de la señal decrece, y se hace necesaria una
recalibración de los umbrales para una correcta detección de apneas. El problema
fundamental es la incapacidad del sistema para determinar si la eventual disminución en la
amplitud de una señal de función respiratoria ha sido debida a un episodio apneico o a una
transición de fases de sueño. Ello nos lleva a destacar también, que las tareas de
clasificación de etapas de sueño y de detección y clasificación de eventos apneicos se
realizan de forma independiente sin ningún tipo de interacción entre ellas.
Para concluir esta descripción de sistemas de detección y clasificación de eventos
apneicos, diremos que existen muchas aproximaciones para abordar esta tarea. La
comparación de resultados entre los sistemas descritos no es sencilla ya que estos van a
depender de las señales fisiológicas monitorizadas, de la calidad de dichas señales y de los
criterios de clasificación utilizados en cada uno de ellos. La Tabla 3.6. resume los distintos
modelos comentados a lo largo de este epígrafe.

66

en Sueño

APROXIMACIONES NO COMERCIALES
Modelos de pronóstico basado en características clínicas
− Edad, sexo, IMC, y ronquido [Viner et al.]
SISTEMAS DE − Ronquido y paradas respiratorias [Kapunai et al.]
PREDICCIÓN DE − Paradas respiratorias, hipertensión, edad e IMC [Croker et al.]
SAS
Modelos basados en RNAs
− Edad, sexo, IMC, somnolencia diurna y ronquido [Chafin et al.]
− Circunferencia del cuello, peso y altura [El-Sohl et al.]
Modelos basados en Sistemas Expertos
− [Jansen y Dawant], [Príncipe et al.], [Holzman et al.]
SISTEMAS
Modelos basados en máquinas de estado finito y la teoría de D-S
CLASIFICACIÓN
− [Príncipe et al.]
DE ESTADOS DE
Modelos basados en RNA s
SUEÑO
− [Príncipe et al.], [Schaltenbrand], [Koprinska et al.]
Modelos basados en el análisis de la señal de SaO2
− [George et al.], [Rauscher et al.]
SISTEMAS DE
Modelos basados en la señal de esfuerzo respiratorio
DETECCIÓN Y
CLASIFICACIÓN − [Macey et al.]
DE EVENTOS
Modelos basados en las señales de flujo de aire, esfuerzo respiratorio y
APNEICOS
SaO2
− [Daniels et al.]
− Sistema integrado de análisis de sueño, y detección y clasificación de
ISAS
eventos apneicos
Tabla 3.6. Cuadro resumen de las aproximaciones no comerciales comentadas

A tenor de lo expuesto, se resalta de nuevo la necesidad de un sistema que realice una
clasificación de estados de sueño de acuerdo a los criterios del clínico y teniendo en cuenta
la existencia de un posible trastorno respiratorio; un proceso de caracterización de eventos
apneicos sobre un marco de fases de sueño; y un diagnóstico inteligente del Síndrome de
Apneas del Sueño.

3.3. Resumen
Desde hace años se ha intentado automatizar la tarea de revisión y clasificación de los
registros de sueño para reducir la carga de trabajo el clínico, el volumen de papel que se
genera, y a su vez permitir un estudio más exhaustivo de los mismos. Los sistemas
comerciales constituyen un ejemplo de los sistemas automáticos para la realización de las
67


tareas de clasificación de estados de sueño y detección de ciertos desórdenes respiratorios
que se producen durante el mismo. La mayoría de ellos se centran en el Síndrome de
Apneas del Sueño, pero estos sistemas carecen de capacidades explicativas y no permiten la
interpretación contextual tanto de la clasificación de estados de sueño dentro de un marco
de alteraciones respiratorias, como de la clasificación de eventos apneicos dentro de la fase
por la que transcurre el sueño del paciente.
Debido a las carencias presentes en los sistemas comerciales, han surgido diversas
líneas de investigación para resolver los múltiples problemas que presentan estos sistemas.
Las distintas aproximaciones han seguido vertientes muy diferentes que se podrían
englobar en tres: sistemas de predicción del Síndrome de Apneas del Sueño, sistemas de
clasificación de estados de sueño, y sistemas de detección y clasificación de eventos
apneicos. El primer grupo de sistemas intenta obtener una estimación sobre si los pacientes
sufren el Síndrome de Apneas del Sueño y, de esta forma, decidir qué pacientes necesitan
una polisomnografía completa y qué pacientes pueden evitar dicha prueba. Estos sistemas
suelen utilizar un test de evaluación que serviría de guía clínica para distinguir, dependiendo
de las características físicas del paciente, ciertos tipos de apneas o incluso determinar la
existencia de algún otro tipo de trastorno del sueño. El segundo grupo de sistemas,
sistemas automáticos de clasificación de estados de sueño, surge como una necesidad
reconocida por muchos autores. La tarea de clasificación es probablemente la parte de
información más importante del análisis del sueño. Un sistema automático de clasificación
puede verse no sólo como una herramienta cuantitativa y consistente, sino también como
un dispositivo de reducción de trabajo. En estos sistemas se han utilizado distintas
aproximaciones, dependiendo de la metodología de procesado de señal elegida, para aplicar
en pasos posteriores las definiciones de R&K como reglas guía más que como definiciones
estrictas. El último grupo al que hace referencia este capítulo está constituido por los
sistemas de detección y clasificación de eventos apneicos. En este caso no se puede hablar
de problemas comunes a todos ellos ya que utilizan como fuentes de datos distintas señales
fisiológicas. Cada sistema analiza sus resultados de acuerdo a las posibilidades de las señales
que trata, y justifica así la imposibilidad de distinguir entre apneas e hipopneas, así como la
incapacidad

68

de

clasificar

los

distintos

tipos

de

eventos

detectados.

Técnicas de Inteligencia Artificial e Ingeniería del Software para un Sistema Inteligente de monitorización de
Apneas en Sueño

Capítulo 4. CONSIDERACIONES DE DISEÑO
El proceso del software, foco de atención de la última década, se define como un
marco de trabajo de las tareas que se requieren para construir software de alta calidad
[76]. Para resolver los problemas reales que se nos plantean en un entorno de trabajo, es
necesario incorporar un modelo de proceso o paradigma de ingeniería del software, en
función de la naturaleza del problema y de la aplicación. Los modelos de proceso
software constituyen todavía un tema de investigación, pero está claro que es posible
identificar un número de modelos generales o paradigmas de desarrollo de software,
entre los que se encuentran [77]:
(1)

Modelo en cascada. El modelo contempla el proceso del software como una entidad
compuesta de un número de estados tales como la especificación de requisitos, el
diseño del software, la implementación, las pruebas, y así sucesivamente. Una vez
que se da por finalizada la definición de cada estado, el desarrollo continúa hacia
el siguiente estado [78].

(2)

Programación exploratoria. Proceso que implica el desarrollo de un sistema de trabajo
lo más rápido posible y, posteriormente, la modificación del mismo hasta
conseguir un rendimiento adecuado. Esta aproximación es la más utilizada en el
desarrollo de sistemas inteligentes en donde es difícil establecer una especificación
detallada de los mismos y en donde se busca la calidad más que la exactitud [77].

(3)

Prototipado. Esta aproximación es similar a la programación exploratoria en el
sentido de que la primera fase de desarrollo implica la construcción de un
programa de uso experimental, cuyo objetivo es el establecimiento de los
requisitos del sistema, junto con una reimplementación del software para obtener
un sistema de calidad [79].

(4)

Transformación formal. Que implica el desarrollo de una especificación formal del
sistema software y la transformación de dicha especificación en un programa,
manteniendo un sistema correcto [77].

69

Capítulo 4. Consideraciones de diseño

(5)

Integración de un sistema a partir de componentes reutilizables. Esta técnica asume que los
sistemas están constituidos principalmente por componentes que ya existen. El
proceso de desarrollo del sistema se convierte en una tarea de integración más que
en una tarea de creación [77].
En nuestro caso, para el desarrollo del sistema que se está describiendo, se ha

utilizado el paradigma de Programación exploratoria [77]. La programación exploratoria está
basada en la idea del desarrollo de una implementación inicial, expuesta al usuario para
que éste haga sus propios comentarios y que sufre numerosos refinamientos hasta
alcanzar el sistema adecuado. El proceso completo se muestra en la Figura 4.1.

Desarrollo del perfil
de las
especificaciones

Construcción del
sistema software

Utilización del
sistema software

¿El sistema
es adecuado?

Desarrollo del
sistema software
Figura 4.1. Programación exploratoria

La programación exploratoria constituye un método adecuado para el desarrollo
de sistemas en los que es difícil establecer especificaciones detalladas de los mismos, y
ha sido empleada principalmente para el desarrollo de sistemas inteligentes que intentan
emular ciertas capacidades del hombre. Así como no somos capaces de entender cómo
el hombre realiza sus tareas, es imposible establecer una especificación detallada para el
software que intente emular el comportamiento humano. La clave del éxito de esta
aproximación está en la utilización de técnicas que permiten realizar iteraciones del
sistema rápidamente.

70

Apneas en Sueño

Esto es lo que ocurre cuando se trata de implementar un sistema que, de alguna
manera, imite la forma en que un experto en Neumología analiza el registro de un
conjunto de señales fisiológicas para obtener un diagnóstico sobre la existencia del
Síndrome de Apneas del Sueño. El proceso de razonamiento que utilizan los expertos
para extraer la información relevante de las señales registradas es difícil de comprender y
modelizar. Ni siquiera ellos mismos son capaces de hacer explícito dicho proceso, de
modo que establecer una especificación detallada inicial del software es prácticamente
imposible. Por lo tanto, el modelo de programación exploratoria se ha juzgado como el
más indicado para el desarrollo de un sistema como el que se pretende.
Una de las diferencias más importantes entre la programación exploratoria y una
aproximación basada en una especificación formal se encuentra en los procesos de
verificación y validación del software generado. El proceso de verificación tiene sentido
solamente cuando un programa se compara con sus especificaciones. Si no existen
especificaciones, el proceso de verificación es imposible y se debe descartar el concepto
de programa “correcto”. El proceso de validación debe demostrar la calidad del
programa más que su conformidad con las especificaciones. La calidad no es algo que se
pueda medir fácilmente, y solamente se pueden emitir juicios subjetivos sobre la calidad
de un programa. Sin embargo, esto no invalida su utilidad. No se puede garantizar que el
rendimiento humano sea correcto pero estaremos satisfechos si el rendimiento es el
adecuado para la tarea que se está desarrollando.
La clave del éxito de la programación exploratoria como metodología de
desarrollo es el empleo de técnicas que faciliten la modificación del sistema, de forma
que los cambios sugeridos por los usuarios se puedan incorporar y probar tan rápido
como sea posible [77,80]. Esta necesidad se tiene en cuenta durante la etapa de
desarrollo y se refleja en la arquitectura del sistema, que es altamente modular, de forma
que resulta muy asequible la identificación y modificación, si cabe, de cada una de las
tareas que realiza el sistema, e incluso la incorporación de nuevas tareas.

4.1. Establecimiento de requisitos
Para el éxito de un desarrollo de software es esencial una comprensión total de los
requisitos. El establecimiento de los requisitos software consiste en una descripción

71


abstracta de los servicios que se espera que el sistema proporcione y de las restricciones
bajo las cuales el sistema debe trabajar. Los requisitos son funcionales y no funcionales.
En el primer caso, hablamos de los servicios que ofrece el sistema desde el punto de
vista del usuario, y en el segundo, de las restricciones impuestas al sistema y el conjunto
de estándares que el sistema debe satisfacer [80].
En este apartado describiremos el entorno de aplicación y la necesidad de un
sistema de monitorización inteligente de apneas del sueño así como los requisitos que
debe cumplir, para posteriormente mostrar un diseño del mismo.

4.1.1. Entorno de aplicación y necesidad del sistema
El Síndrome de Apneas del Sueño (SAS) constituye un problema de salud debido a su
prevalencia, a las numerosas complicaciones que comporta, a las repercusiones sociolaborales, y al impacto negativo sobre la calidad de vida y la supervivencia de estos
enfermos. Se estima que el SAS afecta a un 2-4% de la población general adulta en el
mundo industrializado. El problema afecta preferentemente a varones de edad media, y
más del 60% de ellos son obesos [81]. Las mujeres suman un 12-35% de los casos y la
mayoría de ellas son posmenopáusicas [82,83]. Las tasas de muerte en pacientes con
SAS son mayores que en la población general, y la mayoría de los casos se cree que son
debidos a complicaciones cardiovasculares. Esta hipótesis quedó sustentada a través de
un estudio de casos de SAS, en que se demostró que un 55% de las muertes ocurrió
durante el sueño, lo que sugiere una relación causal de SAS [84]. El papel de los
facultativos de Asistencia Primaria es clave en la cadena de sospecha diagnóstica,
remitiendo a los pacientes con probabilidad clínica de SAS hacia Atención
Especializada, directamente representada en muchos casos por las Unidades de Sueño
[48].
Los primeros centros y unidades dedicadas al estudio de los trastornos del sueño
comienzan a crearse fundamentalmente en el ámbito de las Neurociencias clínicas –
Neurofisiología y Neurología – de Medicina Interna y de Neumología, y el número de
dichos centros crece de forma exponencial a lo largo de la década de los 70. A lo largo
del tiempo de existencia de la Medicina del Sueño, la evaluación sistemática de los
pacientes ha ido evolucionando. Como en el resto de la Medicina, la exploración general

72

Apneas en Sueño

y las pruebas diagnósticas usuales ocupan también un lugar fundamental en la
evaluación del paciente con trastornos de sueño. Dependiendo del juicio clínico del
médico pueden estar indicadas otras pruebas diagnósticas, incluido el estudio
polisomnográfico [3].
La Unidad de Sueño es una entidad asistencial donde se diagnostica, se trata, o en
su defecto, se orienta a los pacientes que consultan o son enviados por padecer
trastornos de sueño o relacionados con él. Esta unidad cuenta con una sección de
consulta ambulatoria, y un laboratorio de sueño que dispone de recursos técnicos
neurofisiológicos para hacer los estudios polisomnográficos [85] y se divide en dos
estancias, que son el dormitorio o sala de registro y la sala de control. En la Tabla 4.1 se
resumen las características mínimas que debe cumplir un laboratorio de sueño, las
variables que se monitorizan en un estudio polisomnográfico, así como los resultados
que debe reflejar dicho estudio [35].

73


LABORATORIO DE SUEÑO
CARACTERÍSTICAS MÍNIMAS
1. Habitación tranquila, oscura y con temperatura controlada.
2. Preferentemente localizado en un hospital y con un plan de atención urgente al paciente en caso
de eventualidades graves.
3. Técnico entrenado específicamente para realizar los registros y con amplios conocimientos en las
técnicas de reanimación cardiopulmonar.
4. El estudio de sueño se realizará a lo largo de una noche entera (p. ej., de 10:00 p.m. a 8:00 a.m.).
5. Se considerará válido para interpretación si ha habido un mínimo de 3 horas de sueño EEG.
VARIABLES A MONITORIZAR
COMO MÍNIMO DEBE REGISTRARSE:
1. Flujo aéreo. Mediante un termistor, un pneumotacógrafo o un analizador de CO2.
2. Esfuerzo ventilatorio. Mediante bandas elásticas torácico-abdominales o sistema similar.
3.Intercambio gaseoso. Se monitorizará la SaO2 por pulsioximetría.
4. ECG.
5. Estado de sueño a través de EEG (1 o 2 canales), EOG (izquierdo y derecho), y EMG
(submentoniano).
6. Presión de CPAP, si una vez conocido el diagnóstico de SAS se desea evaluar la respuesta al
tratamiento.
La lectura del registro, con ayuda en su caso de un autoanalizador, puede ser llevada a cabo por el
mismo técnico que realizó el estudio y debe basarse en los criterios de interpretación de los estudios
de sueño ampliamente aceptados [34].
INFORME DEL ESTUDIO
DEBERÁ REFLEJARSE COMO MÍNIMO:
1. Las variables registradas y el tipo de estudio (p. ej., sin o con CPAP).
2. La arquitectura del sueño: latencia, eficacia, tiempo total de sueño, porcentajes de las distintas
fases de sueño e hipnograma.
3. Tipo de alteraciones respiratorias (eventos centrales, obstructivos o mixtos), número total,
número medio por hora y duración (rango mínimo-máximo y duración media).
4. SaO2 basal (al inicio del registro), desaturación máxima y desaturación media.
5. Descripción del ritmo cardíaco basal, de las arritmias aparecidas y de su relación con los eventos
apneicos y episodios de desaturación arterial de O2.
Tabla 4.1. Características de un laboratorio de sueño, variables del análisis e informe del estudio

Para un paciente que es remitido a una Unidad de Sueño, el diagnóstico definitivo
de SAS debe realizarse sobre los resultados del estudio polisomnográfico. Este estudio
está considerado todavía como el estándar de oro para el diagnóstico de la apnea del sueño
y otros trastornos relacionados con el sueño, e implica que el paciente pase una noche
en el laboratorio de sueño, en donde se monitorizan un conjunto de variables
respiratorias y neurofisiológicas bajo la supervisión de un clínico experto durante todo el
estudio. En caso de que el estudio resulte positivo – el paciente sufre el SAS – es
necesaria una segunda noche de estudio en la que se realiza el test terapéutico con
presión positiva continua nasal (nCPAP) [86]. Esta metodología diagnóstica consume
mucho tiempo y dinero y, al ser la demanda de estudios muy numerosa, suelen

74

Apneas en Sueño

producirse largas listas de espera. Por otra parte, la morbilidad y mortalidad que presenta
el SAS [43] y el hecho de que el tratamiento con CPAP suele ser eficaz [86,87],
aumentan la importancia que tiene la demora diagnóstica en dicho proceso. Por estas
razones, es aconsejable el desarrollo de métodos alternativos de diagnóstico fiables,
sencillos y baratos [88,89], como puede ser la poligrafía respiratoria, procedimiento
simplificado que no incluye parámetros neurofisiológicos, desarrollado a través de la
monitorización de la saturación de oxígeno, flujo aéreo y movimientos respiratorios.
A raíz de un reciente estudio, en el que Douglas et al. encuentran que el registro
de las variables neurofisiológicas durante el sueño tiene un valor limitado en el
diagnóstico de SAS y en particular del SAOS [90], el interés por la poligrafía respiratoria
ha aumentado. Según los resultados del estudio de García Díaz et al. [91], la poligrafía
respiratoria es un método específico y altamente sensible para el diagnóstico de SAS,
comparándolo con la polisomnografía convencional. No obstante, estos equipos están
diseñados para el registro domiciliario no supervisado y en esas condiciones el
rendimiento diagnóstico puede ser inferior [89]. Además, es necesario tener en cuenta
que la monitorización de variables neurofisiológicas es necesaria en el ensayo
terapéutico con CPAP, ya que el objetivo de este tratamiento no es solamente
normalizar el Índice de apnea-hipopnea, sino también normalizar la arquitectura del
sueño [86,92]. Por estas razones, el empleo de la poligrafía respiratoria sólo se justifica si
existe la posibilidad de realizar una polisomnografía convencional en el mismo centro, o
en otro de referencia.
Hoy en día muchos laboratorios de sueño disponen de sistemas automáticos para,
entre otras tareas, la clasificación de estados de sueño y la detección de eventos
respiratorios de tipo apneico. Estos sistemas facilitan tanto la visualización de datos
como el almacenamiento de los mismos, evitando los problemas que existían
anteriormente cuando el análisis polisomnográfico se realizaba examinando metros y
metros de papel. A su vez, también representan una reducción en el tiempo empleado
por el clínico en el análisis. Sin embargo, tales sistemas no ofrecen los resultados
esperados ni en la tarea de clasificación del sueño, ni en la detección de eventos
apneicos.

75


En el primer caso, hay que tomar como punto de partida los reducidos niveles de
acuerdo entre clínicos en la clasificación visual de estados de sueño, sobre todo cuando
el paciente presenta algún tipo de trastorno. La esperanza puesta en el hecho de que la
clasificación computarizada ofrecería resultados mucho menos ambiguos que la
clasificación visual, se encontró con que muy pocos métodos de análisis de sueño
computarizados están siendo utilizados en la práctica clínica diaria, a pesar de los
numerosos esfuerzos realizados y obviamente el gran potencial de dichos métodos. En
particular los sistemas comerciales, con muy pocas excepciones, están diseñados para
imitar a los métodos sobre papel, con todas sus restricciones. Muchos de los problemas
asociados con el análisis automático del sueño no son debidos a las escasas posibilidades
del análisis computarizado o a su fiabilidad, sino que son el resultado del concepto de
clasificación visual de estados de sueño a través de un estándar de oro inadecuado y/o
ambiguo. La adopción conservadora de estas reglas, desarrolladas con el propósito de
comparar registros de papel entre distintos laboratorios y no como guías clínicas, ha
restringido el desarrollo no sólo del análisis computarizado sino de toda la investigación
en el área del sueño – que, por supuesto, no era el propósito original de los miembros
del comité que desarrollaron dichos estándares. Al respecto, no es necesario ni se debe
definir nuevos estándares. En su lugar, se aprovecharán nuevas aproximaciones como es
el caso de la aplicación de técnicas de Inteligencia Artificial [93].
Los sistemas automáticos para la detección y clasificación de apneas e hipopneas
se agrupan en función de las señales respiratorias que utilizan para realizar dichos
procesos. Existen numerosos trabajos que analizan la señal de Saturación de Oxígeno
(SaO2), buscando descensos de la señal para identificar eventos apneicos (Ver Capítulo
3). Aunque estos métodos se consideran suficientemente precisos y fiables también
presentan una serie de limitaciones. Debido a que solamente detectan una de las
consecuencias fisiológicas de las apneas o hipopneas (desaturación de oxígeno), no son
capaces de separar apneas de hipopneas, ni de distinguir entre eventos centrales, mixtos
u obstructivos. Con esta aproximación la detección de apneas centrales cortas es casi
imposible, ya que no es probable que estas últimas originen caídas significativas en la
SaO2. En cualquier caso, estos métodos de análisis no pretenden de ninguna manera
sustituir a la polisomnografía tradicional, sino que se definen como una parte de la
misma.

76

Apneas en Sueño

El principal objetivo del registro de los parámetros respiratorios durante el sueño
es primero anotar el número de eventos respiratorios y segundo, definir su naturaleza, es
decir, si los eventos son obstructivos, centrales o mixtos. Para ello y analizando las
distintas aproximaciones publicadas (Ver Capítulo 3), se observa que la detección de
eventos respiratorios de tipo apneico realizada sobre la señal de flujo en vías aéreas
superiores obtiene unos resultados aceptables, y que es necesaria la monitorización de
las señales de esfuerzo torácico y esfuerzo abdominal para poder clasificar los eventos
detectados.
Para finalizar este apartado se presenta una tabla resumen incluyendo los
comentarios realizados sobre el entorno de aplicación y la necesidad de un sistema
integrado de diagnóstico inteligente de SAS.
CUADRO RESUMEN
El SAS afecta preferentemente a varones en su mayoría obesos
Resulta fundamental una exploración general y pruebas diagnósticas para la evaluación del
paciente con trastornos de sueño
La unidad de sueño – consulta y laboratorio – es la entidad de diagnóstico de trastornos de
sueño
El diagnóstico de SAS se realiza sobre los resultados de la prueba polisomnográfica
El desarrollo de métodos alternativos surge por que dicha prueba es costosa en tiempo y
dinero, y existen largas listas de espera
Estos métodos, al no ser completos, sólo se justifican si existe la posibilidad de
completarlos con una polisomnografía convencional
Hoy en día la mayoría de los laboratorios de sueño disponen de sistemas automáticos de
clasificación de estados de sueño, y detección y clasificación de eventos apneicos
En el primer caso el nivel de acuerdo de estos sistemas con el clínico no es adecuado
debido al estándar de clasificación utilizado
En el segundo caso, los resultados obtenidos dependerán de las señales utilizadas para el
análisis
Tabla 4.2. Cuadro resumen del entorno de aplicación y necesidad de un sistema integrado de diagnóstico inteligente de SAS

4.1.2. Requisitos funcionales
En este apartado se especifican el conjunto de servicios del sistema que el usuario
espera obtener del mismo. Como ya se ha comentado, esta tarea no es sencilla y
tampoco va a resultar completa debido a las características del campo de aplicación del
sistema que se quiere desarrollar.
El proceso de monitorización inteligente de apneas del sueño es una tarea
compleja. A la hora de determinar si un paciente padece el Síndrome de Apneas del

77


Sueño es necesario tener en cuenta numerosos factores. El objetivo es conseguir
establecer un diagnóstico particularizado, que determine el tipo de síndrome apneico
que sufre el paciente de la misma forma que lo haría un experto humano. Para alcanzar
esta meta, el sistema debe satisfacer un conjunto de requisitos de partida, que aparecen
reflejados en la Tabla 4.3, y que a continuación serán detallados convenientemente.
REQUISITOS FUNCIONALES
Recomendación para la realización de un análisis polisomnográfico
Detección de eventos apneicos en la señal de flujo en vías aéreas superiores
Análisis del comportamiento de la señal de SaO2
Clasificación de los eventos detectados
Construcción de un hipnograma razonado
Interpretación inteligente de:
Eventos apneicos en el marco del hipnograma
Fases de sueño en el marco de eventos apneicos
Cálculo de parámetros numéricos (IAH, IAH por tipo, …)
Elaboración de un diagnóstico particularizado
Tabla 4.3. Requisitos funcionales del software

Antes de efectuar un análisis polisomnográfico el paciente debe ser evaluado para
determinar si existen ciertos factores que permitan al clínico sospechar de la existencia
de SAS, y por lo tanto sea conveniente realizar dicho análisis. Como ya se ha
comentado, la realización de un estudio polisomnográfico es una prueba que resulta
muy costosa económicamente y muy incómoda para el paciente. Por esta razón, se
justifica la implementación de un conjunto de criterios cuya evaluación permita reducir
el número de análisis innecesarios.
Las definiciones de apnea e hipopnea hacen referencia a una ausencia o reducción
de la señal de flujo respiratorio en vías aéreas superiores respectivamente [24]. Esto nos
lleva a realizar una tarea de análisis sobre dicha señal para obtener una clasificación
simbólica de la señal de flujo respiratorio a lo largo de todo el registro. Durante el
sueño, esta señal está sujeta a cambios tanto de amplitud como de frecuencia, ya que la
respiración se vuelve más regular a medida que el sueño se estabiliza y las oscilaciones
que pueda presentar se vuelven menos pronunciadas [27]. Pero también hay que tener
en cuenta que existen disminuciones - e incluso ausencias - de flujo respiratorio que no
son debidas a progresiones normales del sueño, sino que reflejan trastornos respiratorios
de tipo apneico. Por todo ello el sistema deberá ser capaz de reconocer: (1)

78

Apneas en Sueño

disminuciones de flujo respiratorio a causa de transiciones de fase de sueño, y (2)
eventos apneicos en el contexto de la fase de sueño por la que transcurre el paciente.
En tercer lugar, el sistema deberá realizar un análisis de la señal de SaO2 ya que
fisiológicamente todo evento apneico está asociado con una caída en la señal de SaO2
[lxix]. Aunque bastaría con que este análisis se centrase en aquellos intervalos de tiempo
posteriores a la ocurrencia de un evento en el flujo respiratorio, el sistema deberá indicar
todas las desaturaciones y resaturaciones (ver Capítulo 3) que se produzcan a lo largo de
la noche, el valor de SaO2 más bajo alcanzado, así como el tiempo que el paciente pasa
entre determinados valores de SaO2 (i. e. entre valores del 80% y 85%, entre valores del
85% y el 90%, etc.). El objetivo de este tipo de análisis está enfocado hacia la realización
de comparaciones entre el comportamiento de la señal de SaO2 antes y después de que
un paciente reciba el tratamiento adecuado a su caso concreto, ya que dicha señal
constituye uno de los posibles reflejos de las mejoras que origina un tratamiento sobre
un paciente con SAS.
Para todo evento apneico detectado, el sistema debe determinar su clasificación, lo
que permitirá a su vez determinar también el tipo de síndrome que sufre el paciente (ver
Capítulo 2). La clasificación de dichos eventos se realiza a partir de las señales de
esfuerzo torácico y abdominal. En aquellos intervalos de tiempo delimitados por la
ocurrencia de un evento apneico, el sistema deberá caracterizar el comportamiento de
las señales de esfuerzo. Atendiendo a su definición, una apnea/hipopnea se dice que es
obstructiva cuando el esfuerzo ventilatorio persiste para reanudar la respiración. En este
caso el sistema debe detectar la presencia de esfuerzo tanto torácico como abdominal. Si
hablamos de apneas/hipopneas centrales, hacemos referencia a la pérdida temporal del
esfuerzo respiratorio y el sistema tendrá que comprobar la ausencia de esfuerzo torácico
y abdominal, acompañando a la ausencia o reducción del flujo respiratorio. El caso de
las apneas mixtas se considera una combinación de los dos tipos anteriores, ya que el
comportamiento del esfuerzo es el de una apnea central al comienzo del evento para
evolucionar hacia el de una apnea obstructiva al final del mismo.
Como ya se ha comentado, los trastornos respiratorios durante el sueño originan
alteraciones del ciclo normal del mismo. A la hora de construir el hipnograma es
necesario tener en cuenta que determinadas transiciones, poco comunes en un

79


momento determinado de la noche de sueño, tienen que ser contempladas bajo la
existencia de eventos apneicos. A su vez, el sistema utilizará el hipnograma como
contexto para la interpretación de dichos eventos detectados.
En los últimos párrafos de esta memoria se han ido perfilando las distintas tareas
que debe acometer el sistema para ofrecer al usuario una interpretación inteligente de los
distintos eventos detectados, que se analizarán bajo la fase de sueño durante la que
ocurren, y de la progresión de estados de sueño bajo la sospecha de existencia de SAS.
De esta forma se ofrecerá un diagnóstico particularizado como producto final de la
integración de toda la información, una vez concluido el análisis de las distintas señales
mencionadas. Dicho diagnóstico determinará el tipo de síndrome apneico que sufre el
paciente. Ello supone, por un lado el cálculo de índices de Apnea/Hipopnea – global y
para los distintos tipos de apneas e hipopneas -, y su análisis conjunto con variables
como la edad del paciente, rasgos físicos – como la obesidad -, hábitos de sueño, o
incluso el tipo de población que atiende el clínico o el centro de salud; y por otro lado, la
interpretación de estos datos en el marco de los resultados que proporciona la
evaluación de un conjunto de criterios para determinar la recomendación sobre la
realización de un análisis polisomnográfico, representado en el sistema por el Módulo de
Prescripción Polisomnográfica. Este proceso de diagnóstico aparece resumido en la
tabla siguiente.

EL PROCESO DE DIAGNÓSTICO SUPONE
Cálculo de IAH global y para cada tipo de evento apneico
Análisis del IAH junto con variables de contexto:
Edad, rasgos físicos – obesidad -, hábitos de sueño, tipo de población
atendida en el laboratorio de sueño
Resultados del módulo de Prescripción Polisomnográfica
Tabla 4.4. Cuadro resumen de las tareas del proceso de diagnóstico de SAS

4.1.3. Requisitos no funcionales
El conjunto de especificaciones de los requisitos no funcionales establece las
restricciones bajo las que debe trabajar el sistema y los estándares que se deben cumplir

80

Apneas en Sueño

en el sistema desarrollado. El éxito del sistema depende de muchos factores, no sólo de
la capacidad de detectar y clasificar correctamente los eventos apneicos y obtener un
diagnóstico adecuado. En primer lugar debemos tener en cuenta que se está
acometiendo el diseño de una herramienta de ayuda al clínico, por lo que el manejo del
sistema no debe superar las capacidades técnicas del usuario, ya que podría implicar un
rechazo del propio sistema. La interacción clínico-sistema será lo más natural posible,
sin introducir más complejidad al proceso de análisis de los resultados de la prueba
polisomnográfica. Otro aspecto de este problema lo constituye la presentación de
resultados. Muchos de los sistemas antecedentes abruman al usuario con una gran
cantidad de información debido al elevado número de señales fisiológicas que es
necesario visualizar. Los resultados del sistema deben presentarse de forma organizada,
agrupando este conjunto de señales fisiológicas en relación a la función biológica que
representan. Cuando el volumen de información es elevado, como ocurre en nuestro
caso, también se hace imprescindible la presentación de una versión integrada y
resumida de la información resultante, permitiendo que el usuario desglose la misma
según le interese en cada momento.
Otro punto que se debe tener en cuenta al hablar de requisitos no funcionales es
la flexibilidad del sistema. En primer lugar es necesario aclarar que las entradas al
sistema, las señales fisiológicas, provienen de un sistema de adquisición de datos
comercial (ver Capítulo 3). Teniendo esto en cuenta, el sistema desarrollado debe ser lo
suficientemente flexible como para operar sobre los datos obtenidos a partir de distintos
sistemas. Los módulos encargados del preprocesado del registro de las señales
fisiológicas tendrán que estar lo suficientemente aislados del resto del sistema para que
el análisis no dependa, en ningún momento, de la información proporcionada por el
sistema de adquisición de datos.
También es necesario puntualizar aspectos relativos a la fiabilidad del software que
se desarrolla. El sistema se dirá fiable si el experto está de acuerdo con los resultados
que le proporciona. Sin embargo, debido a la variabilidad existente en los juicios
emitidos por el clínico, tener un estándar de comparación es prácticamente imposible.
Por ello, la validación del sistema se realizará teniendo esto en cuenta, tal y como se verá
en capítulos posteriores.

81


Los requisitos no funcionales expuestos aparecen resumidos en la tabla siguiente.
REQUISITOS NO FUNCIONALES
Facilidad de manejo
Naturalidad en la interacción con el clínico
Presentación de resultados de forma ordenada, de acuerdo a la relación entre
señales biológicas, resumida e integrada
Flexibilidad del sistema
Fiabilidad del software desarrollado
Tabla 4.5. Requisitos no funcionales del software

4.1.4. Modelo del sistema
En este apartado se pretende ofrecer una descripción del entorno y de la forma en
que el sistema interactúa con él. Se hace referencia primero a una especificación desde el
punto de vista clínico para continuar con una explicación desde la perspectiva del
software que se desarrolla.
En el entorno clínico de una Unidad de Sueño el proceso de diagnóstico de SAS
involucra varias tareas. Inicialmente el paciente es examinado y debe responder a un
determinado cuestionario con el que se pretende determinar sus hábitos de sueño,
identificar los síntomas que presenta, así como ciertos aspectos relativos a su
comportamiento. Todo ello ayudará al clínico a determinar si es necesaria la realización
de una prueba polisomnográfica previa a un tratamiento, o si por el contrario las
evidencias que presenta el paciente permiten abordar el tratamiento directamente. Sin
embargo, la historia y la simple exploración física no predicen adecuadamente ni la
presencia o ausencia de eventos apneicos, ni la severidad (si existe) de SAS [lvii,94]. En
ambos casos se hace necesaria la monitorización de un conjunto de señales fisiológicas
relativas a la función respiratoria y neurofisiológica, y como mínimo deben registrarse
[49]:
Flujo aéreo, bien mediante un termistor, pneumotacógrafo o analizador de CO2
Esfuerzo ventilatorio, mediante bandas elásticas torácico-abodminales
Intercambio gaseoso, a través de la SaO2
Electrocardiograma (ECG)

82

Apneas en Sueño

Fase de sueño, que se obtiene a través de uno o dos canales de EEG, dos canales
de EOG (izquierdo y derecho), y el EMG submentoniano
Presión de CPAP, cuando una vez conocido el diagnóstico de SAS se desea
evaluar la respuesta al tratamiento
Una vez finalizada la prueba polisomnográfica, se emite un informe que deberá
indicar, también como mínimo [35]:
Las variables registradas y el tipo de estudio realizado, es decir, si se ha realizado
con o sin CPAP.
La arquitectura del sueño expresada en términos de latencia, eficacia, tiempo total
de sueño, porcentajes de las distintas fases de sueño, y el hipnograma o mapa de
sueño.
Tipo de síndrome respiratorio, es decir, si predominan las apneas obstructivas,
centrales o mixtas, el número de eventos apneicos detectados, su número promedio
por hora y su duración.
La SaO2 basal, cuyo valor se obtiene al comienzo del registro, la desaturación
máxima y la desaturación media.
La interpretación final obtenida a partir del análisis realizado.
Por otro lado, desde la perspectiva del software desarrollado se presenta un modelo
de monitorización de apneas durante el sueño en el que se aprecian las relaciones entre
éste y los distintos elementos de su entorno, tal y como se observa en la Figura 4.2.

83


Usuario

Paciente
Interfaz gráfico

Sensores

Módulo de prescripción
polisomnográfica
Módulo de
“Adquisición” de
datos

Unidad de
Adquisición de
datos comercial

Módulo de Monitorización
Inteligente de Apneas del Sueño

Figura 4.2. Modelo del sistema y su interacción con el entorno

Los elementos externos al sistema son el paciente al que se le realizará la prueba
polisomnográfica, los sensores a partir de los cuales se obtendrán las distintas señales
fisiológicas y, en nuestro caso, la unidad de adquisición de datos del sistema comercial
existente (ver Capítulo 3). Esta unidad de adquisición proporciona un conjunto de
ficheros binarios que se corresponden con los valores registrados de las señales
monitorizadas, cada una de ellas a través de un canal específico y con una frecuencia
determinada expresada en Hz, tal y como se observa en la tabla resumen que a
continuación se acompaña [95].
SEÑAL

ETIQUETA

CANAL

C3A2
O1A2
O2A1
C4A1
LOC
ROC
CHIN
FLOW
THOR
ABD
POS
SAO2

FRECUENCIA DE

Ch0
Ch1
Ch4
Ch5
Ch2
Ch3
Ch6
Ch11
Ch12
Ch13
Ch14
Ch15

MUESTREO (HZ)

Canal EEG C3A2
Canal EEG O1A2
Canal EEG O2A1
Canal EEG C4A1
Canal EOG izquierdo
Canal EOG derecho
Canal EMG
Flujo aéreo
Esfuerzo torácico
Esfuerzo abdominal
Posición
Saturación de oxígeno

Tabla 4.6. Características de adquisición de las señales fisiológicas

84

100
100
100
100
50
50
100
12.5
12.5
12.5
12.5
12.5

Apneas en Sueño

El cuarto elemento externo es el usuario del sistema que será el encargado de
realizar ciertas tareas tal y como expresa la Figura 4.3. La primera de ellas consiste en
identificar el paciente objetivo del estudio. Otra tarea asignada al usuario consiste en la
cumplimentación de un cuestionario de evaluación del paciente que permitirá conocer
los hábitos de sueño del mismo, así como su comportamiento habitual durante el día.
También debe encargarse en cierto sentido de la configuración de la interfaz gráfica en
lo que a visualización de señales se refiere. Debido al elevado número de éstas, el
usuario puede elegir qué señales desea visualizar en cada momento, asignarle un código
de colores y establecer los límites superior e inferior de las gráficas en las que se
representan dichas señales.
Además, el usuario del sistema es también responsable de la tarea de
parametrización. Por parametrización se quiere indicar el establecimiento de los umbrales
de detección de los distintos eventos apneicos, así como de aquellas particularidades que
se quieran obtener de determinadas señales, como por ejemplo la modificación del
criterio que define una desaturación.

CUMPLIMENTACIÓN
DE UN
CUESTIONARIO

IDENTIFICACIÓN
DEL

PARAMETRIZACIÓN
DE
EVENTOS

PACIENTE

DE

CONFIGURACIÓN
DE
VISUALIZACIÓN

ESTUDIO

Figura 4.3. Diagrama de tareas realizadas por el usuario

85


Con respecto al software que se ha de desarrollar, se han distinguido cuatro
elementos funcionales, de acuerdo con las tareas principales que debe realizar un sistema
de este tipo: (1) elaboración de un cuestionario de preevaluación, (2) adquisición de los
datos, (3) procesamiento de los datos, y (4) visualización de los resultados obtenidos.
El módulo de prescripción polisomnográfica es el encargado de mostrar al usuario las
preguntas a las que el paciente debe contestar, y realizar una evaluación de las mismas
para obtener una indicación sobre la posibilidad de la existencia de SAS y la
conveniencia o no de realizar una prueba polisomnográfica.
La denominada tarea de Adquisición de datos difiere de las tareas implementadas en
los sistemas convencionales, ya que el sistema diseñado se aprovecha del módulo
implementado por el sistema comercial existente. Sus atribuciones se encuentran a nivel
de comprobación de la existencia de los ficheros y de transferencia de datos a las
estructuras propias del sistema, así como hacer estos datos disponibles a los demás
módulos del sistema que los necesiten.
El módulo de Monitorización Inteligente de Apneas del Sueño es el módulo que se
encargará de las tareas de análisis de las distintas señales registradas, detección y
clasificación de eventos apneicos, obtención y construcción del hipnograma y
elaboración de un diagnóstico particularizado para el paciente con el que se está
trabajando.
Por último, es necesario un módulo de interfaz que permita ofrecer al personal
clínico, como usuario del sistema, los resultados del procesamiento y que facilite la
interacción con el propio sistema. Es decir, se encargará de visualizar las señales
registradas y presentar los resultados obtenidos en la fase de monitorización inteligente,
tanto en formato gráfico como a través de un informe de texto detallado.

4.2. Diseño del sistema
Siguiendo el esquema del modelo propuesto, tanto desde el punto de vista clínico
como desde el desarrollo de un sistema software, y para poder alcanzar los requisitos
especificados, se propone la siguiente arquitectura del sistema (Figura 4.4). En los
distintos módulos que aparecen en ella se ha utilizado por un lado la tecnología de
86

Apneas en Sueño

sistemas basados en conocimiento para realizar procesos de razonamiento allí donde
existían una serie de reglas bien establecidas para un determinado dominio, y por otro
las técnicas más clásicas de programación para la implementación de algoritmos de
análisis de señales, y como medio para combinar todos los paradigmas computacionales
que conviven en el software desarrollado.

CARACTERIZACIÓN DE LA FUNCIÓN RESPIRATORIA
MÓDULO DE
PRESCRIPCIÓN
POLISOMNOGRÁFICA

MÓDULO DE
RECONOCIMIENTO
DE EVENTOS APNEICOS

Módulo Procesamiento
SaO2

Módulo Procesamiento
ESFUERZO RESPIRATORIO

SISTEMA
EXPERTO
DE
DIAGNÓSTICO

POLISOMNOGRAFÍA

CONSTRUCCIÓN DEL HIPNOGRAMA
Módulo de Caracterización de
la Actividad Cerebral

Módulo de Detección y
Clasificación de Mov. Oculares

Módulo de Caracterización del
Tono Muscular

MÓDULO DE
ASIGNACIÓN DE
FASES DE SUEÑO

SBC

Figura 4.4. Arquitectura global del sistema MIDAS

La arquitectura final del sistema es claramente modular e incluye cuatro elementos
perfectamente diferenciados:
•

Un módulo de prescripción polisomnográfica, cuyo objetivo es tratar de evaluar los
hábitos de sueño del paciente, y determinar la conveniencia o no de realizar una
prueba polisomnográfica en términos de posibilidad de existencia del Síndrome de
Apneas del Sueño.

•

Un módulo de caracterización de la función respiratoria, encargado de la detección de los
distintos eventos apneicos a partir de la señal de flujo respiratorio, y de su
posterior clasificación utilizando las señales de saturación de oxígeno y esfuerzos
respiratorios.

87


•

Un módulo de construcción del hipnograma, o secuencia de estados de sueño por los que
transita un paciente durante una noche de sueño, mediante el análisis de la
Actividad Cerebral - en especial los ritmos alpha, beta, delta y theta, así como
complejos-k y spindles -, y las señales de EOG y EMG.

•

Un módulo de diagnóstico, que es el encargado de reunir la información producida
por los módulos anteriores para: (1) determinar las disminuciones de flujo
respiratorio que están causadas por transiciones de fases de sueño, (2) interpretar
las secuencias de fases de sueño en el contexto de las alteraciones respiratorias
debidas a eventos apneicos, (3) reconocer y clasificar los eventos apneicos
teniendo como contexto la fase de sueño por la que discurre el paciente, y (4)
elaborar un diagnóstico particularizado para explicar el síndrome que sufre el
paciente y su tipo.
El sistema cuenta con una interfaz gráfica que permite mostrar la información

resultante del proceso global, así como realizar un seguimiento de los procesos de
análisis de cada una de las señales fisiológicas involucradas.
A continuación, se realiza una descripción del módulo de prescripción
polisomnográfica ya que es un elemento del sistema que opera de forma totalmente
independiente al mismo. Los resultados que proporciona este módulo van a determinar
la puesta en marcha del resto del sistema, ya que establecen en forma de sugerencia la
necesidad de realizar una prueba polisomnográfica, proporcionando al clínico una
segunda opinión sobre la eventualidad de que el paciente efectivamente presente el

4.3. Prescripción de análisis polisomnográficos
El diagnóstico del Síndrome de Apneas del Sueño se realiza normalmente en base
a un conjunto de características clínicas representativas y a los resultados de la
polisomnografía nocturna. Tal y como se ha comentado, la polisomnografía es una
prueba cara y consume mucho tiempo, y por ello resulta de interés determinar la
presencia de SAS utilizando solamente la información referente a la historia del paciente
y al examen físico que se le realiza. Si fuese posible realizar una predicción lo

88

Apneas en Sueño

suficientemente precisa, ello ayudaría a optimizar la utilización de los laboratorios de
sueño, a reducir el número de análisis polisomnográficos innecesarios [96], y a dar
prioridad a determinados pacientes en función de la gravedad del trastorno que
presenten [97].
El estudio de las características que presentan los pacientes con SAS y de las
quejas por las que acuden a la consulta de la Unidad de Sueño, ha dado lugar al diseño
de numerosos cuestionarios que permiten al clínico evaluar la posibilidad de que dichos
pacientes padezcan el Síndrome de Apneas del Sueño. En este trabajo se ha escogido el
protocolo de Johnson y Halberstat para aconsejar al clínico sobre la necesidad de
realizar una prueba polisomnográfica bajo la sospecha de que el paciente pueda padecer
SAS. Dicha elección está basada en la sencillez y la buena adecuación del cuestionario,
ya que recoge los síntomas y las características físicas del paciente más representativos
que caracterizan al síndrome. Para la evaluación de este protocolo se ha utilizado el
modelo clásico de tratamiento de incertidumbre de Shortliffe y Buchanan.

4.3.1. Evidencias clínicas del Síndrome de Apneas del Sueño
El SAS presenta un amplio espectro de evidencias clínicas, en donde es necesario
distinguir entre las características físicas del paciente y las manifestaciones clínicas
producto de la existencia del síndrome. Ambos grupos de evidencias deben ser incluidos
en los protocolos de evaluación utilizados por el clínico a la hora de realizar una
predicción sobre la existencia de SAS y recomendar la realización de una prueba
polisomnográfica.
Entre las características físicas de los pacientes asociadas con un riesgo creciente
de padecer apneas del sueño, se incluyen el hecho de ser hombre, ser obeso, y tener una
edad alrededor de los cuarenta años. También está tipificado como factor de riesgo el
grosor del cuello, si supera los 43 cm de circunferencia en el caso de los hombres, y los
40 cm en las mujeres.
Las manifestaciones clínicas más comunes de los pacientes con sospecha de SAS
aparecen resumidas en la Tabla 4.7 [98].

89


RONQUIDO

PRESENCIA DE

MANIFESTACIONES CLÍNICAS
− Hallazgo universal en pacientes con SAS
− El paciente informa o no de la presencia de ronquido dependiendo de la
edad, el sexo y la educación
− Es importante determinar su duración, frecuencia, e intensidad, asociadas a
las paradas respiratorias
− Por si sola es una variable de pronóstico pobre
− Observación realizada por el compañero de cama

PARADAS
RESPIRATORIAS

SUEÑO NO
REPARADOR
SOMNOLENCIA
DIURNA
EXCESIVA

− Suele venir acompañado de somnolencia diurna
− Por si sola es una variable de pronóstico pobre
− Consecuencia de la fragmentación del sueño
− Puede observarse en otras patologías distintas al SAS
− El paciente informa o no dependiendo de su capacidad para compensar la
privación de sueño cambiando su estilo de vida
Tabla 4.7. Manifestaciones clínicas del Síndrome de Apneas del Sueño

La característica más estudiada es, sin duda, la somnolencia diurna excesiva y
existen varias pruebas para medir el grado de somnolencia diurna de un paciente. Entre
ellas se encuentran el Test de Latencia Múltiple (MSLT) [99] y el Test de Mantenimiento
de la Vigilia (MWT) [100], y sencillos cuestionarios como la Escala de Somnolencia de
Stanford (SSS) [101] y la Escala de Somnolencia de Epworth (ESS) [102], entre otros.
El MSLT documenta la capacidad de un individuo para quedarse dormido durante
cinco tests realizados a intervalos de dos horas a lo largo del día. En el MWT se mide la
latencia de comienzo del sueño - tiempo que tarda el paciente en quedarse dormido con el paciente sentado en una habitación tranquila con una iluminación tenue,
intentando permanecer despierto más que quedarse dormido. Tanto el test MSLT como
el MWT son instrumentos valiosos en la práctica clínica pero su coste y su complejidad
hacen que su aplicación en estudios de investigación amplios y en la práctica clínica sea
difícil.
La Escala de Somnolencia de Stanford y la Escala de Somnolencia de Epworth,
son cuestionarios rápidos y sencillos, que proporcionan una medida del nivel general de
somnolencia diurna del individuo. Esta medida representa la probabilidad del paciente a
quedarse dormido en un conjunto de situaciones.

90

Apneas en Sueño

Los resultados obtenidos mediante las distintas pruebas comentadas, determinan
la existencia de algún trastorno asociado al sueño a partir de la evaluación del síntoma de
somnolencia diurna excesiva. Entre estos trastornos se encuentran el Síndrome de
Apneas Obstructivas del Sueño (SAOS), el trastorno de movimientos periódicos de las
piernas (PLMD), la narcolepsia, la hipersomnia idiopática y otros trastornos diversos.
Sin embargo, estos resultados por sí solos no permiten distinguir cuál es el trastorno que
presenta el paciente, sino que es necesario acompañarlos de una exploración física y un
informe sobre otros síntomas que pueda presentar dicho paciente.
Teniendo en cuenta todas estas evidencias clínicas y su importancia dentro del
SAS, se justifica la elección de un protocolo que permita determinar las características
físicas del paciente y la presencia o ausencia de un conjunto de síntomas, para predecir
con una cierta probabilidad la existencia del SAS e incluso determinar la gravedad del
mismo.

4.3.2. Prescripción polisomnográfica
A tenor de lo expuesto en el epígrafe anterior, en este módulo se evalúa la
posibilidad de existencia del Síndrome de Apneas del Sueño indicando la conveniencia
de efectuar una prueba polisomnográfica. Para realizar dicha tarea, se ha elegido el
modelo propuesto por Johnson y Halberstat [103], en donde la valoración de las
respuestas del paciente a un cuestionario se ha llevado a cabo mediante la aplicación del
modelo de factores de certeza de Shortliffe y Buchanan [104]. El objetivo que se
pretende con el desarrollo de este módulo es doble: por un lado, optimizar recursos
hospitalarios evitando la realización de pruebas innecesarias, o priorizando las pruebas
en función de la posible severidad del SAS, y por otro lado, proporcionar al clínico una
segunda opinión sobre la posibilidad de que el paciente efectivamente presente el
síndrome, y recomendar en caso afirmativo la realización de la prueba polisomnográfica.
En cualquier caso, es el propio clínico quien decide si la prueba es realmente necesaria o
no.

91


Sí

CUESTIONARIO DE EVALUACIÓN
Qué le ocurre cuando se despierta
¿Se despierta cansado, adormilado o atontado, poco dispuesto a afrontar el día?
¿Tiene dolores de cabeza durante la mañana?
¿Está adormilado durante el día?
¿Se duerme fácilmente durante el día?
¿Tiene problemas de concentración, es poco productivo en el trabajo o le cuesta completar sus tareas?
¿Se aturde con las tareas rutinarias?
¿Ha llegado a su casa en automóvil pero no le resulta fácil recordar el trayecto realizado?
Estado emocional
¿Tiene problemas en sus relaciones familiares, amigos, parientes o compañeros de trabajo?
¿Teme hallarse desplazado del mundo real, ser incapaz de pensar claramente, que está perdiendo memoria o
emocionalmente enfermo?
¿Le han comentado sus familiares o amigos haber observado un cambio negativo en su conducta?
¿Está irritable o enfadado, principalmente en las primeras horas de la mañana?
Condiciones físicas, médicas y hábitos
¿Tiene sobrepeso o es obeso?
¿Tiene tensión arterial elevada?
¿Tiene dolores en sus articulaciones o costillas?
¿Tiene problemas para respirar a través de la nariz?
¿Toma a menudo alcohol antes de ir a dormir?
Si es usted hombre, ¿tiene su cuello una circunferencia superior a los 42 centímetros?
Conducta durante el sueño
¿Ronca ruidosamente?
¿Tiene frecuentes pausas en la respiración mientras duerme (superiores a 10 segundos)?
¿Le cuesta descansar durante la noche, girando y moviéndose en la cama?
¿Es su postura durante el sueño poco usual?
¿Tiene insomnio? (Despertándose frecuentemente y sin razón aparente)
¿Se levanta a orinar varias veces durante la noche?
¿Suda en la cama?
¿Se ha caído alguna vez de la cama?

Figura 4.5. Cuestionario de evaluación de Johnson y Halberstat

92

No

No
Sabe

Apneas en Sueño

El cuestionario de Johnson y Halberstat incluye 25 preguntas organizadas en una
taxonomía definida por las siguientes clases: (a) estado del paciente al despertar, (b)
estado emocional del paciente, (c) condición física y hábitos del paciente, y (d) conducta
del paciente durante el sueño, tal y como aparece representado en la Figura 4.5.
Una vez que el paciente ha respondido a todas las preguntas, se procede a la
evaluación de sus respuestas. Partiendo de las ideas básicas del modelo de los factores
de certidumbre de Shortliffe y Buchanan, se asume que cada respuesta a una pregunta
del test constituye una evidencia ei. La sospecha de que el paciente padezca el Síndrome de
Apneas del Sueño se define como la hipótesis de trabajo H. Cada una de las evidencias ei
apoya en mayor o menor grado a la hipótesis H.
Johnson y Halberstat identifican un grupo de preguntas dentro del cuestionario
para las que una respuesta afirmativa se considera claramente indicativa de presencia del
Síndrome de Apneas del Sueño. A las evidencias correspondientes a este conjunto de
preguntas se les asigna heurísticamente un factor de certidumbre de 0.8, mientras que al
resto de las preguntas se les asigna un factor de certidumbre de 0.2 como valor umbral
asociado a una evidencia no patognómica. Es decir, el factor de certidumbre de las
reglas:

ej

H

en donde j = 3, 4, 18, 19, es igual a 0.8. La potencia evidencial de dichas relaciones
causales es 0.8.
El conjunto de evidencias restantes apoya a la hipótesis H con un factor de
certidumbre de 0.2. Es decir, la potencia evidencial de las relaciones causales:

ek

H

En donde k = 1, 2, 5..17, 20..25, es 0.2.
Con esta distinción se pretende potenciar aquellas preguntas que se corresponden
con evidencias clínicas que representan una mayor contribución para determinar la
existencia del SAS, tal y como ya se ha comentado en este capítulo.

93


Dentro del conjunto total de evidencias que han sido descritas al comienzo de este
epígrafe, algunas de ellas podrían ser consideradas como combinación lógica de
evidencias más simples. Estas evidencias son:
e1: El paciente se despierta cansado, adormilado o atontado, poco dispuesto a afrontar el
día
e5: El paciente tiene problemas de concentración, es poco productivo en el trabajo o le
cuesta completar sus tareas
e9: El paciente teme hallarse desplazado del mundo real, ser incapaz de pensar claramente,
estar perdiendo memoria o estar emocionalmente enfermo
e12: El paciente tiene sobrepeso o es obeso
e20: Al paciente le cuesta descansar durante la noche, se gira y se mueve en la cama
e22: El paciente tiene insomnio y se despierta frecuentemente y sin razón aparente

Sin embargo, el resultado de considerar dichas evidencias como evidencias simples
o como una única evidencia, en términos de cuantificación del apoyo a la hipótesis H,
no varía.
Así, la certeza de la hipótesis se calcula a partir de las evidencias correspondientes
que, de acuerdo con el modelo de Shortliffe y Buchanan, supone la evaluación de un
conjunto de evidencias independientes referidas a la misma hipótesis, según se muestra
en la Figura 4.6 [105].
e1

CF(H,e1)

H

e25

CF(H,e25)

Figura 4.6. Relación de evidnecias e hipótesis para la evaluación del cuestionario

94

Apneas en Sueño

Teniendo en cuenta las condiciones expuestas, el resultado de la evaluación global
del cuestionario es un factor de certidumbre de la hipótesis SAS dada toda la evidencia
disponible, de la forma:
0 ≤ CF (SAS Evidencia ) ≤ 1

en donde el valor 0 indica que, de acuerdo con el cuestionario, no hay evidencias
que se asocien con el síndrome, y el valor 1 indica que existe suficiente peso evidencial
como para considerar seguro que el paciente padece SAS. El valor numérico finalmente
obtenido es procesado simbólicamente según los criterios mostrados en la Tabla 4.8, y el
resultado se le presenta al usuario en términos de posibilidad de Síndrome de Apneas del
Sueño (Figura 4.7).
CF (SAS/EVIDENCIA)

POSIBILIDAD DE SAS

CF = 0.0

Desconocida

0.0 < CF ≤ 0.2

Ligeramente posible

0.2 < CF ≤ 0.4

Posible

0.4 < CF < 0.6

Bastante posible

0.6 ≤ CF < 0.8

Muy posible

0.8 ≤ CF < 1.0

Casi segura

CF = 1.0

Segura

Tabla 4.8. Asignación de etiquetas semánticas a la posibilidad de SAS en función del CF resultante

Aunque el proceso de asignación de etiquetas semánticas a valores numéricos es
siempre arbitrario e impreciso, este conjunto de siete etiquetas lingüísticas está
justificado porque es capaz de recoger la incertidumbre asociada al dominio clínico con
el que se está trabajando.

95


Figura 4.7. Ventana de resultados del módulo de Prescripción Polisomnográfica

Es necesario resaltar que el módulo también ofrece los resultados de la evaluación
del test mediante un índice de confianza, que cuantifica el apoyo que ofrecen las
distintas evidencias evaluadas sobre la hipótesis de posibilidad de SAS, y justifica dichos
resultados en forma de respuestas a las que el paciente a contestado afirmativamente.
Además, el módulo permite al clínico realizar el test varias veces al mismo paciente, y de
esta forma poder comparar los resultados obtenidos antes y después de que el paciente
reciba un tratamiento. Por ejemplo, ante un paciente para el que se obtiene un resultado
positivo en el test, es decir que Es seguro que el paciente padezca el síndrome, una vez realizada
la prueba polisomnográfica y establecido el tratamiento, el clínico puede comprobar en
cierta forma la efectividad de dicho tratamiento realizando de nuevo el test.

4.4. Resumen
En todo proceso de creación de software se debe utilizar un modelo de desarrollo
que describa las actividades implicadas en su producción. En la implementación del
sistema que se presenta se ha utilizado un modelo de proceso llamado Programación
Exploratoria, que se basa en la idea del desarrollo de una implementación inicial, puesta
en funcionamiento lo más rápido posible y su posterior refinamiento hasta alcanzar el
objetivo deseado. Para que este proceso tenga éxito es necesario el establecimiento de
los requisitos software iniciales. En ellos se recoge información acerca del problema,

96

Apneas en Sueño

para realizar una definición comprensiva del mismo sobre la que posteriormente se
basará el diseño e implementación del sistema de monitorización inteligente de apneas
del sueño. El objetivo es proporcionar una visión global que ayude a comprender la
naturaleza del problema. Se describen los objetivos que la solución software propuesta
debe alcanzar desde el punto de vista funcional, el entorno que lo rodea, y su interacción
con él, y finalmente se propone un modelo abstracto del software a desarrollar, sobre el
que basar la arquitectura final del sistema.
Dentro de esta arquitectura del sistema se describe con un mayor nivel de detalle
el módulo de Prescripción Polisomnográfica ya que constituye un elemento
independiente y en base a sus resultados se procesan los módulos restantes que
constituyen el sistema. En este módulo se implementa el protocolo de Johnson y
Halberstat constituido por un conjunto de 25 preguntas que el paciente deberá
contestar, y para la evaluación global de dicho protocolo se utiliza el modelo de factores
de certidumbre de Shortliffe y Buchanan. Los resultados de este módulo se presentan al
usuario en términos de posibilidad de SAS, directamente relacionada con la
conveniencia de prescribir la prueba polisomnográfica.

97

en Sueño

99

en Sueño

Capítulo 5. ANÁLISIS DE LA FUNCIÓN RESPIRATORIA
El ciclo normal de sueño en el hombre se puede ver alterado por multitud de
circunstancias. En ocasiones, se producen pausas respiratorias como consecuencia de la
obstrucción parcial o completa de las vías aéreas superiores. Estas pausas respiratorias se
denominan genéricamente eventos apneicos y se distinguen dos tipos: apnea, cuando la
obstrucción es completa y por tanto no existe flujo respiratorio en las vías aéreas superiores
e hipopnea cuando la obstrucción es parcial y como consecuencia existe una reducción
considerable en el flujo respiratorio, acompañada de una disminución de la concentración
de oxígeno en sangre arterial. Ambos tipos de eventos deben tener una duración de al
menos 10 segundos para ser considerados significativos [35,cvi].
Un evento apneico puede clasificarse como obstructivo, central o mixto. Se dice que
un evento apneico es obstructivo si la parada respiratoria ocurre porque el aire no puede
circular a través de la nariz o de la boca del individuo aunque persiste el esfuerzo por
continuar respirando. Un evento apneico se define como central si durante el mismo no hay
evidencias de esfuerzo respiratorio. Y por último, un evento apneico mixto es aquel en el
que existe una pausa respiratoria de tipo central que viene seguida por esfuerzos
ventilatorios obstructivos, es decir el evento comienza como un evento central y finaliza
como obstructivo.
Esta taxonomía clínica se ha incorporado en el subsistema de caracterización de la
función respiratoria. A partir de los datos recogidos en una prueba polisomnográfica, este
subsistema analiza la información correspondiente a las variables respiratorias del paciente
(Flujo de aire en vías aéreas superiores o Airflow, Saturación de oxígeno o SaO2, y Esfuerzo
respiratorio, torácico y abdominal), para detectar posibles anormalidades de tipo apnea o
hipopnea, y para clasificar dichas anormalidades como obstructivas, centrales, o mixtas.
En este capítulo se describen en detalle el diseño, la implementación y el
funcionamiento del subsistema desarrollado para caracterizar la función respiratoria y de
cada uno de los módulos que lo componen, así como los algoritmos implementados que
satisfacen los requisitos funcionales especificados en el Capítulo 4.

101

Capítulo 5. Análisis de la función respiratoria

Cada módulo implementa una función claramente definida dentro del proceso global
de caracterización. Así, mientras el módulo de reconocimiento de eventos apneicos analiza la señal de
flujo de aire para localizar los distintos tipos de eventos, el módulo de procesamiento de la señal
de SaO2 localiza los descensos de saturación de oxígeno producidos durante la noche, y el
módulo de procesamiento de las señales de esfuerzo respiratorio analiza las señales de esfuerzo
torácico y abdominal buscando patrones característicos de tipo obstructivo, central o
mixto. La comunicación entre estos módulos y el subsistema de diagnóstico de SAS se
establece exclusivamente a través de la información de más alto nivel que produce cada uno
(necesaria para que se alcance la función software final deseada). En las siguientes secciones
de este capítulo se describen en detalle la estructura y funcionalidad de cada uno de estos
módulos, especificando:
La definición del problema a resolver, o lo que es lo mismo, la identificación del
objetivo a conseguir;
El desarrollo técnico, que describe el modo en que se resuelve el problema mediante
una descripción procedimental;
Finalmente, la integración de soluciones, que ofrece los resultados o salidas obtenidas
para tratar los problemas para los que se construyó el módulo.

5.1. Módulo de reconocimiento de eventos apneicos
Los eventos apneicos se caracterizan por presentar una disminución del flujo
respiratorio en mayor o menor grado. Por ello, es evidente la necesidad de realizar un
análisis de dicha señal con el fin de detectar aquellos tramos de la señal de flujo en los que
se haya producido un evento de tipo apneico.

102

en Sueño

V

30 s

t

Figura 5.1. Señal de flujo respiratorio perteneciente a un paciente con SAOS

Las definiciones de eventos y tipos de eventos anteriormente mencionadas son de
marcado carácter cualitativo. Aunque existen multitud de criterios de carácter cuantitativo,
ninguno de ellos está estandarizado. Además, hay que tener presente que el dispositivo de
medida empleado para el registro de la señal de flujo respiratorio, afecta a la selección de un
criterio u otro. Cuando el flujo respiratorio se registra mediante un termistor, como es el
caso de la señal de la Figura 5.1, la amplitud de la señal registrada sólo muestra una
correlación gruesa con la magnitud real del flujo respiratorio [46], ya que es una medida
indirecta del flujo. Es decir, se trata de un sistema de medida impreciso y esencialmente
semicuantitativo, lo que hace difícil precisar una cuantificación exacta de las disminuciones
del flujo respiratorio [cvii]. Por este motivo la definición de una apnea se matiza diciendo
que debe existir un cese o una reducción prácticamente total del flujo respiratorio, es decir, una reducción
superior al 80% (Figura 5.2a). Los criterios que se aplican para definir una hipopnea
consideran reducciones desde el 30% hasta el 70% en la amplitud de la señal con respecto a
la amplitud en el período más próximo de respiración normal. Sin embargo, uno de los
criterios más extendidos es aquel que caracteriza la hipopnea mediante una reducción
superior al 50% [45]. En la señal esto aparecerá como una serie de ciclos respiratorios
consecutivos con un flujo de aire menor de lo normal (Figura 5.2b).

V

t
a) Apnea

b) Hipopnea

Figura 5.2. Comportamiento de la señal de flujo respiratorio registrada mediante termistor

103


5.1.1. Desarrollo técnico
El planteamiento definido para el desarrollo de este módulo es la realización de un
procesado simbólico de la señal de flujo respiratorio que permita obtener una
caracterización cualitativa de la misma, de tal forma que refleje las anormalidades
respiratorias ocurridas. Este proceso de análisis de la señal de flujo respiratorio consta de
cinco pasos:
(1)

Segmentación de la señal en ciclos respiratorios

(2)

Cálculo del flujo de aire de cada ciclo respiratorio

(3)

Clasificación simbólica del flujo de aire de cada ciclo respiratorio

(4)

Caracterización simbólica de la señal de flujo respiratorio

(5)

Identificación de posibles eventos apneicos

Segmentación de la señal en ciclos respiratorios
La identificación de la existencia de ventilación pulmonar requiere la realización de
un estudio de la calidad de las respiraciones [cviii]. En este sentido, se comienza dividiendo
la señal en ciclos respiratorios. Considerando que la señal de flujo respiratorio presenta sólo
valores positivos, para facilitar la búsqueda de los ciclos respiratorios, se efectúa una
transformación lineal sobre dicha señal, según se indica en la Ecuación 5.1, de manera que
el valor de amplitud cero se corresponde con la ausencia de respiración.
xc [n ] = x[n ] − x

[Ec. 5.1]

siendo
xc[n]

la señal de flujo resultante

x[n]

la señal de flujo original, y

x

104

el valor medio de la señal calculado sobre el registro completo.

en Sueño

Los ciclos respiratorios se delimitan en función de los cortes de la señal con el cero,
de manera que un ciclo completo viene delimitado por tres cortes consecutivos. El primero
y el segundo delimitan una inspiración, y el segundo y el tercero una espiración (Figura 5.3).

V

V

t

0

C

1

C

2

…

C

i

0

t

Figura 5.3. Segmentación de la señal de flujo respiratorio en ciclos respiratorios

Sin embargo, debido al hecho de que la señal pertenece a un paciente con un posible
trastorno respiratorio, este método presenta ciertas limitaciones. Se sabe que el cambio de
una inspiración a una espiración y viceversa, se produce en el cruce exacto de la señal con
el cero, pero, es posible que la delimitación de un ciclo respiratorio realizada de esta forma,
incluya una pausa respiratoria.
Una pausa respiratoria se define como una situación en la que la señal de flujo
respiratorio presenta valores muy próximos a cero durante un intervalo de tiempo
determinado. La Ecuación 5.2 define una pausa respiratoria de la forma:
x[n ]

[]

[ ]

tal que x n ≤ δ con n ∈ i, f

y ( f − i) > λ

[Ec. 5.2]

donde
x[n] es la señal de flujo respiratorio

λ
δ

es la duración mínima de una pausa
es la amplitud máxima de la señal durante la pausa

i, f representan los instantes de comienzo y fin de la pausa respectivamente

105


En la Figura 5.4 se puede observar una situación de este tipo. A través de un
proceso de experimentación se ha podido establecer heurísticamente que un valor de 1
segundo para λ permite detectar las pausas respiratorias significativas. Así mismo,
analizando las señales de flujo respiratorio de varios pacientes, se ha determinado un valor
de 25 unidades para δ, ya que proporciona un mayor acuerdo con la identificación visual de
una pausa respiratoria por parte del experto colaborador.
i

f

λ

V

0

δ

t

Figura 5.4. Ciclo respiratorio que incluye una pausa respiratoria

Una vez definida una pausa respiratoria, se describe a continuación el proceso de
detección de la misma. El algoritmo empleado se basa en las propiedades estadísticas de la
señal para detectar regiones planas que definen pausas respiratorias. Para ello se calcula en
un primer paso la desviación estándar (σ) de la señal de flujo respiratorio utilizando una
ventana de 1 s con un desplazamiento de 0,1 s [lxxi]. Para comprobar si un determinado
ciclo respiratorio contiene una pausa, se analiza el comportamiento de la σ en el tramo que
corresponde a dicho ciclo. Se dice que un ciclo es Normal si su σ es superior a 3 unidades
durante todo el ciclo. Si por el contrario se detecta dentro del ciclo un tramo cuya σ sea
inferior o igual a 3 unidades durante un período de 3 s, entonces se dice que dicho tramo
define una pausa respiratoria. Sin embargo, cuando la duración de este tramo no supera los
3 s, es necesario añadir ciertas condiciones para que el tramo que se analiza sea considerado
como una pausa, que indica una anormalidad respiratoria en la señal de flujo. Estas
condiciones se detallan a continuación:

106

en Sueño

(1)

La duración del tramo debe ser al menos de un segundo.

(2)

La señal de flujo respiratorio en ese tramo debe presentar valores próximos a cero.
Es decir, los valores absolutos de la señal de flujo respiratorio en el tramo no superan
un valor umbral establecido. Este valor umbral ha sido determinado a partir de la
casuística disponible y se ha fijado en 35 unidades.

(3)

El tramo considerado no coincide en el extremo de la inspiración ni de la espiración
del ciclo respiratorio.

(4)

Aquellos tramos considerados pausas respiratorias, separados al menos un segundo,
se unen para formar un único tramo.
Una vez determinado el comportamiento del ciclo y delimitadas la pausa o pausas

existentes, se denotan como ciclos respiratorios independientes tanto las pausas detectadas
como los tramos que las preceden y/o suceden.
El resultado final de todo este proceso es la división de la señal de flujo respiratorio
en ciclos respiratorios de longitud variable, en función de la respiración del paciente
durante el registro.
Cálculo del flujo de aire de cada ciclo respiratorio
Los eventos apneicos se definen en función de las variaciones en la amplitud de la
señal de flujo respiratorio, cuando ésta se registra con un termistor [3], como ya ha sido
comentado. En este punto del proceso de análisis se calcula la amplitud media de la señal
tomada en valor absoluto, como valor de representación del flujo de aire de un ciclo
respiratorio.
El flujo de aire de un ciclo cuya morfología ha sido definida como normal, viene
dado por la ecuación:
f

m

Fc =

∑ x[n]
n =i

m − (i − 1)

+

∑ x[n]

n = m +1

f −m

[Ec. 5.3]

donde
FC

es el flujo de aire de un ciclo respiratorio

107


x[n]

es la señal de flujo respiratorio

i, m

representan los instantes de comienzo y fin de la inspiración respectivamente

m+1, f

representan los instantes de comienzo y fin de la espiración respectivamente

El flujo de los ciclos correspondientes a las pausas respiratorias se asume que es cero.
Y el flujo de los ciclos correspondientes a tramos de inspiración y espiración aislados antes
o después de una pausa, se calcula aplicando el sumando de la Ecuación 5.3 que
corresponda.
Concluido este paso, se dispone de la información referente al flujo de aire de cada
uno de los ciclos, lo que permitirá comparar la evolución del mismo en el tiempo.
Clasificación simbólica del flujo de aire de cada ciclo respiratorio
El siguiente paso consiste en etiquetar simbólicamente la eventual reducción del flujo
de aire en cada ciclo respiratorio. A tenor de lo expuesto, la información sobre la calidad de
la respiración del paciente viene avalada por el valor de la amplitud del flujo en cada ciclo
respecto a la amplitud de las respiraciones previas durante un período de respiración
estable. Por tanto, el objetivo es caracterizar lingüísticamente el grado de reducción del
flujo de aire de cada ciclo con respecto a un valor de normalidad, calculado en una
situación previa de respiración normal.
En la Tabla 5.1 se muestra la correspondencia entre los grados de reducción y las
etiquetas semánticas utilizadas.
REDUCCIÓN RESPECTO AL
VALOR DE NORMALIDAD (ρ)
40% < ρ
40% ≤ ρ < 50%
50% ≤ ρ < 80%
80% ≤ ρ

ETIQUETA LINGÜÍSTICA
Normal
Ligeramente Disminuido
Claramente Disminuido
Totalmente Disminuido

Tabla 5.1. Niveles de reducción correspondientes a las etiquetas utilizadas para el flujo respiratorio

La elección de los rangos asignados a cada etiqueta viene dada por los criterios
médicos de clasificación de eventos apneicos, que han sido expuestos en el apartado de
definición del problema. La asignación de la etiqueta TOTALMENTE DISMINUIDO a un ciclo
108

en Sueño

respiratorio es indicativa de que el flujo en él es prácticamente nulo y que por tanto ese
ciclo probablemente sea parte de una apnea. La etiqueta CLARAMENTE DISMINUIDO se
asigna a un ciclo que presente una reducción del flujo suficiente como para ser considerado
parte de una hipopnea. Finalmente, la etiqueta LIGERAMENTE DISMINUIDO indica que el
flujo disminuye aunque no lo bastante como para cumplir el criterio que define una
hipopnea. En este último caso, el ciclo se considera bien normal o bien perteneciente a un
evento apneico, dependiendo de la clasificación de los ciclos contiguos. La inclusión de este
caso adicional permite establecer un límite impreciso entre la respiración normal y una
anormalidad respiratoria de tipo apneico.
El valor de normalidad se calcula como el valor medio del flujo de los ciclos
normales tomando como ventana temporal el minuto previo al ciclo que se quiere
clasificar. Sobre esta ventana temporal, se incluirán en el cálculo los ciclos clasificados
como NORMAL, así como los que han sido clasificados como LIGERAMENTE DISMINUIDO
pero no forman parte de un evento. El primer minuto de registro de la señal se utiliza para
calcular el primer valor de normalidad y por lo tanto dicho minuto no será clasificado. A
partir de ese instante se asocia sucesivamente a cada ciclo la etiqueta correspondiente, y se
recalcula el valor de normalidad para el ciclo siguiente.
Una vez obtenida la representación cualitativa de la información relevante de cada
ciclo respiratorio, se agrupan ciclos consecutivos con etiquetas idénticas en un único
segmento temporal, tal y como aparece representado en la Figura 5.5.
(a)

CD N N N N CD CD LD LD N N
ti

(b)

CD
ti

ti+10

ti+5

N
ti+5

ti+20

CD
ti+10

LD
ti+20

N
ti+30

N
ti+30

N

CD
segundos

CD
segundos

Figura 5.5. Caracterización simbólica del flujo respiratorio: (a) Antes de la agrupación, (b) Después de la agrupación
(N- NORMAL; LD- LIGERAMENTE DISMINUIDO; CD- CLARAMENTE DISMINUIDO; TD- TOTALMENTE
DISMINUIDO)

109


Los procesos de segmentación y caracterización simbólica de la señal de flujo
permiten la identificación de los posibles eventos apneicos, mediante la localización de
eventos significativos y la clasificación simbólica de los mismos. Un evento se considera
significativo si su duración supera los 10 segundos.
En este proceso de localización pueden presentarse varias situaciones que se
comentan a continuación, algunas de las cuales aparecen representadas en la Figura 5.6. El
elemento común a todas ellas es la presencia de varios segmentos de clasificación simbólica
distinta de NORMAL, entre segmentos con etiqueta NORMAL.
La primera situación es aquella en la que se identifica un único segmento etiquetado
como LIGERAMENTE DISMINUIDO. Si la duración de dicho segmento es mayor de 10
segundos, se marca un evento LIGERAMENTE DISMINUIDO.
La segunda situación representada en la figura es un caso particular de la
identificación de uno o varios segmentos consecutivos en los que existe una clara reducción
del flujo, es decir, que aparecen etiquetados como TOTALMENTE DISMINUIDO o

CLARAMENTE DISMINUIDO. Si la duración acumulada de estos segmentos supera los 10
segundos, se combinan en un único segmento y se marca el evento asociando la etiqueta
del tipo de disminución predominante.
Finalmente, la tercera situación es aquella en la que una vez detectada la situación
anterior, ésta no cumple el criterio de duración mínima de 10 s. En este caso, si la
combinación de los segmentos detectados viene precedida de un segmento LIGERAMENTE
DISMINUIDO, y la suma de las duraciones de todos ellos supera los 10 segundos, se agrupan

(1)

Normal

LD

Normal

≥ 10 segundos

(2)

Normal

CD

TD

Normal

TD

Normal

≥ 10 segundos

(3)

Normal

LD

CD
< 10 segundos
≥ 10 segundos

Figura 5.6. Identificación de posibles eventos apneicos
(LD- LIGERAMENTE DISMINUIDO; CD- CLARAMENTE DISMINUIDO; TD-TOTALMENTE DISMINUIDO)

110

en Sueño

dichos segmentos en un único evento etiquetado con la categoría del tipo de disminución
predominante.
Mediante el pseudocódigo que aparece en la Figura 5.7 se han resumido los pasos
que constituyen el proceso de análisis de la señal de flujo respiratorio realizado.
1.

2.
3.

4.

5.

Segmentar la señal en ciclos respiratorios
1.1.
Transformación lineal de la señal. Ausencia de flujo ⇒ señal=0
1.2.
Repetir Delimitar ciclo hasta fin de señal
1.2.1.
Identificar puntos que delimitan un ciclo
Inicio de inspiración, fin de inspiración, inicio de espiración, fin
de espiración
1.2.2.
Comprobar si ciclo delimitado incluye pausa
Calcular σ de la señal en el ciclo con una ventana de 1 s, cada 0,1 s
Si σ>3 entonces ciclo NORMAL
SI σ≤3 entonces comprobar condiciones de pausa
Si existe pausa
Delimitar pausa y tramos normales anteriores y/o posteriores
Calcular flujo de aire en cada ciclo delimitado
Clasificación simbólica del flujo de aire en cada ciclo
3.1.
Calcular valor de comparación o de normalidad
3.2.
Comparar reducción de flujo de cada ciclo con valor de normalidad
3.3.
Asignar etiqueta correspondiente a dicha reducción
4.1.
Agrupar ciclos consecutivos con etiquetas iguales en un segmento
temporal
5.1.
Localizar segmentos TD, CD o LD
5.2.
Comprobar duración
5.3.
Identificar segmentos significativos como posibles eventos apneicos

Figura 5.7. Pseudocódigo del proceso de análisis de la señal de flujo respiratorio

Salidas del módulo
El resultado final proporcionado por el módulo consiste en una serie de intervalos
temporales en los que el flujo de aire presenta una anormalidad respiratoria probablemente
de tipo apneico. Estos intervalos constituyen un marco de referencia temporal para llevar a
cabo el análisis de las señales de saturación de oxígeno y de esfuerzo respiratorio. Dichas
señales aportarán la información contextual necesaria para clasificar estas anormalidades
detectadas en los diferentes tipos de eventos apneicos.
Estos resultados se ofrecen también de forma gráfica, tal y como aparece
representado en la Figura 5.8. En esta figura se observa la señal de flujo respiratorio sobre
la que se han delimitado los intervalos temporales con algún tipo de anormalidad
respiratoria mediante un rectángulo, y se ha representado el resultado de la clasificación de
los mismos mediante un código de colores.

111


Figura 5.8. Interfaz gráfica del subsistema de análisis del flujo respiratorio. Pantalla de visualización de resultados

5.2. Módulo de procesamiento de la señal de Saturación de
oxígeno
Este módulo es el encargado de detectar las caídas en la señal de Saturación de
oxígeno (SaO2), atendiendo al hecho de que prácticamente todo evento apneico aparece
asociado a una caída en esta señal [lxix], y de determinar la distribución de valores que
presenta la señal de SaO2 a lo largo del registro.
Una desaturación se define como una caída del 4% en la señal de SaO2 cuya duración
sea mayor o igual a 10 segundos. Un proceso diseñado para detectar dichas caídas permite
confirmar las posibles hipopneas que se identifican en el módulo de reconocimiento de
eventos apneicos. Sin embargo, existen estudios que demuestran que los eventos apneicos
no originan de forma invariable caídas significativas en la señal de SaO2 [41,cix], con lo cual
una búsqueda automatizada de desaturaciones, tal y como se han definido, podría generar
un número elevado de falsos negativos. Por ello, es necesario encontrar un mecanismo de
búsqueda complementario al anterior. Se sabe que todos los eventos apneicos vienen
acompañados de hiperventilación compensatoria [81], que causa incrementos rápidos en la
señal de SaO2, denominados resaturaciones, en un porcentaje del 3% o más en un intervalo de
10 segundos. De esta forma, es posible implementar un proceso de búsqueda de
resaturaciones, que va a permitir el reconocimiento de aquellos eventos apneicos que no
originen caídas significativas de la SaO2. En la Figura 5.9 aparece representada la señal de
SaO2 sobre la que se han señalado desaturaciones y resaturaciones.
112

SaO2(%)

en Sueño

RESATU

DESATURACIÓN
Epoch

Figura 5.9. Ejemplos de desaturaciones y resaturaciones

Así pues, el procesamiento de la señal de SaO2 implica la búsqueda de dos tipos de
situaciones, que se identifican a través de su comportamiento y duración, tal y como se
refleja en la Tabla 5.2.

COMPORTAMIENTO

DURACIÓN

DESATURACIÓN

Disminución del 4%

≥ 10 segundos

RESATURACIÓN

Incremento del 3%

≤ 10 segundos

Tabla 5.2. Características que se detectan en la señal de SaO2

Desarrollo técnico
El proceso de detección de desaturaciones y resaturaciones incorpora un módulo
sencillo de detección de artefactos, que trata los errores generados por el dispositivo de
adquisición de datos de SaO2 tanto a nivel de muestras individuales, como a nivel de
incrementos/decrementos sufridos por la señal de saturación. En el primer caso, todas
aquellas muestras que se encuentren fuera del intervalo [100%, 50%] se considerarán
artefactos [95] y su valor se iguala al valor de la muestra que las precede. En el segundo
caso, el artefacto viene definido por el máximo cambio que puede tener lugar entre dos
muestras de la señal separadas un período de tiempo determinado. La variación de la SaO2
no puede ser mayor de un 10% en un intervalo de 5 segundos [lxx]. Este criterio será
utilizado para descartar aquellas desaturaciones o resaturaciones que no se corresponden
con eventos reales.
Para facilitar la detección de desaturaciones y resaturaciones, el algoritmo
implementado incorpora en una primera fase, un filtro de media desplazada [cx] de período N.
113


Este filtro se aplica en dos pasadas sobre la señal para evitar desplazamientos de fase. La
primera pasada se realiza sobre las muestras de la señal original, y la segunda, en sentido
contrario, sobre las muestras ya filtradas.
La determinación del período de tiempo N sobre el que se obtienen los nuevos
valores de las muestras de la señal debe hacerse teniendo en cuenta las siguientes
consideraciones. Por un lado este intervalo debe ser lo suficientemente pequeño como para
no enmascarar cambios en la señal. Por otro lado, debe ser lo suficientemente grande como
para que un valor calculado sobre el número de muestras que contiene resulte significativo,
y no sea excesivamente sensible a pequeños cambios de la señal, lo cual originaría
problemas en la detección de desaturaciones y resaturaciones. Tomando como punto de
partida estudios previos [lxx], que obtienen un valor de SaO2 cada 5 segundos, y
adaptándolo al problema en cuestión, se calculó de forma empírica el valor del período N
en 60 muestras, que es aproximadamente el equivalente a cinco segundos de la señal de
SaO2.
Tras aplicar a la señal el filtro de media desplazada sobre 60 puntos (5 segundos de
señal), se calcula una diferenciación de la señal filtrada, entre la segunda muestra anterior y
posterior a cada muestra x[n]. Es decir,
Δx[n] = x

f

[n + 2] − x f [n − 2]

[Ec. 5.4]

siendo xf las muestras de la señal filtrada. A partir de la señal diferenciada se obtiene
una nueva señal, donde a cada muestra x[n] se le asigna un valor 1, -1 o 0, según el valor
resultante de la diferencia Δx[n] sea positivo, negativo o cero.
Finalmente, se buscan en la señal diferenciada secuencias de la forma: INICIO
CAÍDA

+ FIN

DE CAÍDA

+ INICIO DE

SUBIDA

+ FIN

DE SUBIDA,

DE

tal y como aparece en la

Figura 5.10, que verifiquen las características de una desaturación y de una resaturación
señaladas en la Tabla 5.2.

114

en Sueño

INICIO DE
FIN DE SUBIDA

SaO2(%)

CAÍDA

FIN DE
INICIO DE SUBIDA

CAÍDA

Epoch

Figura 5.10. Secuencia de eventos mediante los que se definen una desaturación y una resaturación

En el proceso de búsqueda de estas secuencias, se distinguen dos fases. En una
primera fase se identifican los elementos de una posible secuencia. El criterio para detectar
el elemento INICIO DE CAÍDA es la ocurrencia de un primer valor positivo después de una
ráfaga de valores negativos y/o ceros. Para identificar el elemento FIN DE SUBIDA se busca
el último valor negativo antes de un valor positivo.
Una segunda fase realiza un análisis de las secuencias encontradas, en el que se
caracterizan dichas secuencias en términos de magnitud y duración, y se determina su
validez. Para el caso de una desaturación, la magnitud de la caída de la señal de SaO2 debe
ser al menos de 4%, y su duración de al menos 10 segundos. En este caso, la secuencia
INICIO - FIN DE CAÍDA no debe contener una meseta de duración mayor de 30 segundos, ya
que de esta forma se asegura que el descenso es progresivo [lxxii]. El punto definido como
FIN

DE CAÍDA

será el valor más bajo alcanzado después de un INICIO

DE CAÍDA

válido,

siempre que la duración del descenso no supere los 2 minutos. Una vez detectado este
punto, se comprueba si la magnitud del descenso es al menos de 4% y si han transcurrido al
menos 10 segundos desde el comienzo de la bajada, en cuyo caso se confirma esta bajada
como una desaturación. Por otra parte, para el caso de una resaturación, la magnitud del
incremento debe ser de 3% y la duración no debe superar los 10 segundos.
El caso más común es que los cuatro elementos de la secuencia de búsqueda
cumplan las restricciones comentadas. Sin embargo, es posible encontrar situaciones
diferentes que es necesario resaltar.
(a) La distancia entre los elementos INICIO

DE CAÍDA

y FIN

DE CAÍDA

es superior a 2

minutos. Este es el caso de aquellos pacientes que presentan desaturaciones muy lentas,
115


pero cuya recuperación es lo suficientemente rápida como para constituir una
resaturación tal y como se ha caracterizado.
(b) La magnitud de la caída entre los elementos INICIO

DE CAÍDA

y FIN

DE CAÍDA

es

inferior a 4%. Esta situación suele ocurrir cuando el paciente presenta eventos apneicos
muy seguidos, en los que la señal de SaO2 no recupera los valores previos al primer
evento apneico y vuelve a caer como consecuencia del siguiente evento.
Posteriormente, la señal de SaO2 recupera cumpliendo las condiciones de una
resaturación.
En la Figura 5.11 se pueden ver ejemplos de este tipo de situaciones, que han sido
consideradas como secuencias válidas en el análisis, aunque serán señaladas como casos
particulares.

SaO2(%)

DESATURACIÓN LENTA
RESATURACIÓN

Epoch

a) Caídas de SaO2 lentas con resaturación válida

SaO2(%)

NO EXISTE RESATURACIÓN

RESATURACIÓN
DESATURACIÓN
Epoch

b) La señal de SaO2 no recupera entre eventos apneicos
Figura 5.11. Casos particulares en la detección de los elementos desaturación y resaturación

El proceso de análisis de la señal de Saturación de oxígeno se resume en la Figura
5.12.

116

en Sueño
1.
2.
3.

Obtención de la señal filtrada
Obtención de la señal diferenciada
Buscar patrones de la forma
Inicio caída + Fin caída + Inicio subida + Fin subida
Para cada patrón
4.1.
Comprobar si Inicio caída + Fin caída definen una desaturación
4.2.
Comprobar si Inicio subida + Fin subida definen una resaturación
4.3.
Si el patrón es válido, registrar indicando su tipo

4.

Figura 5.12. Pseudocódigo del proceso de análisis de la señal de SaO2

Salidas del módulo
La información de salida que proporciona el análisis realizado es una lista de
elementos desaturación/resaturación situados temporalmente y clasificados de acuerdo a la
clase de criterios que cumplen. Es decir, si sólo cumplen las características de una
resaturación (caso a), si sólo cumplen las características de una desaturación (caso b), o si
cumplen las características de ambos elementos (caso general). Para simplificar, este análisis
podría restringirse a aquellos fragmentos del registro posteriores a la ocurrencia de algún
evento apneico. Sin embargo, el análisis se realiza sobre el registro completo de la señal de
SaO2 porque resulta útil y necesario para el clínico disponer del número total de
desaturaciones/resaturaciones, los índices de saturación de oxígeno nocturna, que expresan
el valor mínimo y el valor medio12 alcanzados [cxi], y la distribución de valores que presenta
la señal de SaO2 a lo largo de toda la noche. Además, esta señal es una de las que más
claramente refleja las mejoras obtenidas con el tratamiento mediante CPAP, que suele
corregir la mayor parte de las desaturaciones [cxii].
Los resultados que proporciona el análisis realizado sobre la señal de SaO2 aparecen
representados en la Figura 5.13, en la que se han marcado en rojo las desaturaciones
encontradas.

12

La media de SaO2 nocturna para todo el registro se obtiene mediante la fórmula de Bradley [12],

que registra, para cada epoch, el valor más alto y más bajo de saturación y calcula la media de los valores
obtenidos para cada epoch. Se basa en la similitud del patrón desaturación-resaturación en los pacientes con
SAS con una onda seno, y estima la media de SaO2 de cada epoch mediante la media de los valores alto y
bajo.

117


Figura 5.13. Interfaz gráfica del subsistema de análisis de la señal de SaO2. Pantalla de visualización de resultados

La Figura 5.14 muestra los resultados numéricos del análisis realizado sobre la señal
de SaO2 respecto a la distribución de valores de la señal a lo largo de todo el registro de
sueño, al número global de desaturaciones/resaturaciones detectadas, y al número de cada
uno de los casos particulares antes comentados.

Figura 5.14. Pantalla de visualización de los resultados del análisis numérico de la señal de SaO2

118

en Sueño

5.3. Módulo de procesamiento de las señales de Esfuerzo
respiratorio
La clasificación de los distintos tipos de eventos apneicos detectados se realiza
mediante el análisis de las señales de esfuerzo respiratorio: esfuerzo torácico y esfuerzo
abdominal. De esta forma tal y como hemos comentado al comienzo de este capítulo,
definimos un evento como obstructivo cuando persiste el esfuerzo por continuar respirando;
un evento se define como central cuando existe un cese temporal del esfuerzo respiratorio; y
por último, un evento se denomina de tipo mixto cuando ocurre un cese temporal del
esfuerzo respiratorio seguido por la ocurrencia de esfuerzos ventilatorios obstructivos.
En este módulo se caracteriza, mediante un proceso de etiquetado simbólico, el
comportamiento del esfuerzo torácico y abdominal, en aquellos intervalos en los que se ha
localizado un evento apneico en la señal de flujo de aire. La correspondencia entre las
etiquetas y los distintos tipos de eventos apneicos definidos se establece en la Tabla 5.3.
TIPO DE EVENTO APNEICO

ETIQUETA ASOCIADA AL
COMPORTAMIENTO DEL ESFUERZO

Mixto
Central
Obstructivo

Mixto
Ausencia
Presencia

Tabla 5.3. Correspondencia tipo de evento- etiqueta para el esfuerzo respiratorio

Desarrollo técnico
El análisis del comportamiento de las señales de esfuerzo respiratorio se define como
un proceso secuencial dividido en dos etapas:
1) En la primera etapa se comprueba si el comportamiento de las señales de esfuerzo
torácico y abdominal es de naturaleza mixta.
2) Si el resultado de la etapa anterior es negativo, en esta segunda etapa se comprueba si
hay presencia o ausencia de esfuerzo respiratorio en el intervalo considerado.
Comportamiento mixto
El comportamiento del esfuerzo se define como mixto si el intervalo que se analiza
comienza con una ausencia de esfuerzo respiratorio seguida de una reanudación del mismo.
119


El proceso que determina este comportamiento identifica en las señales de esfuerzo dos
intervalos de señal bien diferenciados: un primer intervalo IA, que representa la ausencia de
esfuerzo; y un segundo intervalo IP, que representa la presencia o reanudación del esfuerzo
respiratorio. Las propiedades de cada intervalo son analizadas posteriormente para realizar
la clasificación final. En la Figura 5.15 se observa un ejemplo de esfuerzo de tipo mixto
sobre el que se representa esta división en intervalos.

IP

mmHg

IP

mmHg

IA

IA
segundos

(a) Esfuerzo torácico

segundos

(b) Esfuerzo abdominal

Figura 5.15. Señales de esfuerzo torácico y abdominal de naturaleza mixta

El proceso mencionado comienza con el cálculo de una secuencia de diferencias
entre los máximos y mínimos locales de la señal. Es decir, se obtienen valores de la forma:
⎧ x[k ] − x[i ] ⇔ x[k ] máximo, x[i ] mínimo anterior
⎪
x d [n ] = ⎨
o x[k ] mínimo, x[i ] máximo anterior
⎪0
en cualquier otro caso
⎩

[Ec. 5.5]

donde
xd[n]

son los valores de la secuencia de diferencias, y

x[k], x[i]

son las muestras de la señal

Sobre esta secuencia de diferencias, se buscan los intervalos IA y IP anteriormente
comentados. Con este propósito se definen una serie de características que se detallan a
continuación:
(a) Los valores de la secuencia de diferencias xd[n] pertenecientes al intervalo IA no
pueden superar un umbral dIA
(b) La duración del intervalo IA debe ser como mínimo duIA

120

en Sueño

(c) Existe un número de valores NIP de la secuencia de diferencias xd[n]
pertenecientes al intervalo IP que deben superar un umbral dIP
Las constantes de referencia utilizadas han sido obtenidas a partir de la heurística y
son las que se muestran en la tabla siguiente.
CARACTERÍSTICA
dIA
duIA
dIP
NIP

CONSTANTE DE REFERENCIA
30
70
40
9

Tabla 5.4. Valores de referencia que definen las características de los intervalos IA e IP

En la Figura 5.16 se observa un intervalo de la señal de esfuerzo torácico (figura a),
que da lugar a la secuencia de valores diferencia de la figura (b), calculada a partir de las
muestras de esfuerzo en dicho intervalo. Sobre esta última figura se representan las
características definidas para los intervalos IA y IP.
Esfuerzo Torácico

mmHg

(a)

IP

IA
segundos

(b)

duIA
dIP

dIA

Figura

Índice de secuencia

5.16. (a) Intervalo de la señal de esfuerzo torácico y (b) Secuencia de valores diferencia de dicho intervalo

121


Si se han encontrado los dos intervalos definidos, el resultado de este proceso es una
confirmación de que realmente el comportamiento del esfuerzo en el intervalo analizado es
de naturaleza mixta. En caso contrario, será necesario determinar si el esfuerzo está
presente o ausente.
Comportamiento “presencia” o “ausencia”
El objetivo de este proceso consiste en determinar si existe o no esfuerzo en el
intervalo que se analiza, y clasificar simbólicamente dicho intervalo con las etiquetas
Presencia o Ausencia respectivamente. Para ello se consideran un conjunto de parámetros de
la señal que a continuación se detallan:
(a)

Desviación típica, σi. Este parámetro estadístico, que representa la dispersión
de las muestras con respecto a la media [Ec. 5.6], tomará valores elevados si la
amplitud de la señal es grande, y valores mínimos cuando la amplitud de la señal es
baja.

σi =
(b)

1
∑ x[i ]2 − x 2
n i

[Ec. 5.6]

Area total, Ai. Se define como la integral de la señal en el fragmento de tiempo
considerado, aunque en este caso se aproxima por la suma de los valores de las
muestras de la señal en el intervalo [Ec. 5.7]. En este caso la presencia de la señal de
esfuerzo vendrá caracterizada por valores elevados de este parámetro mientras que la
ausencia implicará valores pequeños.

Ai = ∫ f ( x )dx ≈ ∑ x[i ]

[Ec. 5.7]

i

(c)

Número de cortes con la media, C [Ec. 5.8]. Este parámetro se utiliza como
elemento de confirmación y permitirá distinguir clasificaciones erróneas a partir de
los dos parámetros anteriores. Para valores de este parámetro muy pequeños,
podremos descartar la posibilidad de una presencia de señal aunque los parámetros σi y
Ai presenten valores elevados.

122

en Sueño

[

] [ ]) tal que x[i − 1] ≤ x ≤ x[i ] ó x[i − 1] ≥ x ≥ x[i ]

Número de pares de la forma ( x i − 1 , x i

[Ec. 5.8]

En la Figura 5.17 se representan gráficamente los valores de este conjunto de
parámetros para dos intervalos de la señal de esfuerzo abdominal: (a) un intervalo en el que
la señal de esfuerzo está presente, y (b) un intervalo en el que la señal está ausente. Con esta
figura se quiere dar una idea de las diferencias que se consiguen establecer para ambos
intervalos utilizando los parámetros descritos.
mmHg

A

σi

-- Cortes con la media

Epoc
(a) Intervalo con presencia de esfuerzo
mmHg

Ai

σi

Epoch
(a) Intervalo con ausencia de esfuerzo
Figura 5.17. Representación gráfica de los parámetros definidos para la señal de esfuerzo respiratorio

El proceso que se describe se ha dividido en dos etapas: (1) Clasificación simbólica
de los parámetros mencionados para el intervalo que se analiza; y, (2) Caracterización del
intervalo de esfuerzo respiratorio a partir de dicha clasificación.

123


La clasificación simbólica de los parámetros desviación típica y área total se
determina comparando los valores de dichos parámetros en el intervalo actual con respecto
a un valor de referencia VR, tal y como se hace con la señal de flujo respiratorio. Este valor
de referencia se define como el valor del parámetro en una situación de normalidad, y se
calcula sobre los dos minutos inmediatamente anteriores al intervalo que se quiere
clasificar, en los que el módulo de reconocimiento de eventos apneicos clasificó la señal de
flujo respiratorio como Normal, tal y como aparece reflejado en el apartado 5.1. La Figura
5.18 explica gráficamente el proceso de clasificación simbólica de los parámetros desviación
típica y área.
Intervalos de la señal de flujo respiratorio clasificados

N

TD

CD

t - 2 minutos

N

σk-3 Ak-3

σk-4 Ak-4

N

σk-2 Ak-2

LD

N

TD

σk-1 Ak-1

σkAk Ck
t+j

tiempo

Intervalo que se
quiere clasificar

Intervalos de las señales de esfuerzo respiratorio
Figura 5.18. Representación gráfica del cálculo de los valores de referencia

Por ejemplo, el valor de referencia para la desviación típica se calcula de la forma:
σR =

1 k −1
∑σ i
n i =k −n

[Ec. 5.9]

en donde,

σi

es la desviación típica de aquellos intervalos de las señales de esfuerzo respiratorio que
se corresponden con intervalos de la señal de flujo de aire clasificados como Normal

n

es el número de dichos intervalos localizados en los dos minutos inmediatamente
anteriores al intervalo de esfuerzo respiratorio que se va a clasificar
Una vez obtenidos los valores de referencia para estos parámetros, la clasificación

simbólica de cada uno de ellos se realiza de acuerdo a los criterios especificados en la Tabla

124

en Sueño

5.5. Para los parámetros desviación típica y área se ha definido un factor ℑ obtenido
heurísticamente, con el que se pretende favorecer la clasificación “Alta”. Está basado en la
experiencia clínica, que determina que la mayoría de los eventos apneicos son de carácter
obstructivo, y en la población que atiende el clínico, que presenta en su mayoría el
Síndrome de Apneas Obstructivas del Sueño (SAOS). Para el parámetro Cortes sobre la media
el factor de comparación se resume en un valor numérico obtenido de forma empírica.
COMPARACIÓN ENTRE PARÁMETROS
σ < ℑσ * σR
σ ≥ ℑσ * σR
A < ℑA * AR
A ≥ ℑA * AR
C < ℑC
C > ℑC

Baja
Alta
Baja
Alta
Inexistentes
Numerosos

Tabla 5.5. Correspondencia entre los parámetros de análisis del esfuerzo respiratorio y las etiquetas lingüísticas

En la segunda etapa del proceso que determina el comportamiento de Presencia o
Ausencia en las señales de esfuerzo respiratorio, se aplican un conjunto de reglas para
resumir en una única etiqueta la información proporcionada por los parámetros estudiados
y caracterizar así el intervalo completo. Dos ejemplos de reglas de este tipo se muestran a
continuación:
Si:

(1) La desviación típica del intervalo de Esfuerzo Torácico es baja

y:

(2) El área total del intervalo de Esfuerzo Torácico es baja

Entonces:

Se confirma la ausencia de Esfuerzo Torácico

Si:

(1) La desviación típica del intervalo de Esfuerzo Abdominal es alta

y:

(2) El área total del intervalo de Esfuerzo Abdominal es alta

y:

(3) Los cortes con la media del intervalo de Esfuerzo Abdominal son insuficientes

Entonces:

Se confirma la ausencia de Esfuerzo Abdominal

El resultado de este proceso es la asignación de una etiqueta de Ausencia o Presencia
que permitirá la clasificación de los eventos apneicos como centrales o obstructivos
respectivamente.
La Figura 5.19 resume el proceso de análisis de los intervalos de las señales de
esfuerzo respiratorio en forma de pseudocódigo.
125


1.

2.

3.

Comprobar si el comportamiento del esfuerzo es mixto
1.1.
Identificar intervalo ausencia
1.2.
Comprobar parámetros del intervalo ausencia
1.3.
Identificar intervalo presencia
1.4.
Comprobar parámetros del intervalo presencia
1.5.
Si ambos intervalos cumplen restricciones el comportamiento
mixto y pasar a 3
1.6.
Si no pasar a 2
Comprobar si el comportamiento del esfuerzo es presencia o ausencia
2.1.
Calcular parámetros desviación, área y cortes con la media
2.2.
Clasificar simbólicamente estos parámetros
2.3.
Clasificar simbólicamente el intervalo en función de 2.2
Proporcionar etiqueta del comportamiento resultante

es

Figura 5.19. Pseudocódigo del proceso de análisis de las señales de esfuerzo respiratorio

Salidas del módulo
El resultado, representado gráficamente en la Figura 5.20, es la caracterización
simbólica del intervalo de esfuerzo analizado mediante las etiquetas mixto, presencia y ausencia,
permitiendo la posterior clasificación de los eventos apneicos detectados. Tal y como se
observa en la figura, los intervalos de esfuerzo respiratorio clasificados, dependen de
aquellos intervalos de flujo que presentan algún tipo de anormalidad respiratoria. De la
misma forma que en la Figura 5.8, estos intervalos se delimitan gráficamente mediante un
rectángulo y la clasificación obtenida para cada uno de ellos se identifica mediante un
código de colores.

126

en Sueño

Figura 5.20. Interfaz gráfica del subsistema de análisis de las señales de esfuerzo respiratorio. Pantalla de visualización de
resultados

5.4. Resumen
En este capítulo se describe el subsistema de análisis de la función respiratoria que
trabaja con las señales de flujo de aire, saturación de oxígeno, esfuerzo torácico y esfuerzo
abdominal, al objeto de detectar posibles anormalidades respiratorias de carácter apneico.
Este subsistema se divide en tres módulos. En el primero de ellos, el módulo de
reconocimiento de eventos apneicos, se identifican los tramos de señal de flujo de aire en
los que se produce una reducción total o parcial del flujo respiratorio. Dichos tramos se
clasifican simbólicamente teniendo en cuenta el grado de reducción del flujo que presentan.
En el segundo, el módulo de procesamiento de la señal de SaO2, se determinan las
desaturaciones y resaturaciones que aparecen en esta señal como consecuencia de las
anormalidades respiratorias presentes en el paciente, y que van a permitir la identificación
de hipopneas. El módulo de procesamiento de las señales de esfuerzo respiratorio es el
tercer y último módulo de este subsistema, y en él se caracteriza el comportamiento de las
señales de esfuerzo torácico y abdominal para poder distinguir los distintos tipos de
eventos apneicos previamente detectados.

127

en Sueño

129

en Sueño

Capítulo 6. CONSTRUCCIÓN DEL HIPNOGRAMA
El hipnograma se define como la representación gráfica de la secuencia de estados o
fases por las que transcurre el sueño del paciente. Esta representación permite obtener una
rápida valoración de la estructura, organización y calidad del sueño registrado durante una
noche completa [cxiii]. En el marco de un sistema de monitorización de apneas del sueño,
el hipnograma constituye una herramienta de apoyo contextual para el diagnóstico de SAS.
La información que proporciona se utiliza, fundamentalmente, para descartar ciertas
situaciones ambiguas, y determinar el tiempo de sueño real. Sin embargo, los propios
clínicos prescinden en ocasiones de esa información, bien por cuestiones de coste y/o
tiempo (cuando deben recurrir a la clasificación manual de fases de sueño), bien por falta
de confianza en los resultados de un análisis automático, por razones que se comentarán
más adelante. Este hecho puede conducir a interpretaciones erróneas en el análisis de la
función respiratoria, por lo que se ha considerado necesario el desarrollo de un subsistema
de construcción del hipnograma. Es necesario tener en cuenta, además, el carácter
heterogéneo de la implementación de sistemas automáticos para la clasificación del sueño,
que abarca áreas tan diversas como el procesamiento de señal, el tratamiento de
información incompleta cuantitativa y cualitativa, o la elicitación de conocimiento. Cabe
concluir, entonces, que el diseño e implementación de una herramienta de construcción del
hipnograma completa y fiable requiere un trabajo de investigación amplio y complejo.
Todo ello determina que la construcción del hipnograma sea enfocada como un
aspecto complementario dentro del sistema global de monitorización de SAS y, en
consecuencia, lo que se presenta en este capítulo es una descripción de la primera
aproximación utilizada para la creación de una herramienta en la que se profundizará en
trabajos futuros. En cualquier caso, respecto al sistema global, la construcción del

131

Capítulo 6. Construcción del hipnograma

hipnograma se ha desarrollado como un proceso de carácter autónomo, y que actúa de
forma totalmente independiente al resto de los módulos13.

6.1. Definición del problema
El objetivo básico del proceso de construcción del hipnograma es obtener la
secuencia de fases por las que transcurre el sueño del paciente. El procedimiento típico
empleado para ello se encuentra descrito en el manual publicado por Rechtschaffen y Kales
[34], que constituye actualmente el paradigma de referencia para la clasificación del sueño.
Según se describe en este manual, la información básica necesaria para clasificar las distintas
fases de sueño se obtiene a partir de tres señales diferentes, registradas en la
polisomnografía:
-

el electroencefalograma (EEG)

-

el electrooculograma (EOG)

-

el electromiograma (EMG)

Para su tratamiento, estas señales son divididas en segmentos temporales de
duración fija denominados epochs14. El procedimiento de construcción del hipnograma
comienza con la extracción de características o detección de patrones relevantes en las
señales mencionadas para, posteriormente y en función de dichas características, asignar
una fase de sueño a cada epoch. Este procedimiento de clasificación ha sido automatizado
en numerosas ocasiones y utilizando técnicas muy variadas, tal y como se ha comentado en
el Capítulo 3 [lxi,lxii,lxiv,lxv]. Sin embargo, existen notables dificultades a la hora de
conseguir la plena integración de los sistemas automáticos de clasificación del sueño en la
rutina clínica diaria, debido al bajo nivel de acuerdo alcanzado entre los expertos y dichos
sistemas automáticos [cxiv]. La causa principal de esas discrepancias experto-máquina se

13

A lo largo de este capítulo se utilizará el término “sistema” para destacar precisamente el carácter

independiente y autónomo del proceso de construcción del hipnograma, en vez del término “subsistema”,
más descriptivo de la situación real de dicho proceso como parte del sistema global.
14

En el desarrollo de este sistema se ha escogido un tamaño de epoch de 30 segundos, siguiendo la

recomendación del paradigma R&K.

132

en Sueño

encuentra en el propio estándar utilizado para la asignación de fases, el paradigma R&K,
que está constituido por un conjunto de reglas incompleto, ambiguo y limitado. Entre las
limitaciones del paradigma que más influyen en su automatización [cxiv, cxv] se pueden
citar:

•

Considerar que todas las fases de sueño son homogéneas y pueden ser claramente
diferenciadas. Sin embargo, numerosos estudios han demostrado que las fases tal y
como están definidas poseen características electrofisiológicas que se solapan y que, en
ocasiones, algunos epochs clasificados por los clínicos como pertenecientes a una
determinada fase carecen de las características que se le suponen de acuerdo a las
definiciones estrictas. Así, si se ciñe la clasificación exclusivamente a las reglas del
paradigma R&K, pueden encontrarse epochs que aparentemente no pertenezcan a
ninguna fase y epochs que apunten a varias.

•

Emplear numerosas expresiones de carácter cualitativo, de manera que las reglas que
establece dependen en gran medida de la interpretación subjetiva que haga el clínico.

•

Describir el sueño como un fenómeno discreto, susceptible de ser segmentado en
intervalos temporales de tamaño fijo (epochs). Sin embargo, la realidad es que el sueño
es un proceso continuo. Según el paradigma, cada epoch se clasifica de acuerdo a la fase
mayoritariamente presente en él, pero durante las transiciones entre fases, que son de
carácter gradual, los epochs pueden incluir características de dos o más fases. Por tanto,
debido a la rigidez de la segmentación en epochs, determinar las zonas de transición
entre fases resulta un problema complejo, que influye directamente en la proporción de
acuerdo entre expertos y, por extensión, entre los expertos y la máquina.

•

Tratar exclusivamente del proceso de sueño “normal”, en adultos jóvenes y sanos, y es
frecuente que este paradigma falle al ser aplicado a grupos distintos de pacientes, como
ancianos, niños, o enfermos con determinados trastornos del sueño.
Sin embargo, a pesar de las críticas y del descontento que produce este estándar entre

algunos sectores de la comunidad médica, que lo consideran un modelo del proceso de
sueño poco adecuado, en la actualidad el paradigma R&K sigue siendo el único lenguaje
aceptado internacionalmente para describir la arquitectura del sueño [cxv].
No corresponde al área de investigación de este trabajo diseñar un nuevo estándar
para la clasificación de fases de sueño, sino intentar que el sistema de construcción del
133


hipnograma desarrollado resuelva o mitigue en cierta medida las limitaciones del
paradigma. La aproximación propuesta para ello se centra en la elaboración de un modelo
computacional inteligente que emule el comportamiento del clínico, sus criterios y métodos
de interpretación de los datos, y sea así capaz de manejar información cualitativa y
proporcionar conclusiones razonadas.

6.2. Desarrollo técnico
Para elaborar el modelo computacional mencionado, se ha diseñado el sistema de
construcción del hipnograma cuya arquitectura modular se muestra en la Figura 6.1.

Figura 6.1. Arquitectura modular del sistema implementado para la construcción del hipnograma

En este sistema se realizan dos tareas fundamentales que se corresponden con los
dos bloques que se muestran en la Figura 6.1:
(1) Extracción de características: Consiste en la detección de patrones relevantes en
las señales de entrada. Esta tarea se lleva a cabo en tres módulos distintos, dependiendo del
tipo de entrada analizada:
(a) Módulo de caracterización de la Actividad Cerebral
(b) Módulo de detección y clasificación de Movimientos Oculares
(c) Módulo de caracterización del Tono Muscular
(2) Clasificación: Realiza la asignación de una fase de sueño a cada epoch.
Antes de proseguir con la explicación del desarrollo técnico del sistema, es
necesario hacer dos observaciones. En primer lugar, y debido a las dificultades antes

134

en Sueño

mencionadas para la determinación de los puntos de transición entre fases, se ha decidido
adoptar un criterio conservador tanto en la tarea de extracción de características como en la
de clasificación. Las decisiones de diseño se han tomado buscando favorecer el
mantenimiento de una misma fase en epochs consecutivos mientras no existan indicios
notables de que se ha producido una transición.
En segundo lugar, hay que señalar que la selección de las características que se
extraen en el primer bloque está directamente relacionada con el conjunto de reglas de
clasificación que se ha escogido para definir cada fase en el segundo bloque. Con el fin de
facilitar la comprensión del diseño y la interrelación de ambos bloques, se presentan en la
Tabla 6.1 algunas de las reglas seleccionadas.
FASE DE
SUEÑO
VIGILIA

FASE 1

EEG (ACTIVIDAD CEREBRAL)

EOG*

-Bajo voltaje, frecuencias mixtas
-Ritmo alpha, en relajación
-Ritmo theta
-Atenuación de alpha, si sigue a vigilia
-Absoluta ausencia de transitorios

EMG
-Tono muscular contraído
-Movimientos voluntarios

-Hay SEMs

-Movimientos aislados
-Tono muscular disminuye, si
sigue a vigilia
-Tono muscular aumenta, si
sigue a REM

FASE 2

-No hay REMs, si sigue
-Aparición de transitorios
a fase REM.
- Tono muscular activo pero
-Delta no suficiente para definir sueño
-No hay SEMs, si relativamente bajo
profundo
aparecieron transitorios

SUEÑO

-Ritmo delta
-Puede haber transitorios

PROFUNDO

FASE REM

-Puede aparecer ritmo theta
-Puede aparecer ritmo alpha
-Ausencia de transitorios

-No hay movimientos
-Alcanza niveles muy bajos
oculares

-Hay REMs

-Alcanza su nivel más bajo
(nunca mayor que epoch
anterior)

*REM= “Rapid Eye Movement”, movimiento ocular rápido; SEM=”Slow Eye Movement", movimiento ocular lento.

Tabla 6.1. Esquema del conocimiento seleccionado para la clasificación del sueño

Las fases 3 y 4 se han agrupado en un único estado de sueño profundo siguiendo a
varios autores que las consideran unificables [cxvi, cxvii], puesto que se diferencian
únicamente en la cantidad de ritmo delta que contienen, y no en su repercusión en el estado
fisiológico del paciente.
En el apartado siguiente se hará alusión al conocimiento descrito en la Tabla 6.1
para justificar algunas de las decisiones de diseño tomadas en el desarrollo, y en el apartado
de clasificación de fases de sueño, se describe con más detalle la estructura e
implementación de dicho conocimiento.
135


Extracción de características
Mediante la tarea de extracción de características se detectan e identifican diferentes
patrones en las señales de entrada, a partir de los cuales, se describe el comportamiento de
dichas señales en cada epoch. Esta tarea resulta imprescindible para reducir el volumen de
datos de entrada, convertir la información numérica en información simbólica cuando
corresponda, y poder así aplicar las reglas del paradigma R&K en el procesamiento
posterior.
De las indicaciones presentadas en el esquema de conocimiento de la Tabla 6.1 se
deduce que existen tres clases de información de entrada fundamentales a la hora de
clasificar el sueño: la actividad cerebral, obtenida a partir del EEG; los movimientos
oculares, detectados en el EOG; y la actividad muscular, registrada en el EMG. Los
métodos utilizados para llevar a cabo la tarea de extracción de características son diferentes
para cada uno de ellos, por lo que se han implementado en módulos independientes. Los
resultados del procesamiento realizado en estos módulos constituyen el conjunto de
características extraídas para cada epoch, tal y como aparece en la tabla siguiente.
MÓDULO

TIPO DE

CARACTERÍSTICAS

TIPO DE

ENTRADA

RESULTANTES

INFORMACIÓN

Magnitud
Ritmo Alpha
Evolución
Magnitud
Ritmo Beta
Evolución
Magnitud
Ritmo Theta
Evolución
Magnitud
Ritmo Delta
Evolución
Magnitud
Complejos-K
Evolución
Magnitud
Sleep-Spindles
Evolución
Movimientos Oculares Rápidos

Simbólica
Simbólica
Simbólica
Simbólica
Simbólica
Simbólica
Simbólica
Simbólica
Simbólica
Simbólica
Simbólica
Simbólica
Numérica

Movimientos Oculares Lentos

Numérica

Tipo de tono muscular
Nivel del tono muscular
Evolución
Movimiento fásico

Simbólica
Simbólica
Simbólica
Simbólica

CARACTERIZACIÓN
DE LA ACTIVIDAD
CEREBRAL

ANÁLISIS
ESPECTRAL
DEL EEG

DETECCIÓN Y
CLASIFICACIÓN DE
MOVIMIENTOS
OCULARES

EOG

CARACTERIZACIÓN
DEL TONO
MUSCULAR

EMG

Tabla 6.2. Características extraídas para cada epoch como resultado del procesamiento realizado

136

en Sueño

En este conjunto de características se puede apreciar una doble combinación de
información: por un lado, combinación de información numérica y simbólica y, por otro
lado, combinación de información estática (que describe el comportamiento de la señal en
un único epoch, como las características magnitud o tipo de tono muscular) e información
dinámica (que describe la variación producida entre epochs consecutivos, p. e., cualquiera de
las características denominadas evolución). El concepto de información dinámica fue
introducido por Príncipe et al. [cxviii], aplicado a los ritmos alpha y beta, y en este trabajo
se ha hecho extensible a todas las características definidas excepto para los movimientos
oculares, ya que para éstos la información relevante es simplemente si hay o no hay
movimientos, sin tener en cuenta su evolución.
A continuación, se describe con mayor detalle cada uno de los módulos de extracción
de características mencionados.
Módulo de caracterización de la Actividad Cerebral
La actividad cerebral se divide en: (a) tónica, definida como “una combinación de
componentes rítmicas de ondas de actividad eléctrica cerebral, cuyas características de
amplitud y frecuencia varían a lo largo del registro de forma cuasi estacionaria”; y (b) fásica,
definida como “patrones transitorios de corta duración que ocurren de forma aleatoria en
el tiempo” [cxix]. Siguiendo este esquema, en el módulo que se describe se caracterizan seis
componentes de actividad cerebral fundamentales: cuatro de tipo tónico o rítmico (ritmos
alpha, beta, delta y theta) y dos de tipo fásico o transitorio (complejos-K y sleep-spindles).
Para caracterizar dichos componentes se transforman los valores numéricos
correspondientes a los componentes presentes en cada epoch en términos cualitativos.
Estos valores numéricos son el resultado del análisis espectral realizado por un sistema
comercial sobre la señal de EEG [cxx], y representan la “cantidad de señal” existente en
cada banda de frecuencias, en el caso de los ritmos, y el número de ocurrencias, en el caso
de los componentes transitorios.
El objetivo de esta tarea consiste en describir cada componente de actividad cerebral
en función de dos propiedades distintas: magnitud o “cantidad” de ese componente en el
epoch, y evolución respecto al epoch anterior. La caracterización de las actividades de tipo
rítmico y de tipo transitorio requiere criterios distintos.

137


Actividad cerebral de tipo rítmico (alpha, beta, delta y theta)
Para obtener el valor de la propiedad magnitud, se calcula el porcentaje de ocurrencia
de cada actividad respecto a la actividad total presente en el epoch [cxxi]. A partir de la
distribución de datos de estos porcentajes se calculan los cuartiles, que se utilizan para
establecer los umbrales de cada categoría lingüística según los criterios de la Tabla 6.3.
Dado que los cuartiles son medidas que dependen del orden de los datos y no se ven
afectadas por valores atípicos, permiten definir unos límites adaptados al paciente y a los
datos registrados.
% DE OCURRENCIA DE ACTIVIDAD CEREBRAL
(AC) RESPECTO A LA ACTIVIDAD TOTAL EN EL
EPOCH*

CATEGORÍAS LINGÜÍSTICAS

AC ≤ Q1

Muy bajo

Q1

<

AC ≤

Q1 + Q 2

Bajo

2

Q1 + Q 2

< AC ≤

2

Q2 + Q3

Medio

2

Q2 + Q3

Alto

< AC ≤ Q
3

2

Q < AC

Muy alto

3

*Q1, Q2 y Q3 representan los tres primeros cuartiles de la distribución de porcentajes

Tabla 6.3. Porcentajes de ocurrencia de la actividad cerebral de tipo rítmico correspondientes a cada categoría lingüística de la
propiedad magnitud

Para la propiedad evolución se ha definido el valor ΔACmin, que representa la mínima
variación que debe producirse en el porcentaje de ocurrencia de un tipo de actividad entre
epochs consecutivos, para considerar que existe un cambio significativo. Para obtener este
valor, se toma el intervalo comprendido entre los límites Linf y Lsup, calculados como:
Lsup=

Q +

Linf =

Q1 −

3

3
4

3
4

(Q 3 − Q1 )

[Ec. 6.1]

(Q 3 − Q1 )

[Ec. 6.2]

Dicho intervalo contiene prácticamente todos los valores hallados en la muestra,
descartando los datos atípicos [cxxii]. A continuación se define la máxima variación posible
138

en Sueño

entre dos datos como (Lsup-Linf), se duplica para considerar esa variación tanto en sentido
positivo como negativo, y se divide en tantas partes como categorías lingüísticas se quieren
delimitar. Por lo tanto, la variación mínima resulta en la siguiente expresión:
ΔACmin=

2

(L sup − L inf )

[Ec. 6.3]

5

Tomando como intervalo correspondiente a la categoría central el que tiene su
punto medio en una variación cero

((ACepoch – ACepoch-1) =0),

y considerando que el tamaño del

intervalo asignado a cada categoría lingüística es la variación mínima ΔACmin, los criterios
para delimitar la propiedad evolución son los que se señalan en la Tabla 6.4.
EVOLUCIÓN RESPECTO AL EPOCH ANTERIOR
(E=ACEPOCH-ACEPOCH-1)
E<-3

ΔAC min

CATEGORÍAS
LINGÜÍSTICAS
Baja mucho

2

-3

ΔAC min

≤E< -

ΔAC min

2

-

ΔAC min

ΔAC min

≤E≤

2
ΔAC min

Baja ligeramente

2

Se mantiene

2

<E≤3

ΔAC min

2

Sube ligeramente

2

3

ΔAC min

<E

Sube mucho

2

Tabla 6.4. Variación de la actividad cerebral de tipo rítmico entre epochs consecutivos, correspondiente a cada categoría
lingüística de la propiedad evolución

De esta forma, el margen de cambio entre categorías está adaptado al paciente
concreto puesto que su cálculo depende de los cuartiles, y es lo suficientemente amplio
como para evitar una excesiva sensibilidad a variaciones leves. Con esto se favorece que las
clasificaciones que impliquen una transición se planteen sólo en los casos en los que el
cambio detectado en la actividad cerebral sea realmente claro.

Componentes transitorios (complejos-K y sleep spindles)
La información disponible para este tipo de componentes de actividad cerebral se
expresa como número de ocurrencias. Por ello, los umbrales que determinan las categorías
lingüísticas se definen de manera completamente distinta a la actividad rítmica,

139


adecuándolos al tipo de valores numéricos manejados (valores positivos entre 0 y 10,
generalmente).
Los umbrales que se han utilizado para definir las categorías lingüísticas de la propiedad
magnitud se basan en criterios publicados [cxvii]. Adaptando esos criterios a epochs de 30
segundos, se definen las categorías que aparecen en la Tabla 6.5.
Nº DE COMPLEJOS-K (CK)

Nº DE SLEEP-SPINDLES (SP)

CATEGORÍAS
LINGÜÍSTICAS

CK= 0
CK= 1
CK = 2
CK =3
3 < CK

SP = 0
SP = 1
1 < SP ≤ 3
SP = 4
4 < SP

Muy bajo
Bajo
Medio
Alto
Muy alto

Tabla 6.5. Nº de ocurrencias de actividad cerebral de tipo transitorio correspondientes a cada categoría lingüística de la propiedad
magnitud

En cuanto a la propiedad evolución, se emplean los mismos umbrales que los
definidos para la actividad rítmica en la Tabla 6.4, pero con una variación mínima ΔACmin
de 0.5
Como resultado final del procesamiento de la actividad cerebral rítmica y
transitoria, se obtienen doce etiquetas lingüísticas (seis de magnitud y seis de evolución) en
cada epoch, que caracterizan el comportamiento del EEG de forma estática y dinámica. En
la Figura 6.2 se muestra un ejemplo de la caracterización resultante obtenida para un epoch
y la Figura 6.3 resume el proceso de caracterización de la actividad cerebral en forma de
pseudocódigo.

Figura 6.2. Caracterización de la actividad cerebral rítmica y transitoria

140

en Sueño
1.
2.

3.

Para
1.1.
Para
2.1.
2.2.
2.3.
Para
3.1.

cada epoch
Calcular porcentaje aportado por cada actividad de tipo rítmico
cada actividad de tipo rítmico
Calcular cuartiles de la distribución de porcentajes
Determinar umbrales de categorías para Magnitud
Determinar umbrales de categorías para Evolución
cada epoch
Para cada tipo de actividad cerebral
Clasificar porcentaje(actividad) en una categoría
Obtener valor evolución(actividad)
Clasificar evolución(actividad) en una categoría

Figura 6.3. Pseudcódigo del proceso de caracterización de la actividad cerebral rítmica y transitoria

Módulo de detección y clasificación de Movimientos Oculares
El electrooculograma se registra en dos canales, denominados LOC (left oculogram) y
ROC (right oculogram). Dado que el ojo actúa como un dipolo rotativo, los movimientos
oculares se reflejan en el EOG como variaciones de amplitud, siendo estas variaciones
síncronas en ambos canales, pero de sentido opuesto. Se dice que un movimiento ocular es
rápido (REM, rapid eye movement) cuando las ondas o grupos de ondas que lo componen
son de gran amplitud, baja frecuencia y pendiente acentuada en los flancos, superpuestas a
la actividad de fondo [cxix]. Como ya se mencionó en el Capítulo 2, no existe consenso
respecto a qué valores concretos de amplitud y frecuencia caracterizan a los REM. En
cuanto a los movimientos oculares lentos (SEM, slow eye movements), se diferencian de los
REM en que la variación de amplitud es de pendiente más suave y de mayor duración,
durando incluso hasta varios segundos. En las Figuras 6.4 y 6.5 pueden verse sendos
ejemplos de los dos tipos de movimientos oculares.

REMs
μV

Figura 6.4. Epoch en el que se han marcado los movimientos oculares rápidos (REM)

141


SEMs
μV

Figura 6.5. Epoch en el que se han marcado algunos movimientos oculares lentos (SEM)

El objetivo de la tarea llevada a cabo en este módulo es, pues, detectar y clasificar los
movimientos oculares existentes en cada epoch, a partir de las señales de LOC y ROC.
El proceso de detección se realiza en dos pasos: primero, se localizan los tramos de
señal que alcanzan amplitudes elevadas y, segundo, se compara la actividad ocular de
ambos ojos, con el fin de comprobar que en esos tramos se cumplen las condiciones de
sincronismo binocular y sentido opuesto. Ambos pasos se efectúan sobre la señal
diferencia (LOC-ROC), calculada para cada epoch. La razón estriba en que las variaciones
que encajen con las pautas descritas se presentarán en esta señal diferencia en forma de
tramos de gran amplitud, mientras que las alteraciones del EOG que no cumplen las
condiciones de sincronismo y sentido opuesto aparecerán como valores en torno a cero,
puesto que en ese caso la distancia entre ambas señales se mantiene casi constante.
A partir de aquí, el proceso de detección se limita a los tramos detectados en el
cuadrante positivo de la gráfica que contiene la señal diferencia. Ello es debido a que las
variaciones de amplitud en el cuadrante negativo están asociadas a las variaciones del
cuadrante positivo que son adyacentes a ellas en el tiempo, y se considera que forman parte
del mismo movimiento ocular, como consecuencia de las condiciones de sincronismo y
oposición.
Con el fin de confirmar que los tramos localizados se corresponden realmente con
movimientos oculares y no con artefactos, se comprueba si la magnitud y la duración del
tramo son significativas. El umbral de amplitud ha sido fijado en 40 μv, partiendo de la
definición de movimiento ocular en la que se indica como significativa una variación de al
menos 20 μv en la señal original de EOG (ver Capítulo 2). La duración mínima se ha
142

en Sueño

establecido en 300 ms por ser un valor que permite descartar variaciones de corta duración,
probablemente correspondientes a artefactos, pero conservan los movimientos oculares
rápidos. La Figura 6.6 representa un ejemplo de la señal diferencia LOC-ROC en la que se
han marcado los tramos que cumplen las condiciones de movimiento ocular. Esta figura se
corresponde con el epoch representado en la Figura 6.4.

Figura 6.6. Identificación de tramos correspondientes a movimientos oculares sobre la señal diferencia LOC-ROC

Una vez localizados y confirmados los tramos de EOG en los que existen
movimientos oculares, se identifica a qué tipo de movimiento corresponde cada tramo.
Como no existen unos límites estándar para definir ni los movimientos oculares rápidos ni
los lentos, se han establecido unas pautas específicas basadas en criterios heurísticos
proporcionados por los expertos colaboradores. Si la pendiente inicial del tramo de
incremento que define un movimiento ocular es superior a 4, y más del 40% de las
muestras que forman dicho tramo están por encima de un umbral de corte establecido,
entonces el movimiento detectado se clasifica como rápido o REM (Figura 6.7). En caso
contrario, se clasifica como lento o SEM.

143

μV

(a)

t

REM

t
5 seg.

Zona de corte alto
(valores REM)

μV

(b)
200

M>4
100
40

t
Más 40% X >100μV

Figura 6.7. Ejemplo de localización y clasificación de un movimiento ocular rápido
(a) Señales de EOG registradas (b) Señal diferencia LOC-ROC, donde m es la pendiente del tramo que define un movimiento
ocular

El resultado final del proceso que se describe es un valor numérico para cada tipo de
movimiento ocular, que indica el número de ocurrencias del mismo en un epoch. La Figura
6.8 muestra el pseudocódigo que resume el proceso de caracterización del EOG.
1.

Para cada epoch
1.1. Obtener señal diferencia(LOC-ROC)
1.2. Localizar movimientos oculares. Para cada muestra
Inicializar indicadores (hueco=0, Longitud(Mov)=0)
Si diferencia(muestra) > Umbral_Corte {posible Movimiento ocular}
Incrementar Longitud(Mov)
Reiniciar(Hueco)
Si tamaño Hueco grande y Longitud(Mov)<>0
Clasificar Movimiento localizado → SEM o REM
Reiniciar Longitud(Mov)
Reiniciar Hueco
1.3. Actualizar contadores SEMs y/o REMs

Figura 6.8. Pseudocódigo del proceso de análisis del EOG

144

en Sueño

En el caso de los movimientos oculares no es necesaria la información dinámica,
puesto que las reglas de clasificación del sueño (Tabla 6.1) hacen referencia únicamente a la
ausencia o presencia de movimientos oculares en cada epoch, no a su evolución respecto a
epochs anteriores.
Módulo de caracterización del Tono Muscular Predominante
La actividad muscular se caracteriza en función de la amplitud de la señal de EMG.
Esta señal presenta un rango de amplitudes y frecuencias muy amplio, por lo que algunos
autores recomiendan trabajar únicamente con su envolvente [cxxi], y ése ha sido el enfoque
seguido en este trabajo. Para calcular la amplitud de la señal de EMG original, se opta por
aproximarla mediante la amplitud de la señal diferencia entre sus envolventes superior e
inferior (Figura 6.9).
μV

(a)

t

μV

t

(b)
Figura 6.9. (a) Señal de EMG registrada durante un epoch. (b) Distancias entre la envolvente superior e inferior de la señal de
EMG en ese epoch

Así pues, a partir de ahora cuando se hable de amplitud del EMG, se estará haciendo
referencia a la aproximación mediante la diferencia entre las envolventes.
Para describir el comportamiento del EMG se han definido cuatro propiedades Tipo de tono muscular, Nivel del tono, Movimiento fásico y Evolución -, adecuadas al tipo de
conocimiento sobre la actividad muscular al que se hace referencia en el esquema de
conocimiento de la Tabla 6.1.
(1) Tipo de tono muscular: Para la clasificación de las fases de sueño es necesario
reconocer básicamente dos situaciones o tipos de tono muscular: si la señal es de baja

145


amplitud o el EMG está relajado, o bien si la amplitud es grande, considerando que el EMG
se halla, entonces, contraído. Para diferenciar más claramente estas dos situaciones, se ha
delimitado a mayores una zona intermedia, denominada de tono medio. Cada situación se
corresponde con una categoría lingüística de la propiedad tipo de tono, definida utilizando los
criterios que se describen en la Tabla 6.6.
AMPLITUD DEL EMG
0 - 30 μV
31 - 75 μV
76 – 255 μV

CATEGORÍA
Relajado
Medio
Contraído

Tabla 6.6. Rangos de amplitud de EMG correspondientes a cada categoría lingüística definida para el tono muscular

Para determinar cuál es la situación que mejor describe el epoch que está siendo
analizado, se calcula el histograma de las amplitudes presentes en dicho epoch, tomando
como intervalos de definición del histograma los rangos indicados en la Tabla 6.6. El rango
con mayor frecuencia determina el tipo de tono designado como predominante.
(2) Nivel del tono predominante. En un mismo epoch pueden aparecer combinados los
tres tipos de tono muscular antes mencionados. Es necesario precisar, pues, cuál es la
relación entre la duración del tono elegido como “predominante” y otros tipos de tonos
presentes en el epoch15. Las categorías lingüísticas utilizadas para caracterizar el nivel del
tono predominante son las que se muestran en la Tabla 6.7.
DURACIÓN DEL TONO PREDOMINANTE DT
(EXPRESADA EN % DE LA DURACIÓN DEL EPOCH)


Dt <45%
45% ≤ Dt < 60%
60% ≤ Dt < 80%
80 % ≤ Dt

Escasamente Predominante
Ligeramente Predominante
Claramente Predominante
Totalmente Predominante

Tabla 6.7. Etiquetas lingüísticas utilizadas para el nivel del tono predominante

(3) Movimiento fásico: Se ha definido un movimiento fásico como un pico en amplitud de escasa
duración en la señal de EMG. Este tipo de picos se corresponde, en general, con
movimientos voluntarios o con espasmos musculares. Con esta propiedad se pretende
identificar la presencia de actividad muscular fásica o aislada en el epoch.

15

Esta información resulta esencial, sobre todo, para clasificar una fase REM, donde el tono muscular

relajado tiene que ser el que predomine claramente en el epoch.

146

en Sueño

Para aproximar qué proporción de epoch se ve ocupada por movimientos fásicos,
se localizan en primer lugar los tramos de EMG que contienen picos de amplitud. Esta
localización se lleva a cabo utilizando una ventana temporal de 0.25 segundos de duración.
Si la amplitud de más del 60% de las muestras comprendidas en dicha ventana alcanza
magnitudes pertenecientes al rango 76-255 μV (tipo de tono contraído), se considera que hay
un movimiento fásico en el tramo definido por esa ventana temporal. Una vez localizados
estos tramos, se suma la duración total de todos ellos y, en función de esta duración, se
asignan las categorías lingüísticas, siguiendo los criterios de la Tabla 6.8.
DURACIÓN EN SEGUNDOS DE TODOS LOS
MOVIMIENTOS FÁSICOS HALLADOS EN EL
EPOCH (DMF)


DMf <1/8 epoch
1/8 epoch ≤ DMf <1/4 epoch
3/4 epoch ≤ DMf

Escaso
Alguno
Considerable
Bastante
Abundante

Tabla 6.8. Categorías lingüísticas que caracterizan un movimiento fásico

Esta propiedad resulta significativa sólo cuando el tono muscular es relajado o medio,
puesto que con un tono contraído los movimientos fásicos quedan enmascarados por la
actividad muscular de fondo.
(4)

Evolución: Esta propiedad indica el cambio observado en el EMG entre epochs
consecutivos. Se identifican tres posibles situaciones, definidas por las condiciones
que se indican en la tabla siguiente.

147


SITUACIÓN

CONDICIONES
El Tipo de tono muscular disminuye
Los Movimientos fásicos disminuyen
El Tipo de tono muscular es relajado y su Nivel del tono predominante aumenta
SE RELAJA
El Tipo de tono muscular es medio o contraído, mantenido desde el epoch
anterior
El Nivel del tono predominante disminuye, porque aumenta el porcentaje de
un tipo de tono más bajo16.
El Tipo de tono muscular aumenta
Los Movimientos fásicos aumentan
El Tipo de tono muscular es contraído y su Nivel del tono predominante
aumenta
SE CONTRAE
El Tipo de tono muscular es medio o relajado, mantenido desde el epoch
anterior
El Nivel del tono predominante disminuye, porque aumenta el porcentaje de
un tipo de tono más alto.
SE MANTIENE No se produce ninguna de las dos condiciones anteriores
Tabla 6.9. Situaciones que corresponden a las categorías lingüísticas de la propiedad evolución

El resultado final del procesamiento de la señal de EMG es la caracterización, tanto
estática como dinámica, del comportamiento de la actividad muscular en cada epoch. En la
Figura 6.10 se presenta un ejemplo de estos resultados tal y como los presenta el sistema, y
la Figura 6.11 resume en forma de pseudocódigo el proceso de caracterización de la señal
de EMG.

Figura 6.10. Caracterización del EMG en un epoch

16

Al determinar el Nivel del tono predominante se anota también cuál es el segundo tipo de tono más

abundante en el epoch, para utilizarlo en este punto.

148

en Sueño
1.

Para cada epoch
1.1. Para cada segmento (0.25 s)
1.1.1. Para cada muestra de segmento
Convertir muestra en distancia
Clasificar distancia → Tipo de Tono Muscular
Actualizar contador Tipo de Tono Clasificado
Si Tipo de Tono Clasificado = Contraído
Incrementar Duración(Mov)
1.1.2. Si Duración(Mov) > 15 muestras
Incrementar Duración(mov_fásicos)
1.2. Determinar Tipo de Tono Predominante en el epoch
1.3. Clasificar Nivel del Tipo de Tono Predominante
1.4. Clasificar Movimientos fásicos mediante Duración(mov_fásicos)
1.5. Clasificar Evolución(EMG)

Figura 6.11. Pseudocódigo del proceso de caracterización de la actividad muscular

Clasificación de fases de sueño
El objetivo principal de esta tarea es asociar una fase de sueño a cada epoch,
justificando la elección de dicha fase.
La tarea de clasificación se ha estructurado en tres etapas fundamentales, llevadas a
cabo de forma secuencial:
(1)

Establecimiento inicial de hipótesis de fases de sueño

(2)

Normalización de la potencia evidencial asociada a cada fase

(3)

Resolución de conflictos
El sistema cuenta además con un mecanismo de explicación del proceso durante cada

etapa, que favorece el seguimiento del proceso inferencial y permite justificar los resultados
ante el clínico.
Establecimiento inicial de hipótesis de fases de sueño
Esta etapa se ha implementado mediante un sistema de producción, formado por
una base de reglas que contiene los criterios fundamentales descritos en el paradigma R&K,
completados con: (1) conocimiento heurístico aplicado por los expertos durante la práctica
clínica, (2) matices al paradigma, recogidos en la literatura del sueño, y (3) el contexto
dinámico. Se entiende por contexto dinámico el conocimiento específico sobre la arquitectura
del sueño, en concreto, sobre la localización temporal de las fases de sueño en una noche
completa y la evolución de los ritmos cerebrales y el tono muscular. Es un concepto similar
al de información dinámica introducido por Príncipe [cxviii] y mencionado al principio de este

149


capítulo, en el sentido de utilizar la comparación entre epochs consecutivos como posible
evidencia. El concepto de información dinámica de Príncipe hace referencia únicamente al
aumento o decremento, respecto al minuto previo de dos características concretas: los
ritmos alpha y beta. En este sistema, el concepto de contexto dinámico se hace extensivo a
todas las características de actividad cerebral y muscular, y se amplía con reglas sobre la
arquitectura global del sueño. Dichas reglas se obtienen principalmente a partir de las
indicaciones sobre la progresión del sueño realizadas por Carskadon y Dement [cxxiii], y a
partir de la tabla de correcciones para transiciones de fase no permitidas propuesta por
Pacheco [cxxi].
El conjunto de evidencias disponible en esta etapa está formado por los valores
obtenidos del procesado simbólico, y los valores numéricos de actividad cerebral,
movimientos oculares y tono muscular, resultado de la extracción de características llevada
a cabo en los módulos precedentes. El resultado de la evaluación de las reglas será un valor
de potencia evidencial asociado a cada fase, que cuantifica para cada epoch el grado de apoyo
del conjunto de evidencias disponible a dicha fase. La Figura 6.12 muestra la estructura del
conocimiento declarativo relevante en este módulo.

150

en Sueño

Simbología
Clase

DELTA
THETA
ALPHA

Objeto

ACTIVIDAD CEREBRAL

BETA
COMPLEJOS-K

Propiedad

SLEEP-SPINDLES
Evolución

Magnitud

Tono principal
Nivel tono

ACTIVIDAD MUSCULAR

Tono secundario
Movimientos

CARACTERÍSTICAS
RELEVANTES

Evolución

Lentos
MOVIMIENTOS OCULARES
Rápidos
EPOCH ACTUAL

VIGILIA

FASE ANTERIOR

FASE UNO

CLASIFICACIÓN

FASE DE SUEÑO

FASE DOS

FASE
SUEÑO PROFUNDO

FASE REM

Figura 6.12. Estructura de clases, objetos, y propiedades de la base de conocimiento del módulo de construcción del hipnograma

El conjunto de reglas está estructurado en dos niveles:
Primer Nivel: constituido por reglas que expresan definiciones básicas de cada fase.
Las hipótesis confirmadas en este nivel constituirán el conjunto de hipótesis de trabajo del
nivel siguiente, reduciendo de esta forma el árbol de búsqueda. Un ejemplo de este tipo de
reglas es:
Si: (1) La magnitud de delta es baja o muy baja
y: (2) La magnitud de beta no es baja
y: (3) La magnitud de alpha no es baja
y: (4) El tono muscular relajado es claramente predominante
y: (5) Hay movimientos oculares rápidos
Entonces: La Fase REM se considera hipótesis de trabajo válida

151


Segundo Nivel: formado por aquellas reglas relacionadas con el conjunto de hipótesis
de trabajo seleccionadas en el nivel anterior. Cada una de las reglas de este nivel lleva
asociada un valor numérico o peso, que incrementa o decrementa en una unidad la potencia
evidencial de la hipótesis.
Dentro de este nivel se pueden distinguir dos tipos de reglas:
(a) Reglas de apoyo: Evalúan evidencias referidas a características que por sí solas no
identifican una fase, pero que suelen estar presentes durante la misma; se podría decir que
son “sintomáticas” de esa fase. El peso asociado a este tipo de reglas es positivo y, por
tanto, incrementa la potencia evidencial de su hipótesis. Por ejemplo:
Si: (1) La fase anterior es fase REM
y: (2) La magnitud de sleep-spindles no es baja
y: (3) No hay movimientos oculares rápidos
Entonces: La Fase 2 es apoyada y se incrementa la potencia evidencial de Fase 2 en una unidad

Todas las reglas del primer nivel actúan también como reglas de apoyo, en cuanto a
que incrementan la potencia evidencial de la fase hipótesis en una unidad.
(b) Reglas de rechazo: Analizan evidencias correspondientes a características cuya
presencia contribuye negativamente a la clasificación de una determinada fase. El peso
asociado a este tipo de reglas es negativo y, por tanto, decrementa la potencia evidencial
asociada a su hipótesis. Por ejemplo:
Si: (1) La fase anterior es fase REM
y: (2) La evolución del EMG es se contrae
Entonces: La Fase REM es rechazada y se decrementa la potencia evidencial de Fase REM en una unidad

El resultado de la ejecución de esta etapa es un valor acumulado de potencia
evidencial para cada una de las cinco fases, expresado como la combinación lineal de los
pesos de sus reglas asociadas, y que resume de algún modo toda la evidencia disponible
para cada fase. Este valor viene acompañado de una explicación construida mediante la
traducción a lenguaje natural de todas las reglas ejecutadas durante el proceso de
razonamiento.

152

en Sueño

Normalización de la potencia evidencial asociada a cada fase
Los valores de potencia evidencial asignados a las distintas fases en la etapa anterior
se normalizan para poder realizar una comparación adecuada. Como factor de
normalización se utiliza la suma de los valores absolutos de los pesos de todas las reglas
ejecutadas, lo que nos permite obtener valores entre -1 y 1. Expresado matemáticamente:
P(fase X)

PN(fase X) =

∑δ

[Ec. 6.4]

Ri

i

donde
PN(fase X)

es la potencia evidencial normalizada de la fase X

P(fase X)

es la potencia evidencial de la fase X (sin normalizar)

δRi

es el peso de la regla Ri,

Ri

es la regla ejecutada

La interpretación de la potencia evidencial PN(fase X) resultante es la que se indica
en la Tabla 6.10.
RESULTADO DE LA

INTERPRETACIÓN

NORMALIZACIÓN

PN(fase X) < 0
PN(fase X) = 0
0 < PN(fase X) ≤ 0.5
0.5 < PN(fase X)

Las evidencias descartan la clasificación de la fase X
No se han hallado evidencias relativas a la fase X, o bien las evidencias
favorables han quedado anuladas por las evidencias desfavorables
Las evidencias apoyan la clasificación de la fase X. No es un resultado
plenamente concluyente; es posible la coexistencia de alguna otra fase
en el mismo epoch
Las evidencias apoyan claramente la clasificación de la fase X
Tabla 6.10. Interpretación de la potencia evidencial normalizada

En definitiva, la fase seleccionada para asignar al epoch analizado será aquella que
cuente con la mayor potencia evidencial normalizada positiva.
Resolución de conflictos
Tal y como se ha construido el procedimiento de normalización, es posible encontrar
un epoch en el que el valor normalizado de potencia evidencial sea igual para varias fases,
lo que provocaría una situación de conflicto o indecisión. Para solventar este problema, se
ha incorporado un mecanismo de resolución de conflictos, basado en los estudios de
153


Merica [cxxiv] (Tabla 6.11) y Pacheco [cxxi] (Tabla 6.12), que analizan la probabilidad de
que se produzcan determinadas transiciones entre fases.
ij
Vigilia
Fase 1
Fase 2
Fase 3
Fase 4
Fase REM

Vigilia

Fase 1
0.619

0.158
0.114
0.014
0.045
0.0109

0235
0.005
0.014
0.220

Fase 2
0.355
0.778
0.502
0.431
0.669

Fase 3
0.006
0.001
0.371
0.509
0.001

Fase 4
0.001
0.000
0.025
0.472

Fase REM
0.019
0.062
0.255
0.008
0.001

0.000

Tabla 6.11. Matriz de transiciones que representa la probabilidad de pasar desde la fase i a la fase j [cxxiv]

FASE ANTERIOR
Vigilia
Vigilia
Fase 1
Sueño profundo
Fase REM

NUEVA FASE (NO PERMITIDA)
Sueño profundo
REM
Sueño profundo
Fase 1
Sueño profundo

FASE CORREGIDA
Fase 2
Fase 1
Fase 2
Fase 2
Fase 2

Tabla 6.12. Correcciones para transiciones de fase no permitidas [cxxi]

Estas dos aproximaciones han sido combinadas en un nuevo esquema de
transiciones válidas, cuya representación gráfica es la que se muestra en la Figura 6.13.

FASE 1
FASE 2

Transición más probable
2ª transición más probable
Vigilia


REM

SUEÑO
PROFUNDO

Figura 6.13. Representación gráfica de las transiciones válidas entre fases, indicando su orden de probabilidad

El procedimiento desarrollado para la resolución de conflictos sigue el criterio
conservador expuesto al principio de este capítulo: preservar una misma fase mientras la

154

en Sueño

transición a otra no resulte lo suficientemente explícita. Así, se plantean tres situaciones
distintas, ilustradas con ejemplos obtenidos de la ejecución real del sistema:

•

Si una de las fases en conflicto coincide con la fase establecida para el epoch
inmediatamente anterior, se optará por mantenerla en el epoch actual. En el ejemplo
mostrado en la Figura 6.14, existe un conflicto entre la fase Vigilia y la fase REM,
ambas con una potencia evidencial de 0.25. La fase asignada al epoch anterior era
Vigilia (Fase 0), por lo tanto la fase asignada al epoch actual es Vigilia.

Figura 6.14. Conflicto entre fases, de las cuales una es igual a la fase del epoch anterior

•

Si ninguna de las fases en conflicto coincide con la fase asignada al epoch anterior, se
procede a la selección de acuerdo al esquema de transiciones válidas de la Figura 6.13.
En el ejemplo presentado, las fases en conflicto son Vigilia y REM, con una potencia
evidencial de 0.33 cada una, y una asignación de Fase 1 para el epoch anterior.

Figura 6.15. Conflicto entre fases resuelto aplicando el esquema de transiciones válidas

•

En los casos en que ninguna fase resulte adecuada para el epoch evaluado, bien porque
su potencia evidencial es menor o igual a cero, bien porque la tabla de transiciones no
resulta concluyente, se prescinde de las hipótesis alcanzadas y se mantiene,
directamente, la fase asignada al epoch anterior. Así, en el ejemplo presentado a
continuación (Figura 6.16) todas las fases poseen una potencia evidencial de cero, y la
fase anterior era Vigilia, por lo que se mantiene esta fase.

155


Figura 6.16. Conflicto entre fases por situación indefinida (evidencias no concluyentes)

Como se aprecia en los ejemplos, la justificación de la selección final de una fase en
esta etapa se añade a la explicación del proceso de inferencia, generada previamente en el
sistema de producción.
La Figura 6.17 presenta el pseudocódigo correspondiente al proceso de clasificación
de fases de sueño, tal y como se ha desarrollado en este epígrafe.
1.
2.

Clasificar primer minuto de forma arbitraria (Epochs 1 y 2 = Fase Vigilia)
Para cada epoch posterior
2.1. Para cada fase
2.1.1. Obtener Potencia Evidencial (fase) ← Evaluar Base de Reglas
2.1.2. Anotar explicación
2.2. Seleccionar fase como Resultado Clasificación
2.2.1. Buscar máxima potencia evidencial
2.2.2. Contar Fases posibles → máxima Potencia Evidencial(Fasei)
Si Fases Posibles=1
Resultado Clasificación= Fasei
Si Fases Posibles > 1 y una de las Posibles = Fase Anterior
Resultado Clasificación = Fase Anterior
Si no Resultado Clasificación(Transiciones Válidas)
Si no Resultado Clasificación = Fase Anterior
2.3. Fase Anterior = Resultado Clasificación
2.4. Anotar explicación sobre Resultado Clasificación

Figura 6.17. Pseudocódigo del proceso de clasificación de fases de sueño

6.3. Salidas del módulo
Este sistema proporciona como resultado final la secuencia de fases de sueño
experimentada por el paciente a lo largo de una noche completa, presentando estos
resultados de forma global en el hipnograma correspondiente tal y como aparece en la
Figura 6.18.

Figura 6.18. Ejemplo de hipnograma proporcionado por el sistema

156

en Sueño

Junto al hipnograma, se ofrece la representación gráfica de algunas de las
características más relevantes, tal y como se muestra en la Figura 6.19.

Figura 6.19. Resultados globales presentados por el sistema

A esta presentación se añade la posibilidad de consultar la explicación que justifica
los resultados obtenidos para cada epoch (ejemplos en las Figuras 6.14 a 6.16).
El objetivo de esta doble presentación de resultados es que el sistema constituya
una herramienta clara y fiable para el clínico, mediante la cual pueda reconocer y revisar de
inmediato cualquier situación que considere anómala o incorrecta.

6.4. Resumen
El sistema descrito en este capítulo constituye una primera aproximación a la tarea
de construcción del hipnograma. Esta aproximación ha sido desarrollada a partir del
paradigma publicado por Rechtschaffen y Kales ya que, a pesar de las múltiples
limitaciones que dificultan su automatización, se trata del único estándar ampliamente
aceptado por la comunidad médica. Las limitaciones mencionadas obligan a descartar la
utilización de la programación convencional para su implementación, y a recurrir a técnicas
de Inteligencia Artificial que permitan manejar adecuadamente el conocimiento del
dominio. En este sentido, se ha diseñado un modelo computacional inteligente del
comportamiento del clínico, estructurando el sistema que lo soporta en dos bloques de
tareas: un bloque de extracción de características y otro bloque de clasificación.
157


En el primer bloque se realiza la detección y caracterización de la información
relevante contenida en las señales de entrada. Así, a partir de la actividad cerebral se
obtienen sus características de magnitud y de evolución respecto a epochs anteriores; de los
dos canales de EOG registrados se obtiene el número de movimientos oculares, lentos y
rápidos, presentes en cada epoch; y para la señal de EMG se define qué tipo de tono
muscular predomina en el epoch y su duración, la existencia de movimientos aislados, y
cuál ha sido la evolución de la actividad muscular respecto al epoch anterior. Los
procedimientos de extracción de características han sido diseñados tomando como base
otras aproximaciones publicadas y los criterios utilizados por los clínicos que colaboran en
el desarrollo del sistema. El resultado es un conjunto de propiedades simbólicas y
numéricas, que caracterizan el comportamiento de las señales, epoch a epoch, tanto estática
como dinámicamente.
El segundo bloque implementado es el denominado de clasificación. En él se evalúa el
conjunto de evidencias obtenido en el paso anterior, con el fin de decidir qué fase de sueño
debe ser asignada a cada epoch. Siguiendo la estructura de reglas del propio estándar R&K,
la parte principal de este bloque está constituida por un sistema de producción en el que se
han introducido, además de las indicaciones dadas por el paradigma, otras reglas de apoyo y
conocimiento sobre el contexto dinámico o progresión del proceso de sueño. Para efectuar
la selección de la fase de sueño apropiada para cada epoch, se ha diseñado un modelo
específico dividido en tres etapas: establecimiento inicial de hipótesis, para las que se
calculan los correspondientes factores de potencia evidencial; normalización de dichos
factores y selección de la fase con mayor factor positivo; y resolución de conflictos en caso
de resultado múltiple.
Finalmente, se presentan los resultados de forma global mediante la representación
gráfica del hipnograma y otras características básicas, en el marco temporal de la noche
completa, y se facilita la explicación del proceso seguido y la justificación de las
conclusiones obtenidas para cada epoch.

158

en Sueño

Capítulo 7. DIAGNÓSTICO INTELIGENTE DE SAS
El proceso de diagnóstico médico podría resumirse en los siguientes pasos: en primer
lugar se obtienen los datos significativos a partir de la historia del paciente, el examen físico
y los análisis de laboratorio; en segundo lugar, se evalúa la importancia relativa de los
distintos signos y síntomas, ya que algunos datos podrían tener más importancia y otros
menos; en tercer lugar, se revisan los diagnósticos que presenten similitudes con el caso
particular estudiado, hasta que se haga evidente que dicho caso particular encaja en una
categoría diagnóstico definitiva, o que pueda encontrarse entre varios diagnósticos, o
incluso que su naturaleza exacta no pueda ser determinada. Esta es una versión simplificada
del proceso de diagnóstico ya que nadie podría dudar de los complejos procesos de
razonamiento que tienen lugar a la hora de elaborar un diagnóstico [125]. Los tres pasos
con los que se ha resumido el proceso de diagnóstico clínico no son independientes; a la
etapa inicial de recolección secuencial de datos le sigue la interpretación de los mismos, y la
generación de hipótesis sobre la enfermedad, para dirigir la posterior recolección de
información. Los nuevos datos acumulados en cada etapa se añaden al conjunto de
observaciones y se usan para reformular o refinar las hipótesis activas. Este proceso se
repite hasta que una hipótesis alcanza un nivel umbral de certidumbre (bien porque ha sido
probada o bien por que la incertidumbre se ha reducido hasta un nivel satisfactorio). La
mayoría de los clínicos realizan estos procesos sin una metodología claramente definida y es
por ello que estos aspectos están implícitos pero no detallados expresamente [126,127].
Si aplicamos el proceso descrito al problema del diagnóstico del Síndrome de Apneas
del Sueño (SAS), es necesario tener en cuenta en primer lugar la complicación que estriba
del hecho de que el paciente no suele ser consciente de padecer la enfermedad. A partir de
aquí, el primer paso se define mediante un protocolo especializado que implica una
exploración física del paciente, y la evaluación de las manifestaciones que presenta éste
ultimo, a través de cuestionarios publicados o bien elaborados por el propio clínico. En el
segundo paso, se determina si las manifestaciones confirmadas son las que aparecen
normalmente en pacientes con SAS y si estas manifestaciones presentan la importancia
suficiente dentro del conjunto total de manifestaciones. Es en este momento y sobre la
hipótesis de que el paciente presente el SAS, cuando el clínico determina si es necesaria la

159

Capítulo 7. Diagnóstico inteligente de SAS

realización de una prueba polisomnográfica en un laboratorio de sueño. El estudio de los
resultados de la polisomnografía permitirá la confirmación de la hipótesis SAS [128].
La elaboración de un diagnóstico sobre la existencia del Síndrome de Apneas del
Sueño, desarrollado en el subsistema de diagnóstico inteligente de SAS, es el objetivo que se
describe en este capítulo. Este subsistema es el encargado de reunir la información de alto
nivel que proporcionan los demás subsistemas de MIDAS, y de ofrecer un diagnóstico
particularizado para cada paciente, teniendo en cuenta un conjunto de información
contextual, además de la información de alto nivel ya comentada.

7.1. Definición del problema
El objetivo de la tarea llevada a cabo en este módulo es obtener un diagnóstico
adaptado al paciente determinando si presenta el Síndrome de Apneas del Sueño, y en caso
afirmativo especificar el tipo de síndrome apneico que sufre dicho paciente.
El proceso de diagnóstico utiliza como información principal de entrada los
resultados obtenidos en el análisis de la función respiratoria. Estos resultados se resumen
en una serie de intervalos temporales en los que se han identificado posibles eventos
apneicos, las desaturaciones y resaturaciones asociadas, y el comportamiento de las señales
de esfuerzo respiratorio. Entre los elementos contextuales utilizados se hace especial
hincapié en el hipnograma como uno de los elementos más importantes. Su información,
definida como secuencia de fases por las que transcurre el sueño del paciente, permite
determinar el grado de fragmentación del sueño de dicho paciente, y además, la
información unidad definida como la fase asignada a un epoch específico, permite confirmar
o descartar los eventos apneicos identificados. Otros elementos de contexto son la posición
del paciente y la información demográfica correspondiente a la edad, el peso, y la altura. Y
por último, se utiliza también como información de entrada los resultados que proporciona
el módulo de Prescripción Polisomnográfica, que resume las características físicas y las
manifestaciones clínicas del paciente en términos de posibilidad de existencia de SAS.

160

en Sueño

7.2. Desarrollo técnico
El proceso realizado en este subsistema de diagnóstico se divide en dos fases: (1)
correlación de la información de entrada, y (2) integración y diagnóstico. La primera fase se
encarga de organizar la información de alto nivel que ofrecen los módulos previos del
sistema, y proporciona una lista de elementos correlacionados en el tiempo que expresan el
comportamiento de las distintas señales fisiológicas del paciente. La segunda fase está
implementada en un módulo que alberga el conocimiento necesario, el cual permite
obtener un diagnóstico razonado para determinar la existencia de SAS y en caso afirmativo
para indicar su clasificación.
La Figura 7.1 muestra el algoritmo de ejecución del proceso ligado a este subsistema
de diagnóstico. En este algoritmo se distinguen tres etapas bien diferenciadas que se
corresponden con las tres fases de ejecución de todo software: inicio, desarrollo y fin.
Durante la primera fase el proceso de diagnóstico activa, en primer lugar, el proceso ligado
a la interfaz de usuario, que espera una orden de este último indicándole que inicie la
ejecución. Esta orden activa la comprobación de sí los demás subsistemas de MIDAS han
sido ejecutados, en cuyo caso comenzará la segunda fase de ejecución del algoritmo de
diagnóstico. La ausencia de resultados por parte de los módulos de análisis del flujo
respiratorio, y análisis de la señal de SaO2, hacen que el sistema genere un aviso indicando
que no se puede llevar a cabo el proceso ligado al subsistema de diagnóstico, y dé por
finalizada la ejecución de dicho proceso. El resultado de comprobar la existencia de
resultados para el módulo de construcción del hipnograma no detiene la ejecución del
algoritmo, sino que establece ciertos criterios que serán utilizados a la hora de interpretar
los resultados finales de diagnóstico. Si no se dispone de la información del hipnograma,
los índices de apnea/hipopnea estarán calculados de acuerdo al número de horas de
registro y no contando el número de horas de sueño, como ocurre cuando existe dicha
información. En el primer caso, es necesario comprobar si se dispone de los resultados del
análisis del EMG, y continuar así con la ejecución del algoritmo.
En la fase de desarrollo, se lleva a cabo el análisis continuado de los eventos apneicos
resultado del proceso de análisis de la señal de flujo. Para cada uno de estos eventos se
realizan las dos fases que definen el proceso de diagnóstico: correlación de información de
entrada e integración y diagnóstico, fases que serán detalladas en los siguientes epígrafes.

161


Por último, la ejecución entra en la fase final cuando termina de analizar todos y cada
uno de los eventos apneicos. En este momento, el proceso de diagnóstico ordena la
generación de un informe que resume todo el análisis numérico realizado y la generación de
las explicaciones que acompañan el diagnóstico de SAS obtenido y su clasificación.

Iniciar Interfaz
Iniciar Interfaz

Emitir aviso
Emitir aviso

FASE INICIO
FASE INICIO

Analizado
Analizado
Flujo
Flujo

NO

SI

NO

Analizada
Analizada
SaO22
SaO
SI

NO

Analizado
Analizado
EMG
EMG

IAH calculados
IAH calculados
por hora de
por hora de
registro
registro

NO

Analizado
Analizado
Hipnograma
Hipnograma
SI

SI

Obtener evento flujo
Obtener evento flujo

FASE DESARROLLO
FASE DESARROLLO

Fin lista
Fin lista
eventos flujo
eventos flujo

NO

Obtener información
Obtener información
correlacionada con
correlacionada con
evento
evento

Activar Base de
Activar Base de
Conocimiento
Conocimiento

SI

Generar Informe Diagnóstico
Generar Informe Diagnóstico
Generar Informe Numérico
Generar Informe Numérico

FIN
FIN

FASE FIN
FASE FIN

Figura 7.1. Algoritmo básico del proceso de diagnóstico

7.2.1. Correlación de la información de entrada
Dentro del conjunto de información de entrada se distinguen dos tipos: la
información estática y la información temporal. El conjunto de información estática está
constituido por la información demográfica del paciente – peso, altura y edad – y por los
resultados ofrecidos por el módulo de Prescripción Polisomnográfica en términos de
posibilidad de SAS. Mediante la información del peso y de la altura del paciente se calcula el

162

en Sueño

valor del IMC17 para determinar si el paciente es obeso. Si el IMC es mayor o igual a 30
kg/m2 se dice que el paciente es obeso [129].
La información temporal está definida por las señales fisiológicas del paciente – flujo
respiratorio, saturación de oxígeno, esfuerzo respiratorio, posición y EMG – junto con la
información del hipnograma. Esta información temporal está organizada en función de la
información del flujo respiratorio, es decir, esta señal es la que establece los intervalos
temporales en los que es necesario determinar el comportamiento del resto la información
que se ha especificado.
De esta forma, para cada posible evento apneico detectado en el flujo respiratorio, el
proceso secuencial que realiza la correlación de información desarrolla las etapas siguientes:
(1)

Localización de una posible desaturación o resaturación asociada. Las desaturaciones
y resaturaciones relacionadas con eventos apneicos se pueden caracterizar de forma
individualizada comprobando el comportamiento de la señal de SaO2 en los 25
segundos siguientes a la finalización de dicho evento apneico [130,131,132]. Sin
embargo, siguiendo las indicaciones de los expertos colaboradores y para mejorar los
resultados obtenidos, este intervalo ha sido ampliado hasta 30 segundos. Además, se
consideran también como desaturación asociada aquellas cuyo instante de comienzo se
encuentre dentro del intervalo definido por el evento apneico, en caso de que dicho
evento sea de larga duración.

(2)

Caracterización del comportamiento de las señales de esfuerzo torácico y abdominal.

(3)

Obtención de los valores de la señal de posición para el epoch anterior, actual y
posterior al intervalo determinado por la señal de flujo respiratorio. La posición del
paciente se define mediante cuatro valores: decúbito supino (de espalda), decúbito
lateral – derecho e izquierdo -, y decúbito prono. Para cada epoch del registro se
especifica uno de estos cuatro posibles valores mediante las etiquetas que se indican
en la Tabla 7.1. Con estos valores se comprueba si existe o no un cambio de posición
en el intervalo que comprende desde el epoch anterior hasta el epoch posterior al

17

IMC o Índice de masa corporal (ver Capítulo 3).

163


evento apneico. El criterio temporal adoptado está fundamentado en la experiencia
clínica.
ETIQUETA SIMBÓLICA
S
D
I
L
P

POSICIÓN DEL PACIENTE
Decúbito Supino
Decúbito Lateral Derecho
Decúbito Lateral Izquierdo
Decúbito Lateral (sin definir)
Decúbito Prono

Tabla 7.1. Asignación de etiquetas a la señal de posición del paciente para cada epoch

(1)

Análisis del comportamiento de la señal de EMG, para determinar si el tono
muscular se encuentra relajado o contraído. Para establecer este comportamiento se
utiliza la propiedad tipo de tono muscular (ver Capítulo 6).

(2)

Obtención de la información del hipnograma. Se especifica la fase de sueño por la
que transcurre el paciente durante el epoch al que pertenece el evento apneico, así
como los cambios de fase de sueño que se hayan producido entre el epoch
inmediatamente anterior al mencionado y este último.
En la Figura 7.2 se representa gráficamente todo este proceso de correlación de la

información de entrada para la fase de diagnóstico.

164

en Sueño

Datos demográficos

Módulo de Prescripción Polisomnográfica

Obesidad(Peso, Altura) y Edad

Es seguro que el paciente presente el SAS

Flujo respiratorio
…

N

TD

N

i

SaO2

…

RES

DES-RES

…

DES-RES

j

Esfuerzo Torácico

LD

…

j

…

j+30s

N

Presencia

N

Mixto

…

N

i

Mixto

…

j

Esfuerzo Abdominal
…

N

Presencia
i

Posición
…

P

P
Epochi-1

EMG
…

Relajado

j

P
Epochi

S
Epochj

Relajado
i

S
Epochj+1
Relajado

S
Contraído

…
…

j

Hipnograma
…

Sueño Ligero

Epochi-1

Epochi

Sueño Profundo

Sueño Profundo

REM

Sueño Ligero

Epochj

…

segundos

Figura 7.2. Conjunto de información de entrada al subsistema de diagnóstico

7.2.2. Integración y diagnóstico

165


La fase de diagnóstico inteligente de SAS, implementada en el subsistema que se
describe en este apartado, se realiza mediante un sistema de producción. El conocimiento
del sistema se divide en tres islas, cada una de ellas dedicada a resolver una de las siguientes
subtareas: identificación de apneas e hipopneas, clasificación de apneas e hipopneas, y
elaboración del diagnóstico. La base de conocimiento constituida por las tres islas, presenta
la estructura del conocimiento declarativo que aparece representado en la Figura 7.3.
Simbología

Peso
PACIENTE

Clase

Altura

Objeto

Edad

Propiedad

FLUJO RESPIRATORIO
SATURACIÓN DE OXÍGENO
ESFUERZO TORÁCICO

SEÑAL

ESFUERZO ABDOMINAL
POSICIÓN
Epoch

Comportamiento
Tipo

EVENTO APNEICO

Clasificación

PARÁMETROS
N_Eventos

INDICES APNEA/HIPOPNEA

ACTIVIDAD MUSCULAR

Clasificación

Tono Principal

FASE ANTERIOR

FASE DE SUEÑO

PRESCRIPCIÓN POLISOMNOGRÁFICA

Posibilidad de SAS

SAS

CLASIFICACIÓN

SÍNDROME

SAOS

SACS

Figura 7.3. Estructura de clases, objetos y propiedades de la base de conocimiento del módulo de diagnóstico. Los elementos
sombreados pertenecen a la base de conocimiento del módulo de construcción del hipnograma

166

en Sueño

Identificación de apneas e hipopneas
Esta tarea verifica si cada elemento de la lista de posibles eventos apneicos es un
evento real, de tipo apnea o de tipo hipopnea. Para ello se utiliza como conjunto de
evidencias la información del flujo respiratorio, la información del hipnograma, el
comportamiento del EMG, la posición del paciente, y las desaturaciones y resaturaciones
asociadas a cada evento hipótesis (Figura 7.4).

Flujo respiratorio
Hipnograma
EMG
Posición

IDENTIFICACIÓN
DE APNEAS
E HIPOPNEAS

Saturación de
oxígeno
Figura 7.4. Información utilizada en la tarea de identificación de apneas e hipopneas

Para confirmar un evento como apnea, el flujo respiratorio debe reflejar una ausencia
de señal - caracterizada con la etiqueta Totalmente disminuido (TD) en el proceso
correspondiente -, el EMG debe estar relajado, y no puede ocurrir un cambio en la
posición del paciente. La información proporcionada por el hipnograma en este caso no es
relevante, ya que las apneas pueden aparecer en cualquier fase de sueño. Lo único que es
necesario confirmar es que el paciente no se encuentre despierto como consecuencia de
algún evento apneico anterior. Este conocimiento se expresa en forma de regla tal y como
aparece en el siguiente ejemplo:
Si: (1) El flujo de aire está totalmente disminuido
y: (2) No hay cambio de posición
y: (3) El EMG está relajado
y: (4) La fase de sueño no es Vigilia
Entonces: Se confirma un evento de tipo apnea

De la misma forma, aunque exista una ausencia en la señal de flujo respiratorio si el
paciente ha cambiado de posición y el EMG se contrae – generalmente como consecuencia

167


de este cambio de posición -, esta ausencia no se confirma como un evento apneico real.
Una regla ejemplo de esta situación es la siguiente:
Si: (1) El flujo de aire está totalmente disminuido
y: (2) Hay cambio de posición
y: (3) El EMG está contraído
Entonces: Se descarta un evento de tipo apnea

En el caso de las hipopneas, el flujo respiratorio presenta una disminución de más del
50% - caracterizada mediante la etiqueta Claramente disminuido (CD) - y debe aparecer
acompañada de una desaturación/resaturación. Aquí también es necesario que el EMG
aparezca relajado y que la posición el paciente se mantenga. La situación especificada se
traduce en el sistema de producción implementado mediante reglas como la que sigue:
Si: (1) El flujo de aire está claramente disminuido
y: (2) La señal de SaO2 presenta una desaturación
y: (3) No hay cambio de posición
Entonces: Se confirma un evento de tipo hipopnea

Sin embargo, si el hipnograma refleja un cambio de sueño ligero a sueño profundo, la
disminución detectada en el flujo se justifica mediante esta progresión y se descarta la
existencia de una hipopnea. Además, en este caso la desaturación asociada al evento
hipopnea no está presente. La regla siguiente es un ejemplo de una situación de este tipo.
Si: (1) El flujo de aire está claramente disminuido
y: (2) La señal de SaO2 es normal
y: (3) La fase de sueño anterior es sueño ligero
y: (4) La fase de sueño actual es sueño profundo
Entonces: Se descarta un evento de tipo hipopnea

168

en Sueño

Clasificación de apneas e hipopneas
Esta tarea se encarga de clasificar los eventos apneicos confirmados por la tarea
anterior en obstructivos, centrales o mixtos. El conjunto de evidencias está formado por el
evento apneico confirmado, la información relativa al esfuerzo respiratorio en el intervalo
correspondiente a dicho evento, y la información demográfica de peso y altura del paciente,
o lo que es lo mismo, si el paciente es obeso o no (Figura 7.5).

DETECCIÓN
DE APNEAS
E

Esfuerzo Torácico
Esfuerzo Abdominal
Obesidad

CLASIFICACIÓN
DE APNEAS
E HIPOPNEAS

Figura 7.5. Información utilizada en la tarea de clasificación de apneas e hipopneas

Para clasificar un evento como obstructivo es necesario que persista el esfuerzo por
continuar respirando - los esfuerzos torácico y abdominal deben haber sido clasificados
ambos con la etiqueta de Presencia -. Sin embargo, si el paciente es obeso la señal
correspondiente al esfuerzo abdominal suele presentar muy mala calidad y puede dar lugar
a una clasificación equivocada. En estos casos, se obvia la clasificación correspondiente al
esfuerzo abdominal y se toma la decisión de acuerdo al comportamiento del esfuerzo
torácico, tal y como se expresa en la siguiente regla de ejemplo:
Si: (1) El evento apnea está confirmado
y: (2) El Esfuerzo Torácico está presente
y: (3) El Esfuerzo Abdominal está ausente
y: (4) El paciente es obeso
Entonces: Se confirma un evento apnea de tipo obstructivo

169


La clasificación de un evento como central requiere la ausencia de esfuerzo tanto
torácico como abdominal. Es decir, el comportamiento de ambos esfuerzos debe haber
sido clasificado como Ausencia. Lo mismo ocurre en el caso de los eventos mixtos, el
comportamiento debe ser mixto en ambos esfuerzos simultáneamente, tal y como se indica
en el ejemplo siguiente.
Si: (1) El evento hipopnea está confirmado
y: (2) El Esfuerzo Torácico es mixto
y: (3) El Esfuerzo Abdominal es mixto
Entonces: Se confirma un evento hipopnea de tipo mixto

Elaboración del diagnóstico
Como ya se ha comentado, la elaboración del diagnóstico de SAS no es una tarea
sencilla, ya que requiere la evaluación de los resultados obtenidos a partir de la prueba
polisomnográfica, la exploración física del paciente, así como la valoración de los síntomas
que presenta dicho paciente en relación con el síndrome. Estos dos últimos procesos han
sido identificados en este trabajo como los resultados que proporciona el módulo de
Prescripción Polisomnográfica en términos de posibilidad de SAS. La evaluación de los
resultados de la prueba polisomnográfica se realiza a través del número de eventos apneicos
confirmados y clasificados, incluyendo como elemento contextual la edad del paciente.
Toda esta información constituye el conjunto de evidencias disponible que permite, en esta
tarea, elaborar un diagnóstico particularizado, determinando el tipo de síndrome apneico
que sufre el paciente (Figura 7.6).

170

en Sueño

CLASIFICACIÓN
DE APNEAS
E HIPOPNEAS

MÓDULO
PRESCRIPCIÓN
POLISOMNOGRÁFICA

ELABORACIÓN
DIAGNÓSTICO
DE SAS
Y CLASIFICACIÓN

Edad
Figura 7.6. Información utilizada en la tarea de elaboración del diagnóstico

La tarea de elaboración del diagnóstico de SAS comienza determinando si el paciente
sufre el síndrome. Para ello y a partir de los eventos previamente detectados, se calcula el
índice de Apnea/Hipopnea según la ecuación:

IAH =

∑ eventos _ apnei cos
h

[Ec. 7.1]

donde
eventos_apneicos es la suma de apneas e hipopneas confirmadas y clasificadas
h es el número de horas de sueño obtenido a partir de la información del hipnograma
Muchos autores afirman que el diagnóstico de SAS implica la existencia de un IAH
mayor de 15 por hora de sueño[133, 35, 48, 134]. Sin embargo, este criterio por sí solo no
implica que el síndrome esté presente [135]. En este trabajo se utiliza un umbral dinámico
basado en la edad para fijar un valor límite del IAH por encima del cual se verifica el SAS.
Con esta información y los resultados del módulo de Prescripción Polisomnográfica se
obtiene un diagnóstico, tal y como se indica en la siguiente regla:
Si: (1) El índice de Apnea/Hipopnea es mayor o igual a 10
y: (2) La posibilidad de SAS es segura
y: (3) La edad del paciente se considera avanzada
Entonces: Se confirma el Síndrome de Apneas del Sueño

171


Una vez determinada la existencia del síndrome se realiza su clasificación para lo que
es necesario recalcular el IAH teniendo en cuenta la clasificación de los distintos eventos
apneicos confirmados. Es poco frecuente que aparezca solamente un tipo de evento
apneico en un paciente, por ello el predominio de alguno de ellos determina la clasificación
del Síndrome de Apneas del Sueño [136]. Sin embargo, esta clasificación se realiza teniendo
en cuenta las siguientes consideraciones.
En el caso de los eventos mixtos, desde el punto de vista del diagnóstico clínico y
según la experiencia del experto, este tipo de eventos no presenta ningún tipo de
diagnóstico específico. Además, tomando como base los estudios que se realizan en el
centro de referencia, el número de apneas mixtas que aparecen por estudio de sueño suele
ser muy pequeño. Por estas razones a la hora de calcular los índices de Apnea/Hipopnea
según su clasificación, los eventos mixtos se consideran como parte de los eventos
obstructivos.
En el caso de los eventos centrales, si el número de este tipo de eventos es reducido
frente al número de eventos obstructivos – el número de eventos centrales representa un
porcentaje menor del 20% con respecto a los eventos obstructivos -, se puede concluir que
los eventos centrales detectados no provienen de la existencia de un Síndrome de Apneas
Centrales del Sueño, y se toman como eventos obstructivos. La clasificación central
obtenida puede ser debida a fallos en el registro de las señales de esfuerzo respiratorio. Si
por el contrario el número de eventos centrales es superior al número de eventos
obstructivos – representa más del 75% de estos últimos -, y el paciente es obeso y ronca,
entonces es necesario indicar que el paciente sufre apneas centrales que necesitan ser
revisadas por parte del clínico, ya que no se trata de una situación normal. Estas
consideraciones se han añadido como conocimiento al sistema y aparecen expresadas en
reglas como el ejemplo que se muestra a continuación:
Si: (1) La relación eventos centrales / eventos obstructivos es mayor o igual a 0,75
y: (2) El paciente es obeso
y: (3) El paciente es roncador
Entonces: Se confirma el Síndrome de Apneas Centrales del Sueño y se aconseja la revisión del paciente

172

en Sueño

El caso más frecuente en los pacientes con SAS es que la mayoría de los eventos
detectados sean obstructivos y por lo tanto el paciente presente el Síndrome de Apneas
Obstructivas del Sueño (SAOS). En este caso las reglas implementadas son como el
ejemplo que aparece a continuación.
Si: (1) El índice de Apnea/Hipopnea obstructivas es mayor o igual a 10
y: (2) La posibilidad de SAS es segura
y: (3) La edad del paciente se considera avanzada
Entonces: Se confirma el Síndrome de Apneas Obstructivas del Sueño

Como información adicional se incluyen los datos relativos a los índices calculados
para el sueño REM y el sueño NREM, así como el número de eventos apneicos obtenidos
por hora de registro.

Clasificación posicional y definición de categorías posicionales
Existen varios estudios llevados a cabo para examinar la relación entre la posición del
paciente y el sueño. La mayor parte de estos estudios demuestran que el decúbito supino
afecta al sueño y que puede agravar el Síndrome de Apneas Obstructivas del Sueño. Se han
realizado estudios polisomnográficos en posición no-supino de los que no se ha podido
concluir que el paciente presente el SAOS, a pesar de la existencia de un historial de dicho
paciente que sugiere la presencia del síndrome de forma contundente. Por estas razones se
recomienda incluir información sobre la posición del paciente para no subestimar la
gravedad del SAOS en pacientes con apneas dependientes de la posición. Todo esto nos
lleva a incorporar al proceso de diagnóstico una clasificación del Síndrome de Apneas
Obstructivas del Sueño desde el punto de vista de la posición, como herramienta de ayuda
al clínico a la hora de elegir un tratamiento específico. Una vez que se ha confirmado la
existencia de SAS y se ha clasificado como obstructivo, se procede a determinar si se trata
de un síndrome posicional o no-posicional [137,138,139,140].
Para realizar la clasificación de eventos apneicos de acuerdo a la posición del paciente
se agrupan los cuatro posibles valores de la posición en dos clases: decúbito supino (sobre
la espalda) y no-supino (en cualquier otra posición de las posibles), y se definen dos
parámetros posicionales: el índice de apnea/hipopnea para las posiciones no-supino
(IAHNS) y el índice de apnea/hipopnea para la posición supino (IAHS). La definición de las
173


categorías posicionales – SAOS posicional y SAOS no posicional – se basa en la relación
entre ambos parámetros, tal y como se representa en la Tabla 7.2. Así, un paciente se
asignará al grupo posicional cuando la relación
cumple que 0.5 <

IAH NS
≤ 2.0
IAH S

IAH NS
≤ 0.5
IAH S

sea cierta. Por el contrario, si se

entonces el paciente se asignará al grupo no posicional [141].
TABLA DE ASIGNACIÓN DE CATEGORÍAS
POSICIONALES

SAOS POSICIONAL ⇔

IAH NS
≤ 0.5
IAH S

SAOS NO _ POSICIONAL ⇔ 0.5 <

IAH NS
≤ 2.0
IAH S

[Ec. 7.2]

[Ec. 7.3]

Tabla 7.2. Definición de las categorías de SAOS posicional

Por consiguiente, aunque el IAH para las posiciones no-supino sea hasta dos veces
mayor que el IAH para la posición supino, el paciente sigue siendo clasificado en el grupo
no posicional. Sólo cuando esta relación sea mayor que 2, se considera la posibilidad de un
efecto posicional contrario [141].
En este apartado se ha descrito el desarrollo seguido para ofrecer un diagnóstico
particularizado y su clasificación de acuerdo al tipo de eventos apneicos detectados y la
posición del paciente. Este desarrollo comienza con la integración de la información
resultado de los restantes módulos del sistema, determina en una segunda etapa la validez
de los eventos detectados y su clasificación, para terminar con la evaluación de toda la
información sobre el contexto del paciente en estudio.

7.3. Salidas del módulo
El sistema de producción implementado proporciona una explicación, estructurada
en dos niveles de detalle, a partir de los resultados obtenidos. El mecanismo de
construcción de explicaciones está basado en la traducción al lenguaje natural de las reglas
ejecutadas durante el proceso de razonamiento. En el primer nivel de explicación se incluye
la identificación y clasificación de cada evento, justificando para cada uno su aceptación o
rechazo como evento apneico – apnea o hipopnea – real así como el proceso que ha

174

en Sueño

llevado a una determinada clasificación. El informe que proporciona el sistema, como
resultado de esta explicación aparece representado en la Figura 7.7. En el segundo nivel de
explicación, más general, se justifica el diagnóstico del síndrome obtenido. Esta explicación
incluye el resultado del cálculo de los IAH, el reajuste del número de los distintos tipos de
eventos apneicos para obtener una clasificación única, y el resultado de la clasificación del
síndrome desde el punto de vista posicional. La Figura 7.8 muestra un ejemplo de los
resultados obtenidos por el sistema para este nivel de explicación.
En este apartado también se incluyen un conjunto de datos numéricos que resumen
los resultados de la prueba polisomnográfica, y justifican el razonamiento expuesto en las
explicaciones del proceso de integración y diagnóstico. La Figura 7.9 muestra un ejemplo
ofrecido por el sistema con este tipo de información numérica.

175


(

Figura 7.7. Informe proporcionado por el sistema con las explicaciones para la deteción y clasificación de eventos apneicos

176

en Sueño

Figura 7.8. Informe proporcionado por el sistema con los resultados del diagnóstico obtenido

177


Figura 7.9. Informe proporcionado por el sistema con los resultados numéricos obtenidos

7.4. Resumen
En este capítulo se describe el subsistema encargado de obtener un diagnóstico
adaptado al paciente sobre el tipo de síndrome apneico que sufre. El proceso de
diagnóstico utiliza como información de entrada la serie de intervalos temporales en los
que se han identificado posibles eventos apneicos, con las desaturaciones y resaturaciones

178

en Sueño

asociadas, y las etiquetas correspondientes al comportamiento de las señales de esfuerzo
respiratorio. Como elementos contextuales se utilizan el hipnograma, la posición del
paciente; información demográfica del tipo edad, peso, y altura; así como el resultado que
proporciona el módulo de Prescripción Polisomnográfica.
El módulo de diagnóstico se ha implementado mediante un sistema de producción
basado en reglas, en el que el conocimiento se ha estructurado en tres islas, cada una de
ellas dedicada a resolver una de las siguientes subtareas: identificación de las apneas e
hipopneas, clasificación de apneas e hipopneas, y elaboración del diagnóstico.
Esta última tarea determina si el paciente sufre el Síndrome de Apneas del Sueño, y
en caso afirmativo obtiene su clasificación en función de los distintos tipos de eventos
apneicos detectados y de la posición del paciente.

179

en Sueño

CAPITULO 8. VALIDACIÓN Y RESULTADOS
Las aproximaciones más tradicionales para la validación de sistemas se basan,
normalmente, en la comparación de los resultados alcanzados por tales sistemas con lo que
se ha dado por llamar un estándar de oro [cxlii]. Sin embargo, en ciertos dominios no siempre
es fácil establecer este estándar de comparación. Este es el caso de un sistema desarrollado
para la Monitorización de Apneas del Sueño. En este terreno, la opinión de los expertos
varía enormemente incluso cuando ellos mismos se enfrentan en distintas ocasiones al
mismo caso. Esta variación en las opiniones de los expertos puede atribuirse a distintas
causas: (a) la medicina es básicamente una ciencia no determinista, (b) factores como la
tensión o el agotamiento pueden influir en el proceso de interpretación llevado a cabo por
el clínico, y (c) es posible tomar decisiones equivalentes aunque no idénticas para resolver el
mismo problema.
En las situaciones en las que no existe un estándar de comparación, es posible
aplicar métodos que facilitan el proceso de validación basados en la comparación del
sistema con un grupo de expertos, cuando cada uno de ellos se enfrenta de forma
independiente al mismo problema. Estos métodos tienen como objetivo analizar el nivel de
acuerdo entre los expertos y el sistema, y localizar a éste último dentro del grupo de
expertos humanos.
A continuación se describirá el proceso seguido para la validación del sistema en
cuanto a la identificación de eventos apneicos, clasificación de los mismos, detección de
desaturaciones y/o resaturaciones, construcción del hipnograma, y por último, la
elaboración de un diagnóstico con su correspondiente clasificación.

8.1. Agentes de la validación
En la validación del sistema MIDAS se han considerado dos aspectos principales. Por
un lado, se determinará el acuerdo obtenido con el experto humano, y por otro lado, se
concluirá si se mejoran o no los resultados proporcionados por el sistema comercial αSomnostar. El experto es responsable de los Trastornos Respiratorios del Sueño desde el

181

Capítulo 8. Validación y Resultados

año 1984, en el Hospital Juan Canalejo de La Coruña. El sistema α-Somnostar se ha
utilizado como elemento de adquisición de los datos sobre los que MIDAS ha realizado su
análisis.
Para realizar la validación, se preparó un paquete de datos con los registros obtenidos
en el citado Hospital, que se suministró al experto y sobre los que se ejecutó el programa
comercial, señalando como datos de interés en esta fase de validación los que aparecen en
la tabla siguiente.
ELEMENTOS ESTABLECIDOS EN LA VALIDACIÓN
Detección e identificación de eventos apneicos – apneas e hipopneas -, para cada registro
Clasificación de cada evento detectado como obstructivo, central o mixto
Detección de desaturaciones y/o resaturaciones en todo el registro
Construcción del hipnograma completo, o en su defecto, asignación de fases de sueño a
cierto número de epochs del registro
Evaluación global del registro y elaboración de un diagnóstico particularizado para cada
paciente
Tabla 8.1. Aspectos contemplados en el proceso de validación

En total se analizaron 2819 minutos de registros polisomnográficos correspondientes
a 7 pacientes distintos.
Posteriormente, el sistema analizó estos mismos registros para producir sus
resultados siguiendo un esquema similar al solicitado al experto y al que produce el sistema
comercial, de forma que fuesen comparables. De este modo, se generaron los conjuntos de
datos necesarios para la validación.

8.2. Método de validación
Para realizar la validación del sistema se compararon uno a uno, cada uno de los
datos solicitados al experto y recogidos de la ejecución del sistema comercial, con los
mismos datos proporcionados por MIDAS, de modo que la evaluación se realizó para cada
elemento de la lista especificada en la Tabla 8.1, por separado. Otra posibilidad habría sido
realizar la validación sobre la interpretación final que el sistema proporciona sobre los

182

en Sueño

resultados de la prueba polisomnográfica. Sin embargo, esta aproximación habría
enmascarado fallos en las tareas de detección y clasificación de los eventos apneicos, tanto
cometidos por el sistema como por el experto, al ser posible alcanzar un diagnóstico
equivalente aún con distinta información de partida. Además, tampoco sería posible
contrastar los resultados obtenidos en la construcción del hipnograma.
A continuación se describen brevemente las medidas utilizadas en el análisis
comparativo MIDAS – experto – sistema comercial. Para la obtención de los valores de todas las
medidas implicadas se utilizó la herramienta de validación de sistemas inteligentes
SHIVA® [cxliii,cxliv,cxlv], desarrollada por miembros del Laboratorio de Investigación y
Desarrollo en Inteligencia Artificial (LIDIA) de la Universidad de A Coruña.

8.2.1.

Medidas

utilizadas

en

el

análisis

comparativo

sistema/experto/sistema comercial
El porcentaje de acuerdo
El porcentaje de acuerdo [cxlvi] es un método de validación cuantitativo basado en el
análisis estadístico, que compara las conclusiones alcanzadas por el sistema inteligente y los
expertos del dominio. Esta medida constituye una técnica muy simple en la que se calcula
un índice de acuerdo como
k

P0 =

∑n

ij

i= j

N

[Ec. 8.1]

donde
N es el número total de casos considerados
k es el número de categorías de clasificación
nij

es el número de casos donde un experto clasificó el caso en la categoría i y el
segundo experto lo hizo en la categoría j

El porcentaje de acuerdo toma valores en el intervalo [0,1], en el que la unidad
representa el acuerdo completo y el cero el desacuerdo completo, y su valor no se ve
afectado por variaciones en el orden de las categorías.

183


La medida Kappa y Kappa ponderada
El estadístico kappa [cxlvii,cxlviii] es una medida de acuerdo entre cada par de
expertos, que introduce un ajuste eliminando del porcentaje de acuerdo aquel que puede ser
debido a la casualidad. El acuerdo esperado debido a la casualidad aumenta, hasta cierto
punto, con el número de observaciones que se encuentran en una categoría. Por lo tanto, el
coeficiente kappa no será necesariamente alto si la mayoría de las observaciones caen
dentro de una misma categoría. El estadístico kappa se define como:
k=

p0 − p c
1 − pc

[Ec. 8.2]

donde
p0

es la proporción de acuerdo observado

pc

es la proporción de acuerdo esperado debido a la casualidad

Landis y Koch [cxlix] han caracterizado los distintos rangos de los valores del
estadístico kappa para su interpretación. Un valor de +1.00 de este estadístico indicará un
acuerdo total y un valor de 0.00 indicará que el acuerdo se debe por completo a la
casualidad. Los valores negativos se obtendrán sólo cuando el acuerdo entre los expertos
sea menor incluso que el acuerdo esperado por la casualidad. Los valores mayores de 0.75
indican un nivel de acuerdo excelente, los valores entre 0.40 y 0.75 muestran un acuerdo de
bastante bueno a bueno, y los valores por debajo de 0.40 indican un acuerdo bastante
pobre, más allá del cual, el acuerdo podría deberse simplemente a la casualidad, o a una
casuística poco representativa.
Kappa ponderada (kw) fue desarrollada por Cohen y es una medida de acuerdo que
corrige aquellos acuerdos debidos a la casualidad, y pondera de forma distinta los
desacuerdos encontrados. La ponderación de los distintos desacuerdos se hace a partir de
una matriz de pesos en la que, para cada posible par de categorías ij, se define un peso vij,
que cuantifica el desacuerdo existente. El coeficiente kappa ponderada se calcula a partir de
la siguiente ecuación:
kw = 1 −

qo'
qc'

[Ec. 8.3]

184

en Sueño

donde
q’o

es la proporción de desacuerdo observado ponderado

q’c

es la proporción de desacuerdo debido a la casualidad ponderado

Índices de acuerdo
Los índices de acuerdo se encargan de medir el acuerdo existente entre un experto (o
sistema) y una referencia estándar. Dicha referencia puede ser un consenso existente entre
los expertos o la solución real al problema planteado.
El cálculo de los índices de acuerdo se basa en la construcción de una tabla de
contingencia 2 × 2 para cada una de las categorías que se quieren contrastar, tal y como se
indica en la Tabla 8.2. En esta tabla se relacionan los resultados del experto (o sistema) con
los resultados de la referencia estándar para esa categoría en particular [cl].
REFERENCIA ESTÁNDAR
D
¬D
a
c

b
d

a+c

SISTEMA

D

b+d

¬D

Tabla 8.2. Tabla de contingencia para el cálculo de los índices de acuerdo. D representa una determinada categoría, mientras que
¬D representa cualquier otra categoría que no sea D

A partir de la tabla de contingencia es posible calcular relaciones, derivadas de los
números obtenidos en ella, que permiten caracterizar con más detalle el rendimiento de los
resultados obtenidos por el sistema. Si se define:

•

VP (a) como el número de verdaderos positivos o casos que pertenecen a una categoría y
han sido clasificados como pertenecientes a la misma.

•

FP (b) como el número de falsos positivos o casos que no pertenecen a una categoría y

•

FN (c) como el número de falsos negativos o casos que pertenecen a una categoría y no

•

VN (d) como el número de verdaderos negativos o casos que no pertenecen a una categoría
y no han sido clasificados como pertenecientes a la misma.

185


Las relaciones más utilizadas son:
Sensibilidad (S), definida por la relación entre el número de casos correctamente
clasificados dentro de una categoría y el número total de casos de esa categoría. Indica la
proporción de los casos positivos correctamente clasificados.
S=

VP
VP + FN

[Ec. 8.4]

Especificidad (E), dada por la relación entre el número de casos correctamente
clasificados como no pertenecientes a una determinada categoría y el número de casos que
no pertenecen a esa categoría. Da una idea de cuántos de los casos clasificados como no
pertenecientes a una clase, realmente no pertenecen a ella.
E=

VN
FP + VN

[Ec. 8.5]

Valor Predictivo Positivo (VPP), definida por la relación entre el número de casos de
una categoría correctamente clasificados y el número total de casos clasificados,
correctamente o no, dentro de dicha categoría. Proporciona una idea de cuantos de los
casos clasificados como pertenecientes a una categoría realmente pertenecen a ella.
VPP =

VP
VP + FP

[Ec. 8.6]

Valor Predictivo Negativo (VPN), dada por la relación entre el número de casos
correctamente clasificados como no pertenecientes a una determinada categoría y el
número de casos clasificados, correctamente o no, fuera de esa categoría. Indica la
proporción de casos clasificados como no pertenecientes a una categoría que realmente no
pertenecen a ella.
VPN =

VN
VN + FN

[Ec. 8.7]

Precisión (P), definida por la relación entre el número de casos correctamente
clasificados y el número total de casos.
P=

VP + VN
VP + FP + VN + FN

[Ec. 8.8]

186

en Sueño

Dentro de este grupo de medidas, también se utiliza la denominada medida de
Jaccard que se define como
J=

VP
VP + FP + FN

[Ec. 8.9]

La medida de Jaccard elimina tanto del numerador como del denominador, el
número de casos en los que el experto y el estándar no han diagnosticado la categoría
considerada. Esta medida es muy útil para medir acuerdos en aquellas situaciones en las que
resultan más importantes los resultados positivos que los negativos.
Con este conjunto de medidas se evaluarán los resultados obtenidos por el experto
clínico, el sistema comercial y el sistema MIDAS, sobre los datos de prueba.

8.3. Resultados
8.3.1. Detección e identificación de eventos apneicos
Los conceptos que se evalúan en este apartado son la detección de posibles
anormalidades respiratorias sobre la señal de flujo de aire por un lado, y la identificación de
estos posibles eventos como apneas o hipopneas por otro. El término posible se utiliza para
indicar que estos eventos tendrán que ser confirmados posteriormente utilizando la
información correspondiente a las demás señales relativas a la respiración del paciente, así
como la información de otros elementos contextuales (ver Capítulo 7).
Del conjunto de pacientes evaluados, se han obtenido los resultados que se indican
en las Tablas 8.3, 8.4, y 8.5, de acuerdo a la detección de posibles anormalidades
respiratorias, en dónde E indica la presencia de un evento y ¬E indica la ausencia de un
evento.
MIDAS
E
EXPERTO

E
¬E

0,671
0,129

¬E
0.077
0,123

Tabla 8.3. Medidas de acuerdo entre el experto y MIDAS para la detección de anormalidades respiratorias

187


SISTEMA COMERCIAL
E
¬E
E

EXPERTO

¬E

0,678
0,164

0,070
0,088

Tabla 8.4. Medidas de acuerdo entre el experto y el sistema comercial para la detección de anormalidades respiratorias

SISTEMA COMERCIAL
E
¬E
E

MIDAS

¬E

0,667
0,176

0,134
0,024

Tabla 8.5. Medidas de acuerdo entre MIDAS y el sistema comercial para la detección de anormalidades respiratorias

En la Figura 8.1 aparecen representados los valores obtenidos para el porcentaje de
acuerdo y la medida kappa, para las combinaciones de pares entre experto, MIDAS y sistema
comercial (SC).

0,766

0,794
0,691
0,413

Acuerdo
observado
Medida
Kappa

0,292
-0,050
ida
/M
SC
s

s
ida
/M
rto
pe
Ex

C
/S
rto
pe
Ex

0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
-0,1

Figura 8.1. Medidas de pares frente a los pares de comparación para las medidas kappa y % de acuerdo en la detección de
posibles anormalidades respiratorias

188

en Sueño

En la Tabla 8.6 se muestran los valores obtenidos para las relaciones definidas
mediante los índices de acuerdo, analizadas para MIDAS y el sistema comercial, tomando
como referencia estándar las opiniones del experto clínico.

MIDAS
SISTEMA COMERCIAL

%S
89,7
90,7

POSIBLE ANORMALIDAD RESPIRATORIA
%E
%VPP %VPN
%P
%JACCARD
48,8
83,9
61,4
79,4
76,5
34,9
80,5
55,7
76,6
74,4

Tabla 8.6. Medidas de rendimiento en la detección de posibles anormalidades respiratorias

En el proceso de validación respecto a la identificación de estos eventos como
apneas o hipopneas, se consiguieron los resultados indicados en las Tablas 8.7 y 8.8. En
este caso A indica la identificación de una apnea, H la identificación de una hipopnea y NA
la ausencia de identificación. Nótese aquí el mayor poder discriminante de MIDAS en
relación a la identificación de hipopneas.

EXPERTO

A
H
NA

A
0,539
0,012
0,045

MIDAS
H
NA
0,081 0,054
0,040 0,023
0,084 0,123

Tabla 8.7. Medidas de acuerdo entre el experto y MIDAS para la identificación de apneas e hipopneas

EXPERTO

A
H
NA

SISTEMA COMERCIAL
A
H
NA
0,616 0,004 0,054
0,027 0,033 0,016
0,141 0,023 0,088

Tabla 8.8. Medidas de acuerdo entre el experto y el sistema comercial para la identificación de apneas e hipopneas

189


La Figura 8.2 muestra los resultados obtenidos para el porcentaje de acuerdo, y las
medidas kappa y kappa ponderada en las comparaciones de pares realizadas.

0,8

0,736

0,701

0,7

0,592

0,6

0,571
Acuerdo observado
Medida Kappa
Kappa ponderada

0,5
0,4
0,3

0,44

0,384
0,366

0,191
0,169

0,2
0,1
Experto/SC

Experto/Midas

SC/Midas

Figura 8.2. Medidas de pares frente a los pares de comparación para las medidas kappa, kappa ponderada y % respecto a la
identificación de apneas e hipopneas

mediante los índices de acuerdo, analizadas tomando como referencia estándar las
opiniones del experto clínico.

APNEAS

SISTEMA COMERCIAL

%E
82,7

%VPP
90,5

%VPN
66,7

%P
80,8

%JACCARD
73,8

HIPOPNEAS

MIDAS

%S
80,0
53,2

82,2

19,4

95,5

80,0

16.6

APNEAS
HIPOPNEAS

91,4
43,5

48,7
97,1

78,6
55,1

73,3
95,5

77,5
93,1

73,2
32,1

Tabla 8.9. Medidas de rendimiento en la identificación de apneas e hipopneas

Es necesario señalar que, cuando un experto no señala un evento de este tipo no
significa expresamente que rechace su existencia, sino simplemente, que no lo detecta. Sería
necesario solicitar al experto humano que revisase todos aquellos casos en los que, al
menos una de las dos opiniones restantes (sistema comercial o MIDAS) indiquen la
presencia de un evento, y explícitamente mostrase su acuerdo o desacuerdo con la
identificación.

8.3.2. Clasificación de eventos apneicos

190

en Sueño

La validación de los datos que conciernen a la clasificación de los eventos apneicos se
realizó sobre todos aquellos eventos detectados por el experto, el sistema comercial y por el
sistema MIDAS. Los resultados en términos de porcentajes de acuerdo y medidas kappa se
representan en la siguiente figura.

0,9
0,8

0,759

0,769
0,748

0,7

Acuerdo
observado
Medida Kappa

0,6
0,5

0,423

0,4
0,3
0,2
0,1

0,235

0,378

Kappa
ponderada

0,233
0,218

0,217

0
Experto/SC

Experto/Midas

SC/Midas

Figura 8.3. Medidas de pares frente a los pares de comparación para las medidas kappa, kappa ponderada y % respecto a la
clasificación de eventos apneicos

mediante los índices de acuerdo, analizadas tomando como referencia estándar las
opiniones del experto clínico.

EVENTOS OBSTRUCTIVOS

SISTEMA
COMERCIAL

%E
52,0

%VPP
85,3

%VPN
56,6

EVENTOS CENTRALES

20,7

96,5

26,1

95,3

92,2

13,0

EVENTOS MIXTOS

MIDAS

%S
87,5

%P %JACCARD
79,0
76,1

50,0

89,8

52,2

88,7

82,5

34,3

EVENTOS OBSTRUCTIVOS
EVENTOS CENTRALES
EVENTOS MIXTOS

90,8
10,3
27,7

30,1
99,0
90,7

80,5
37,5
40,0

50,7
94,9
84,9

76,3
94,0
79,2

74,5
8,8
19,5

Tabla 8.10. Medidas de rendimiento en la clasificación de apneas e hipopneas (eventos) como obstructivas, centrales o mixtas

191


8.3.3 Análisis de la señal de SaO2
La validación de las desaturaciones18 encontradas en la señal de Saturación de
oxígeno es quizás la más sencilla debido a las características de dicha señal. En este caso no
contamos con los resultados del sistema comercial, ya que éste no realiza un análisis de
desaturaciones sobre la señal de SaO2. Los datos obtenidos como resultado de esta
validación son los que se muestran en la Tabla 8.11 en forma de porcentajes de acuerdo.
EXPERTO
DESATURACIÓN
MIDAS

¬DESATURACIÓN

DESATURACIÓN

0,693

0,148

¬DESATURACIÓN

0,158

0,00

Tabla 8.11. Porcentajes de acuerdo para la detección de desaturaciones

Al contar con una única categoría de clasificación, el porcentaje de FN no se puede
establecer, y el coeficiente kappa proporciona un valor que no sirve como referencia. La
proporción de acuerdo obtenida es de un 69,3%, el valor de sensibilidad es de un 82,4%, el
VPP de un 81,41%, y la medida de Jaccard de un 69,3%.

8.3.4. Obtención del hipnograma
La validación del rendimiento del sistema MIDAS respecto a la obtención del
hipnograma del paciente se ha realizado sobre 848 minutos de registro (1695 epochs),
pertenecientes a dos pacientes de registros considerablemente distintos: uno sufre SAS
severo, con sueño muy fragmentado, y con tratamiento de CPAP durante gran parte de la
noche; el otro permanece despierto más de la mitad del tiempo de registro, entrando luego
en un proceso de sueño normal. Además, es necesario resaltar que: (1) el experto no
pertenece a la rama de Neurofisiología y su revisión sobre la clasificación de fases de sueño
es limitada; (2) los resultados ofrecidos por el sistema comercial han sido criticados por
Neurofisiólogos pertenecientes al entorno de la Unidad de Sueño de referencia, y
calificados como de incompletos e inadecuados. En algunos casos han sido construidos

18

Con el término desaturación se hace referencia a los patrones detectados que contienen una

desaturación y/o una resaturación, tal y como se han definido en el Capítulo 5.

192

en Sueño

asignando una misma fase de sueño a todo el registro. Por lo tanto, la validación de este
módulo se ha realizado teniendo en cuenta únicamente los resultados del experto y del
sistema MIDAS.
Las tablas 8.12 a 8.16 muestran los valores de acuerdo (VP, VN, FP, y FN) obtenidos
para la clasificación de fases de sueño de estos pacientes.
EXPERTO
VIGILIA

346

¬VIGILIA
237

¬VIGILIA

212

900

VIGILIA
MIDAS

Tabla 8.12. Valores de acuerdo para la clasificación de la fase de Vigilia

EXPERTO
FASE 1
¬FASE 1
MIDAS

FASE 1

69

286

¬FASE 1

88

1252

Tabla 8.13. Valores de acuerdo para la clasificación de la fase 1

EXPERTO A
FASE 2
¬FASE 2
MIDAS

FASE 2

66

146

¬FASE 2

194

1289

Tabla 8.14. Valores de acuerdo para la clasificación de la fase 2

EXPERTO
SUEÑO PROFUNDO

233

¬SUEÑO PROFUNDO
68

¬ SUEÑO PROFUNDO

255

1139

SUEÑO PROFUNDO
MIDAS

Tabla 8.15. Valores de acuerdo para la clasificación de la fase Sueño profundo

EXPERTO A
FASE REM

¬FASE REM

193


MIDAS

FASE REM

155

89

¬FASE REM

77

1374

Tabla 8.16. Valores de acuerdo para la clasificación de la fase REM

La siguiente figura presenta los resultados obtenidos para las medidas kappa, kappa
ponderada y el porcentaje de acuerdo, obtenidos a partir de los índices de las tablas
anteriores. (Tablas 8.12 a 8.16).

0,6
0,55
0,5

0,561
0,513

0,45
0,4
0,35
0,3

0,373

Acuerdo observado
Medida Kappa
Kappa ponderada

0,25
0,2
0,15
0,1

Figura 8.4. Medidas kappa, kappa ponderada, e índice de acuerdo para el par experto- MIDAS

Si las fases de sueño 1 y 2 se agrupan bajo el concepto de Sueño Ligero, los
resultados, en general, mejoran ligeramente, como se puede apreciar en la Figura 8.5.

194

en Sueño

0,7

0,584

0,6

0,556
0,5

Acuerdo observado

0,394

Medida Kappa
Kappa ponderada

0,4

0,3
0,2

0,1

Figura 8.5. Medidas kappa, kappa ponderada, e índice de acuerdo para el par experto - MIDAS, agrupando las fases 1 y 2 en
una misma categoría

Las medidas que expresan los índices de acuerdo entre el sistema y el experto para
cada una de las categorías consideradas, aparecen resumidas en la Tabla 8.17.

VIGILIA

FASE 1
FASE 2
SUEÑO PROFUNDO
FASE REM

%S
62,0
43,9
25,4
47,7
66,8

%E
79,2
81,4
89,8
94,4
93,9

%VPP
59,3
19,4
31,1
77,4
63,5

%VPN
80,9
93,4
86,9
81,7
94,7

%P
73,5
77,9
79,9
80,9
90,2

%JACCARD
43,5
15,6
16,3
41,9
48,3

Tabla 8.17. Medidas de rendimiento en la clasificación de fases de sueño

8.3.5. Interpretación y diagnóstico
El proceso de validación se repitió para comprobar la obtención del diagnóstico final
para cada uno de los pacientes estudiados. En este caso, al igual que en el epígrafe anterior,
solamente se dispone de la opinión del experto y del sistema MIDAS, puesto que el sistema
comercial carece de la posibilidad de ofrecer un diagnóstico. Además, los datos se reducen
hasta el nivel de paciente con lo que el número de casos disponible es relativamente bajo, y
la casuística disponible solamente hace referencia a pacientes con Síndrome de Apneas

195


Obstructivas del Sueño (SAOS). La proporción de acuerdo obtenido es del 100% y el valor
del coeficiente kappa es de 1.00. La Tabla 8.18 muestra los resultados de los porcentajes de
acuerdo entre el experto y el sistema MIDAS para el diagnóstico del SAOS.
EXPERTO
SAOS
MIDAS

SAOS
¬SAOS

71,4%
0,0%

¬SAOS
0,0%
28,6%

Tabla 8.18. Porcentajes de acuerdo obtenidos para el diagnóstico del SAOS. VP: izquierda y arriba, FP: derecha y arriba,
VN: derecha y abajo, FN: izquierda y abajo

8.4. Conclusiones sobre la validación del sistema
Los resultados de la validación corroboran unos niveles aceptables para el sistema
MIDAS, que están al mismo nivel que los que producen los expertos humanos en una tarea
tan compleja como es el diagnóstico del Síndrome de Apneas del Sueño, en la que hay
implícita una alta dosis de intuición y, por lo tanto, de subjetividad, de modo que su análisis
más parece un arte que una ciencia.
Los resultados obtenidos en el proceso de detección e identificación de eventos
apneicos indican unos niveles de acuerdo entre experto, sistema comercial y MIDAS
bastante similares. Los valores correspondientes al acuerdo en señalar la ausencia de un
evento no pueden considerarse significativos, ya que en estos valores no se incluyen todos
los eventos para los que tanto experto como sistema comercial y MIDAS han determinado
explícitamente ausencia de evento. Los elevados niveles de acuerdo entre ambos expertos se
justifican en parte por el método utilizado por el experto para obtener sus resultados,
método que implica la revisión de los resultados ofrecidos por el sistema comercial. A la
hora de identificar un evento como apnea, tanto MIDAS como el sistema comercial
obtienen buenos resultados frente al experto clínico. Al analizar los eventos hipopnea se
concluye que cada vez que el sistema comercial identifica un posible evento apneico, lo
incluye en el grupo de apneas si sus características no son totalmente indicativas de una
hipopnea. Esto hace que su porcentaje de acuerdo en el caso de los eventos apnea sea
mucho mayor.
En el apartado de clasificación de eventos apneicos se observa un nivel de acuerdo
con el experto bajo, para el caso de los eventos centrales. Ello es debido a que el clínico

196

en Sueño

emplea una dosis elevada de conocimiento relativo a la casuística que se le presenta en la
Unidad de Sueño y tiene siempre presentes las características físicas del paciente bajo
estudio. Esto le lleva a decidir una clasificación obstructiva ante un posible evento de tipo
central, si la ausencia de esfuerzo respiratorio no es total y si además la historia del paciente
de acuerdo a la clasificación es obstructiva. Es decir, a medida que el experto avanza sobre
el registro en la tarea de clasificación recuerda que las clasificaciones anteriores han sido
obstructivas. El caso de los eventos mixtos presenta también valores de acuerdo con el
experto bajos. En este caso, el clínico apoya su criterio de clasificación en el hecho de que
no es necesario prestar demasiada atención a este tipo de eventos apneicos ya que el
diagnóstico de un síndrome de este tipo no genera diferencias en el tratamiento que le será
especificado al paciente.
Los resultados obtenidos en el análisis de la señal de saturación de oxígeno
determinan un buen comportamiento por parte del sistema en esta tarea. El número de FP
se justifica atendiendo al hecho de que los valores obtenidos por el experto de forma visual
no pueden proporcionar la misma precisión que los que obtiene MIDAS sobre las muestras
de la señal.
Para evaluar el rendimiento del módulo de construcción del hipnograma, es necesario
destacar en primer lugar que, como resultado del elevado número de categorías, se
observan valores de porcentajes de VN muy elevados. Atendiendo exclusivamente a la
medida kappa, se observa un nivel de acuerdo ligero entre el experto y MIDAS. Sin
embargo, en este caso resulta más adecuada la medida kappa ponderada, puesto que no
todos los posibles desacuerdos implican el mismo grado de error. Para la obtención de la
medida kappa ponderada se ha utilizado una ponderación geométrica, y el resultado
presenta un nivel de acuerdo moderado, cercano a sustancial, entre el experto y MIDAS. Si
se considera que precisamente la confusión entre las fases Vigilia y REM es la más común
en los sistemas automáticos, y la más “grave” en cuanto a su significado fisiológico, se
puede decir que la obtención de resultados favorables en la clasificación de estas dos fases,
es uno de los aspectos más positivos del módulo de construcción del hipnograma
desarrollado.
Los resultados más desalentadores se obtienen para las fases 1 y 2, con un número
muy elevado de falsos negativos para ambas. Sin embargo, estos resultados se explican
atendiendo al hecho de que se trata de fases parecidas entre sí, y que son también las fases

197


más “indeterminadas”, apareciendo generalmente en zonas de transición entre otros
estados de sueño. Todo ello, unido al criterio conservador de mantenimiento de una fase
mientras no existan evidencias notables de cambio, es fácil que provoque una “absorción”
de estas fases por las de sus epochs adyacentes, lo cual explica los bajos índices de acierto
conseguidos.
Para finalizar estos comentarios sobre los resultados obtenidos del proceso de
validación, confirmamos el acuerdo total en el proceso de elaboración del diagnóstico.
Una vez que se ha descrito el diseño, desarrollo e implementación de MIDAS, y que se
han analizado los resultados que ofrece, se presenta una tabla resumen de los puntos
fuertes del sistema (Tabla 8.19), así como un análisis comparativo con los sistemas
comerciales comentados en el Capítulo 3 (Tabla 8.20).

MIDAS
Identificación tanto de apneas como de hipopneas
Elevado poder discriminante en la identificación de hipopneas
Adecuada clasificación de los distintos eventos detectados
Análisis completo de la señal de SaO2
Obtención de un hipnograma razonado
Elaboración de un diagnóstico particularizado y clasificación del mismo
Incorporación de una clasificación posicional en el diagnóstico
Tabla 8.19. Puntos fuertes destacados en el sistema MIDAS

MIDAS

MICROTRONICS

CNS SLEEP LAB α-SOMNOSTAR

Permite al usuario establecer umbrales
Detección de eventos apneicos
Clasificación de eventos apneicos

198

en Sueño

Integración de información
Elaboración de diagnóstico
Clasificación del diagnóstico
Presentación resultados: texto y gráfico
Tabla 8.20. Análisis comparativos MIDAS – Sistemas Comerciales

8.5. Resumen
En este capítulo se exponen los resultados obtenidos en la validación del sistema
inteligente MIDAS. Para el presente trabajo se utilizaron como medidas de concordancia los
porcentajes de acuerdo, el índice kappa, el índice kappa ponderada, y los índices de acuerdo
para analizar el comportamiento del sistema frente al experto clínico y determinar las
mejoras obtenidas frente a un sistema comercial.
Las pruebas arrojaron resultados satisfactorios ya que el sistema MIDAS se comportó
como el experto clínico y obtuvo mejoras considerables frente al sistema comercial. Las
discrepancias encontradas en la detección y clasificación de los distintos elementos
especificados se justifican por la falta de una amplia casuística y de la opinión de varios
expertos en el campo.
Por lo tanto, la validación realizada debe ser completada por un lado con la opinión
de varios expertos en Neumología así como la opinión de expertos Neurofisiólogos, y con
un mayor número de registros de sueño pertenecientes a pacientes con distintos
diagnósticos.

199

en Sueño

CAPÍTULO 9. DISCUSIÓN
En este trabajo de Tesis se ha presentado un sistema de monitorización inteligente
cuya

arquitectura

final,

altamente

modular,

engloba

diferentes

aproximaciones

computacionales: algorítmicas clásicas e Inteligencia Artificial.
En concreto el campo de aplicación de este sistema es la evaluación de los resultados
de una prueba polisomnográfica basada en el registro simultáneo de un conjunto de señales
fisiológicas del paciente, representativas de la función respiratoria y cerebral, para ofrecer
un diagnóstico del Síndrome de Apneas del Sueño y su clasificación. A pesar de lo
completa que es esta prueba, su interpretación es casi siempre difícil debido en parte a la
inexistencia de protocolos estandarizados y/o a que el proceso de análisis participa de algún
componente de subjetividad, con lo cual el resultado final depende en gran medida del
grado de entrenamiento y del nivel de experiencia de cada clínico en el campo.
Durante las últimas décadas ha habido numerosos desarrollos de sistemas
computarizados para el análisis de los registros polisomnográficos, con el fin de superar los
problemas asociados a la inspección visual de dichos registros. Sin embargo, la mayoría han
fallado al intentar una aproximación basada únicamente en términos de cálculos
matemáticos o estadísticos. Por otra parte, también existen desarrollos de sistemas que
analizan algunas de las señales relativas a la función respiratoria paciente o realizan la
clasificación de los estados de sueño del paciente. Estos sistemas presentan como carencias
más significativas la imposibilidad de distinguir entre eventos apneicos y sus clasificaciones,
y de ofrecer un diagnóstico final particularizado y contextualizado.
El objetivo de la Tesis de investigación que aquí se presenta, ha sido el desarrollo de
procedimientos adecuados para obtener un diagnóstico de SAS determinando su tipo, a
partir de los resultados de una prueba polisomnográfica, resolviendo las carencias de los
sistemas comerciales existentes. Para ello, se ha intentado una nueva aproximación que
trata de incorporar ciertas características inteligentes al análisis de estas pruebas
polisomnográficas, tarea en la que, como se ha mencionado, existe una gran cantidad de
conocimiento experto implicado. De esta forma, se presenta el diseño e implementación de
un sistema computarizado de Monitorización de Apneas del Sueño, que integra distintos
201

Capítulo 9. Discusión

paradigmas computacionales. Para incorporar conocimiento experto se utilizaron las
características de los sistemas basados en el conocimiento, en distintas fases del análisis
donde el conocimiento es necesario para la correcta interpretación de los registros
polisomnográficos.
Para la construcción del sistema se siguió el modelo de proceso de desarrollo del
software basado en la programación exploratoria. Este proceso permite desarrollar software
aún cuando, como es el caso del sistema que se presenta, no sea posible una especificación
exhaustiva de un conjunto de requisitos para el mismo debido a que trata de emular un
comportamiento humano, y donde la idoneidad, más que la exactitud, es la meta del
diseñador de este tipo de software.
El sistema final está compuesto por una serie de subsistemas, cada uno con una
función perfectamente definida, que colaboran entre sí para conseguir el objetivo final.
El módulo de prescripción polisomnográfica incorpora uno de entre los muchos
protocolos existentes en la literatura, para la evaluación de pacientes con sospecha de
padecer el Síndrome de Apneas del Sueño. Con el desarrollo de este módulo se pretende
recoger los primeros pasos del protocolo que sigue el clínico con cada paciente que es
remitido a la consulta de la Unidad de Sueño.
El módulo de análisis de la función respiratoria obtiene, a partir de las señales de
flujo respiratorio, saturación de oxígeno, y esfuerzo torácico y abdominal, la información
correspondiente a las anormalidades respiratorias que se han producido, identificándolas y
clasificándolas. La identificación de dichas anormalidades respiratorias se realiza examinado
el grado de reducción que presenta el flujo respiratorio con respecto a una respiración
normal. Esto nos permite establecer distintas categorías de reducción y así como hemos
identificado apneas e hipopneas, también se determinarían ligeras reducciones que de
forma aislada no constituyen ningún tipo de evento apneico, pero cuya sucesión en el
tiempo desembocan en un evento apneico real y también originan una fragmentación del
sueño del paciente. Esta característica del sistema nos permite identificar aquellos pacientes
a los que se le ha realizado una prueba polisomnográfica y cuyos resultados no permiten
concluir un diagnóstico positivo de SAS.
El módulo de construcción del hipnograma ha sido desarrollado mediante un
modelo computacional inteligente del comportamiento del clínico para clasificar las

202

en Sueño

distintas fases de sueño, teniendo en cuenta las posibles patologías que puede presentar el
paciente. Este módulo está desarrollado a partir del paradigma R&K paliando algunas de
sus limitaciones, como la indefinición de ciertos epochs o el tratamiento de información
cualitativa. Cuestiones como la rigidez de la segmentación temporal de los registros en
epochs, resultan inevitables desde el momento en que se adopta como punto de partida el
estándar R&K. Sin embargo, la utilización del modelo de potencias evidenciales y la
justificación de los resultados pueden amortiguar las consecuencias generadas por esta
circunstancia, al permitir al clínico contrastar la valoración realizada para cada fase en los
epochs problemáticos.
El módulo de diagnóstico constituye otra de las principales aportaciones de este
trabajo, al proporcionar al clínico una opinión razonada sobre la existencia del Síndrome de
Apneas del Sueño y de su clasificación. Dentro de esta aportación, se destaca la
incorporación al proceso de diagnóstico de la clasificación del síndrome desde el punto de
vista posicional. Las reglas de clasificación posicional se incluyen en este proceso para
ayudar al clínico a la hora de especificar el tratamiento que necesita el paciente. Los
pacientes con SAOS dependiente de la posición necesitan niveles más bajos de CPAP que
los pacientes con SAOS no posicional, para que el tratamiento sea efectivo [cli]. Sin
embargo, este concepto terapéutico debe ser aceptado con precaución.
La validación del producto desarrollado ha sido un tema complejo a causa de la
inexistencia de un estándar de comparación en el dominio de aplicación, debido a la
subjetividad de la tarea implementada. En aquellas ocasiones en las que no existe este
denominado estándar de oro con el que realizar la comparación, se utilizan métodos y
medidas que facilitan el proceso de validación, basados en la comparación de los resultados
obtenidos por el sistema con los alcanzados por los expertos a partir de ciertos casos de
ejemplo [clii,cliii]. El objetivo es situar los resultados del sistema que interesa caracterizar
entre los expertos con los que se compara.
Durante la etapa de validación para la detección y clasificación de las posibles
anormalidades respiratorias, se observó que parte de los desacuerdos producidos entre el
sistema y el experto se deben a que este último determina los criterios de definición de
eventos de forma visual, y la clasificación de ciertas anormalidades como tales depende
muchas veces del tramo del registro en que esté situado. Así, por ejemplo, si a mitad del
registro el número de anormalidades anotadas por el experto es elevado, su atención a la

203


hora de detectar nuevos eventos será menor ya que considera que tiene información
suficiente como para establecer ya sus conclusiones para el paciente en estudio.
Desacuerdos en esta línea, son los que fundamentalmente hacen descender el nivel de
acuerdo alcanzado en la detección y clasificación de eventos apneicos. En este caso, una
nueva ronda de validación podría determinar si, realmente, los eventos detectados por el
clínico no se corresponden con eventos reales o, por el contrario, si se consideran falsos
negativos no detectados por el mismo.
Por otro lado, parte de los falsos negativos obtenidos en esta tarea de detección se
debe a irregularidades que presenta la señal de flujo respiratorio debidas a la calidad de la
señal registrada. Estos errores podrían ser subsanados mediante algún tipo de
procesamiento previo de la señal, como puede ser la aplicación de un filtro de media
desplazada, mejorando la morfología de dicha señal y eliminando alteraciones que podrían
dar lugar a falsas anormalidades respiratorias.
Otro de los problemas observados durante el proceso de validación hace referencia al
instante de comienzo y duración de las anormalidades respiratorias detectadas. Se han
encontrado diferencias entre el sistema y el experto respecto a estos dos parámetros y
aunque estas diferencias no influyen en los porcentajes de acuerdo a la hora de detectar
eventos, si condicionan la clasificación posterior realizada para los mismos. Teniendo en
cuenta que el intervalo de tiempo correspondiente a un evento detectado es el que se utiliza
sobre las señales de esfuerzo respiratorio para clasificar dicho evento, el desplazamiento de
los límites de dicho intervalo origina clasificaciones erróneas. En este sentido, el análisis de
los falsos negativos producidos por el sistema en esta etapa debe realizarse no sólo sobre el
algoritmo de clasificación, sino también sobre los puntos de comienzo y fin de los distintos
eventos detectados.
De los resultados de validación obtenidos para la clasificación de los eventos
apneicos, es obvia la posibilidad de mejora en la clasificación de apneas centrales, ya que la
incidencia de eventos centrales en los pacientes que acuden a la Unidad de Sueño, es
mucho menor que el número de eventos obstructivos. Sin embargo, se estima una mejora
con la incorporación en futuros desarrollos de conocimiento relativo a las desaturaciones
que acompañan a los eventos centrales [cliv].
Dentro del análisis de la señal de SaO2, los resultados arrojados por el proceso de
validación mejoran considerablemente los de otros sistemas y aproximaciones. Los
204

en Sueño

desacuerdos obtenidos en este análisis se deben a diferencias de precisión entre el método
visual empleado por el experto y el método computacional implementado en el sistema
sobre las muestras de la señal.
En el módulo de construcción del hipnograma, y a la vista de los resultados
obtenidos con el proceso de validación realizado, se hace necesario en primer lugar
disponer de un mayor número de casos y, en segundo lugar, disponer de la revisión de
varios expertos en la rama de Neurofisiología. De estos resultados se desprende también la
necesidad de mejorar el número de verdaderos positivos en la clasificación de vigilia,
puesto que su detección es clave para el cálculo del índice de apneas y, por lo tanto, para el
diagnóstico de SAS. Una clasificación por defecto podría provocar la omisión de un
diagnóstico positivo de SAS - al obtener un índice menor del que correspondería -,
mientras que por exceso podría inducir a un diagnóstico positivo falso - índice mayor de lo
que correspondería -.
Como ya se ha comentado en el capítulo de resultados, la validación del proceso
global de diagnóstico por sí sola no es indicativa del buen funcionamiento del sistema, ya
que se pueden obtener resultados equivalentes a los del experto, que enmascaren errores en
los procesos de detección y clasificación de eventos apneicos. Sin embargo, y aún
obteniendo excelentes niveles de acuerdo con el experto, se echa de menos un número de
casos correspondientes a pacientes que sufren el Síndrome de Apneas Centrales del Sueño
para que la validación de los resultados de diagnóstico fuese completa.
Sería de gran ayuda realizar un nuevo ciclo de validación, esta vez cruzada, para todas
las categorías que se han expuesto a lo largo del Capítulo 8. También resultaría interesante
que esta validación se centrase no tanto en que los clínicos detectasen nuevos elementos
sino en exponer acuerdo o desacuerdo con respecto a los resultados alcanzados por los
demás expertos, e incluso consigo mismos. Debido a la complejidad y el tiempo que
consumiría, especialmente para los expertos que colaborasen con el proyecto, esta
validación cruzada se reserva para un trabajo futuro.
Como resumen, los resultados de validación corroboran globalmente unos niveles
aceptables para el sistema en una tarea compleja como es el diagnóstico de SAS, en la que
hay implícita una alta dosis de intuición. En ningún caso se situaron los niveles de
rendimiento del sistema por debajo de los alcanzados por el experto o el sistema comercial,
y sí demostró estar más cercano en muchas ocasiones al experto humano. A la vista de
205


estos resultados se puede concluir que se han cumplido todos los requisitos especificados
para un sistema de Monitorización Inteligente de Apneas del Sueño con fines diagnósticos.
En este sentido, se puede asegurar que ninguno de los sistemas publicados conforma un
sistema automático e integral para la evaluación de los registros polisomnográficos como lo
hace el sistema MIDAS: desde la extracción de información de las señales fisiológicas, hasta
la obtención de un diagnóstico mediante la interpretación contextual de los resultados del
análisis, a través de un sistema cuyas prestaciones se resumen en la siguiente ficha técnica.
MIDAS: MONITOR INTELIGENTE DE APNEAS EN SUEÑO
GENERAL
Número de módulos

12
Determinar probabilidad de SAS en el paciente

Tareas que realiza

Detección e identificación de eventos apneicos
Clasificación de eventos apneicos
Caracterización de la actividad cerebral
Detección y clasificación de movimientos oculares
Caracterización del EMG
Integración
hipnograma

de

la

información

respiratorio-

Elaboración del diagnóstico de SAS
Elaboración de informes
Presentación de resultados (numéricos y gráficos)

PARTE DE SOFTWARE CONVENCIONAL
Nº unidades modulares (units)

44

Nº rutinas

340

Nº líneas de código

13665

PARTE INTELIGENTE
Nº total de reglas

96

Nº total de clases

8

Nº total de objetos

31

Nº total de propiedades

24

Tipo de encadenamiento

Encadenamiento progresivo

Trabajo con incertidumbre

Sí

Tabla 9.1. Ficha técnica del sistema MIDAS

206

en Sueño

Finalmente, se puede afirmar que se ha conseguido un prototipo de campo cuya
instalación en clínica es factible abriendo así una importante línea de investigación para su
mejora.

207

en Sueño

CAPÍTULO

10.

CONCLUSIONES,

PRINCIPALES

APORTACIONES, Y TRABAJO FUTURO

10. 1. Conclusiones y principales aportaciones
•

Se ha desarrollado un sistema para la automatización del análisis de los resultados de
las pruebas polisomnográficas con el fin de ofrecer un diagnóstico particularizado
para el paciente en estudio.

•

Para la implementación de un sistema inteligente de asistencia computarizada para el
diagnóstico del Síndrome de Apneas del Sueño, se ha optado por una aproximación
basada en la programación convencional y la programación en IA, en la que
algoritmos numéricos y pequeños sistemas de producción colaboran en la
elaboración de dicho diagnóstico.

•

La estructura modular propuesta para el sistema concibe un módulo previo de
Prescripción Polisomnográfica como elemento independiente, que condiciona en
base a sus resultados la ejecución de los módulos restantes del sistema. Sus
conclusiones se presentan al usuario en términos de posibilidad de SAS, hipótesis
directamente

relacionada

con

la

conveniencia

de

prescribir

la

prueba

polisomnográfica. El resto de los módulos del sistema son: el módulo de
caracterización de la función respiratoria, el módulo de construcción del hipnograma,
y el módulo de diagnóstico de SAS.

•

El sistema se ha dotado de un método de parametrización sencillo, mediante el cual
se permite al usuario definir los elementos que quiere identificar y las características
de los mismos.

•

El módulo de caracterización de la función respiratoria permite detectar y clasificar
los distintos tipos de eventos apneicos que presenta el paciente a lo largo de la noche.

209

Capítulo 10. Conclusiones, principales aportaciones, y trabajo futuro

•

El módulo de construcción del hipnograma obtiene la secuencia de fases por las que
transcurre el sueño del paciente, mediante la automatización del paradigma R&K
paliando algunas de sus limitaciones.

•

El módulo de diagnóstico interpreta las distintas anormalidades respiratorias
detectadas utilizando información contextual, entre la que se encuentra la
clasificación de las fases de sueño, para asistir en la identificación de las
anormalidades respiratorias reales frente a los falsos positivos. Una vez realizada
dicha interpretación, proporciona como resultado final un diagnóstico particularizado
para cada paciente, determinando además la clasificación del mismo.

•

Como valor añadido, las conclusiones del sistema se muestran mediante un informe
que incluye las sugerencias diagnósticas así como información de apoyo al clínico
como los índices de apnea/hipopnea (IAH), los IAH obstructivos y centrales, y los
IAH posicionales. El diagnóstico se acompaña de una traza del razonamiento llevado
a cabo por el sistema para justificar sus conclusiones.

•

El estudio de validación que se realizó tras el diseño, desarrollo e implementación de
MIDAS permitió establecer el buen rendimiento del sistema frente al experto humano
y justificar las diferencias con el sistema comercial, al que se pretendía mejorar. Es
necesario que dicho estudio de validación se complete utilizando la opinión de varios
expertos y utilizando una mayor casuística.

10 .2 Trabajo futuro
Dado que la monitorización del Síndrome de Apneas del Sueño supone un gran
esfuerzo por parte del personal clínico, una grave limitación temporal y un alto coste
económico y material, resultan evidentes las ventajas de disponer de un sistema integrado
que determine la necesidad del análisis polisomnográfico y, en caso afirmativo, automatice
la construcción del hipnograma y la evaluación de la función respiratoria.
A la vista de los resultados obtenidos a partir de la validación del sistema se observa
la necesidad de mejorar ciertos aspectos del sistema así como de incorporar nuevas
capacidades al mismo. Entre ellos se encuentran:

210

en Sueño

•

El desarrollo de un módulo terapéutico que permita determinar el tratamiento
específico para cada paciente previamente diagnosticado de SAS.

•

La aplicación de técnicas de minería de datos y extracción de conocimiento sobre los
datos recogidos en la Unidad de Sueño, teniendo en cuenta los resultados obtenidos
durante la fase de validación, al objeto de inferir conocimiento nuevo por
procedimientos inductivos.

•

La realización de un estudio metodológico y formal sobre la usabilidad del sistema en
el entorno real de trabajo, análisis de credibilidad y evaluación del rendimiento del
Sistema Inteligente de Monitorización.

•

La adaptación del sistema según una arquitectura cliente-servidor, al objeto de incluir
la herramienta desarrollada en el Sistema de Información Hospitalario. Esta
adaptación debe incluir la modificación del módulo de adquisición de datos para
acceder a bases de datos centralizadas, así como la incorporación de un módulo de
comunicaciones que permita el intercambio de mensajes entre el sistema MIDAS y el
resto del Sistema de Información Hospitalario.

•

La recogida masiva de casuística nueva y elicitación correspondiente de conocimiento
para ampliar el potencial de uso del sistema desarrollado y extender su aplicabilidad a
otros trastornos de sueño no necesariamente caracterizados por situaciones de tipo
apneico.

211

Capítulo 10. Conclusiones, principales aportaciones, y trabajo futuro

212

Técnicas de Inteligencia Artificial e Ingeniería del Software para un Sistema Inteligente de monitorización de Apneas en
Sueño

BIBLIOGRAFÍA

i. García, D., Prisioneros del sueño. ABC de la Ciencia. Diario ABC, pp. 58, 3 de Noviembre de
1995.
ii Degoulet, P., Fieschi, M., Medical reasoning and Decision-making, En: Introduction to clinical
informatics, Computers in Health Care, Springer-Verlag, 1997.
iii Berner, E. S., ed., Clinical diagnostic decision support systems – An overview. En: Clinical Decision
Support Systems. Theory and Practice. Springer-Verlag Ed., pp. 3-34, 1999.
iv Flexner, S. B., Stein, J., eds. The Random House College Dictionary, Revised Edition. New York:
Random House, Inc., pp. 366, 1988.
v Miller, R. A., Why the standard view is standard: people, not machines, understand patients´ problems. J.
Med. Philos., Vol. 15, pp. 581-591, 1990.
vi Berner, E. S., ed., Clinical diagnostic decision support systems – An overview. En: Clinical Decision
Support Systems. Theory and Practice. Springer-Verlag Ed., pp. 3-34, 1999.
vii Berner, E. S., ed., Hospital-Based decision support. En: Clinical Decision Support Systems.
Theory and Practice. Springer-Verlag Ed., pp. 77-103, 1999.
viii Berner, E. S., ed., Hospital-Based decision support. En: Clinical Decision Support Systems.
ix Shortliffe, E. H., MYCIN: A rule-based computer program for advising physicians regarding
antimicrobial therapy selection. Ph. D. Disertation, Stanford University, 1974.
x Weiss, S. M., Kulilowski, C.A., Amarel, S. et al., A model based method for computer-aided medical
decision making. Artificial Intelligence, Vol. 11, pp. 145-172, 1978.
xi De Dombal, F. T., Leaper, D. J., Staniland, J. R. et al., Computer aided diagnosis of acute
abdominal pain. Br. Med. J., Vol.2, pp. 9-13, 1972.
xii Engle, E. L., Attempts to use computers as diagnostic aids in medical decision making: a thirty-year
experience. Perspect. Biol. Med., Vol. 35, pp. 207-219, 1992.
xiii Berner, E. S., ed., Design and implementation issues. En: Clinical Decision Support Systems.
xiv Luger, G. F., Stubblefield, W. A.., Artificial Intelligence and the design of expert systems.
Benjamin-Cummings Publishing Company, California, 1989.

213

0. Bibliografía

xv Reddy, R., The challenge of Artificial Intelligence. Computer, vol. 29, nº 10, 1996.
xvi Buchanan, B. G. Sutherland, G. L., Feigembaum, E. A., Heuristic DENDRAL: a program for
generating explanatory hypothesis in organic chemistry. Machine Intelligence, vol. 4, pp. 209-254,
Edinburgh University Press, Edinburgh, Scotland, 1969.
xvii González, A. J., Dankel, D. D., The engineering of knowledge-based systems: Theory and practice.
Prentice-Hall International, 1993.
xviii Berner, E. S., ed., Design and implementation issues. En: Clinical Decision Support Systems.
xix Coiera, E., Guide to Medical Informatics, the Internet and Telemedicine. Chapman & Hall, 1997.
xx Uckun, S., Intelligent Systems in Patient Monitoring and Therapy Management: A survey of research
projects. Technical Report KSL 93-32, Knowledge Systems Laboratory, Stanford University,
1993.
xxi Mora, F. A., Passariello, G., Carrault, G., Le Pichon, J. P., Intelligent patient monitoring and
management systems: A review. IEEE Engineering In Medicine and Biology Society Magazine,
vol. 2, nº 4, pp. 23-33, 1993.
xxii Moret Bonillo, V., Alonso Betanzos, A., García Martín, E., Cabrero Canosa, M. J.,
Guijarro Berdiñas, B., The PATRICIA Project: A semantic-based methodology for intelligent
monitoring in the ICU. IEEE Engineering In Medicine and Biology Society Magazine, vol. 12,
nº 4, pp. 59-68, 1993.
23 Publicación Ministerio de Trabajo y Asuntos Sociales. Trastornos del Sueño. Nº. 165.
Enero, 1999.
24 SleepNet Corporation, What is sleep apnea. URL: http://www.dpap.com/apnea/index.html,
2000.
25 Dickens, C., Los documentos póstumos del Club Pickwick. Clásicos Universales, Editorial Planeta
S.A., ISBN: 84-320-3839-3, 1980.
26 National Institute of Health. National Heart, Lung, and Blood Institute. Breathing disorders during
sleep. URL: http://www.Nih.com/index.htm, 1999.
27 Basic of Sleep Behaviour. URL: http://bisleep.medsch.ucla.edu/sleepsyllabus/a.html, 1999.
28 Duffy, F. H., Iyer, V. G., Surwillo, W.W., Clinical Electroencephalography and Topographic Brain
Mapping. Technology and practice. Springer-Verlag, 1989.
29 Rocha Pacheco, O., Sistema asistido por computador de classificaçao do electroencefalograma do sono e
detecç o de micro despertares. Dissertaç o de Doutoramento apresentada á Universidade de
Aveiro. Universidade de Aveiro, Aveiro. Abril, 1996.

214

Sueño

30 Carskadon, M., Rechtschaffen, A., Monitoring and staging human sleep. En: Saunders
Company, Ed., Principles and Practice of Sleep Medicine, pp. 665-683, Kryger, M. H., Roth,
T., Dement, W. C., 1989.
31 Carskadon, M. A., Dement, W. C., Normal sleep and its variations. en: Saunders Company,
Ed., Principles and Practice of Sleep Medicine, pp. 3-13, Kryger, M. H., Roth, T., Dement,
W. C., 1989.
32 Pathophysiology of Sleep and Breathing: Highlights of the National, Heart, Lung, and
Blood Institute Programs. URL: 1998.
33 De la Calzada, D., Diagnóstico y manejo de las alteraciones del sueño. Aspectos normales
del sueño. DYMAS, 1998.
34 Rechtschaffen, A., Kales, A., A manual of standarized terminology. Techniques and scoring
system for sleep stages of human subjects. En National Institutes of Health, 204,
Rechtschaffenn, A. and Kales, A. Eds. USA, 1968.
35 SEPAR- Sociedad Española de Neumología y Cirugía Torácica "Normativa sobre
diagnostico y tratamiento del síndrome de apnea obstructiva del Sueño." PublicacionesSEPAR Núm. 14 URL: http://www.separ.es/Pub_14.htm
36 Gastaut, H., Tassarini, C., Duron, B., Etudes polygraphiques des manifestations
episodiques (hypniques et respiratoires) du syndrome de Pickwick. Rev. Neurol., vol. 112,
pp. 568-579, 1965.
37 Jung, R., Kuhlo, W., Neurophysiological studies of abnormal night sleep and the
Pickwickian syndrome. Prog. Brain Res., vol. 18, pp. 140-159, 1965.
38 Burwell, C. S., Robin, E. D., Whaley, R. D., Bickelmann, A. G., Extreme obesity associated
with alveolar hypoventilation. A Pickwickian syndrome. Am. J. Med., vol. 21, pp. 811-818,
1956.
39 Lugaresi, E., Coccagna, G., Mantovani, M., Hypersomnia with periodic apneas. New York:
Spectrum, 1978.
40 Guilleminault, C., Eldridge, F., Dement, W. C., Insomnia with sleep apnea: a new
syndrome. Science, vol. 181, pp. 856-858, 1973.
41 Gould, G.A., Whyte, K. F., Rhind, G. B. et al., The sleep hypopnea syndrome. Am. Rev.
Respir. Dis., vol. 137, pp. 895-898, 1988.
42 Guilleminault, C., Connolly, S. J., Winkle, R. A., Cardiac arrhythmia and conduction
disturbances during sleep in 400 patients with sleep apnea syndrome. Am. J. Cardiol., vol. 52,
pp. 490-494, 1983.
43 Sheppard, Jr J. W., Hypertension, cardiac arrhythmias, myocardial infarction, and stroke in
relation to obstructive sleep apnea. Clinics in Chest Med., vol. 13, pp. 437-458, 1992.

215

0. Bibliografía

44 Van Houwelingen, K. G., Van Uffelen, R., Van Vliet, A. C., The sleep apnoea syndromes.
European Heart Journal, vol. 20, pp. 858-866, 1999.
45 Moser, N. J., Phillips, B. A., Berry, D. T., Harbison, L., What is hypopnea anyway?, Chest, vol.
105, nº 2, pp. 426-428, 1994.
46 Rapoport, D. M., Norman, R. G., Ahmed, M. M., Walsleben, J. A., Detection of respiratory
events during NSPG: nasal cannula / pressure sensor versus thermistor, Sleep, vol. 20, nº 12, pp. 11751184, 1997.
47 Whyte, K. F., Allen, M.B., Fitzpatrick, M.F., Douglas, N.J., Accuracy and significance of scoring
hypopneas, Sleep, vol. 15, nº 3, pp. 257-260, 1992.
48 Fernández González, F., Carpizo, R., et Al, Guía de actuación cínica ante los trastornos del
sueño. URL: http://www.vigilia-sueno.org/esp/ed-ant/10-1/artic1.htm, 1998.
49 Grupo de trabajo SEPAR (Sociedad Española de Neumología y Cirugía Torácica),
Normativa sobre diagnóstico y tratamiento del síndrome de apnea obstructiva del sueño. En:
Recomendaciones SEPAR, Sociedad Española de Neumología y Cirugía Torácica eds.
Barcelona, pp. 4-24, 1993.
50 Hung, J., Whitford, E. G., Parsons, R. W., et al., Asssociation of sleep apnea with
myocardial infarction in men. Lancet, Vol. 336, pp. 261-264, 1990.
51 Strohl, K. P., Redline, S., State of the art: recognition of obstructive sleep apnea, Am J.
Respir Crit Care Med, Vol. 154, pp. 279-289, 1996.
52
Bonekat,
H.
W.,
Obstructive
Sleep
Apnea
http://medocs.ucdavis.edu/IMD/420C/esylabus/apnea.htm, 1997.

Syndrome.

URL:

53 Khawaja, I. T., Phillips, B. A., Obstructive Sleep apnea: Diagnosis and Treatment.
MedScape Articles, Marzo, 1998.
54 White, D. P., Central Sleep Apnea. En: Principles and practice of sleep medicine, Saunders
Company, Ed., pp. 513-524, 1989.
lv Burgess R. C., Computerized polysomnographic analysis systems. Journal of Clinical
Neurophysiology, vol. 7, nº 1, pp. 145.154, 1990.
lvi El-Sohl, A., Mador, J., Ten-Brock, E., Shucard, D., Abul-Khoudoud, M., Grant, B., Validity
of Neural Network in Sleep Apnea. Sleep, Vol. 22, nº 1, pp. 105-111, 1999.
lvii Viner, S., Szalai, J., Hoffstein, V., Are history and physical examination a good screening test for sleep
apnea?. Ann. Intern. Med., Vol. 115, pp. 356-359, 1991.
lviii Biernacka, H., Douglas, N. J., Evaluation of a computerised polysomnography system. Thorax, vol.
48, pp. 280-283, 1993.

216

Sueño

lix Flemons, W., Whitelaw, W., Brant, R., Remmers, J., Likelihood ratios for sleep apnea. Clinical
prediction rule. American Journal of Respiratory and Critical Care Medicine, Vol. 150, pp.
1279-1285, 1994.
lx Crocker, B. D., Olson, L. G., Saunders, N. A., Hensley, M. J., McKeon, J. L., Allen, K. M.,
Gyulay, S. G., Estimation of the probability of disturbed breathing during sleep before a sleep study, Am.
Rev. Respir. Dis., Vol 142, pp. 14-18, 1990.
lxi Kapuniai, L. E., Andrew, D. J., Crowell, D. H., Pearce, J. W., Identifying sleep apnea from selfreports. Sleep, Vol. 11, nº. 5, pp. 430-436, 1988.
lxii Chaffin, D. B., Hoffstein, V., Feinsilver, S. H., Fein, A. M., The Neural Network Analysis to
predict sleep disordered breathing. Chest, Vol 108, pp. 162S, 1995.
lxiii Jansen, B., Dawant, B., Knowledge-based approach to sleep EEG analysis – a feasibility study.
IEEE Trans., BME, Vol. 36, nº5, pp. 510-518, 1989.
lxiv Príncipe, J. C., Chang, T., Gala, S., Tomé, A., Information processing models for sleep staging. Int.
J. Expert Systems with Applications, Vol. 6, nº 4, pp. 399-409, 1993.
lxv Príncipe, J. C., Gala, S. K., Chang, T. G., Sleep Staging automaton based on the theory of evidence.
IEEE Transactions on Biomedical Engineering, Vol. 36, nº 5, pp. 503-509, 1989.
lxvi Schaltenbrand, N., Lengelle, R., Macher, J., Neural Network: Application to automatic analysis
of human sleep. Computers and Biomedical Research, Vol. 26, pp. 157-171, 1993.
lxvii Koprinska, I., Pfurtscheller, G., Flotzinger, D., Sleep classification in infants by decision treebased neural networks. Artificial Intelligence in Medicine, Vol. 8, pp. 387-401, 1996.
lxviii Holzmann, C., Pérez, C., Held, C., San Martín, M., Pizarro, F., Pérez, J., Garrido, M.,
Peirano, P., Expert-System classification of sleep/waking states in infants. Med. Biol. Eng. Comput.,
Vol. 37, pp. 466-476, 1999.
lxix George, C. F., Millar, T. W., Kryger, M. H., Identification and Quantification of Apneas by
Computer-based Analysis of Oxygen Saturation. Am. Rev. Respir. Dis., Vol. 137, pp. 1238-1240,
1988.
lxx Rauscher, Helmuth, Popp, Wolfgang, Zwick, Hartmut, Computerized Detection of Respiratory
Events during Sleep from Rapid Increases in Oxyhemoglobin Saturation. Lung, Vol. 169, pp. 335-342,
1991.
lxxi Macey, P. M., Ford, R. P. K., Brown, P. J., Larkin, J., Fright, W. R., Garden, K. L., Apnoea
detection: human performance and reliability of a computer algorithm. Acta Paediatrica, Vol. 84, pp.
1103-1107, 1995.
lxxii Daniels, J. E., Cayton, R. M., Chappell, M. J., Tjahjadi, T., CADOSA: A Fuzzy Expert
System for Differential Diagnosis of Obstructive Sleep Apnoea and Related Conditions, Expert Systems
With Application, Vol. 12, nº 2, pp. 163-177, 1997.

217

0. Bibliografía

lxxiii Oliveira, J. M., Tomé, A. M., Cunha, J. P., Catalao, L. M., Azevedo, J. L., Sleep Data
Integration and Analyisi: An Object Oriented Approach. Proceedings of the 15th Annual
International Conference of the IEEE Engineering in Medicine and Biology Society, pp.
455-456, 1993.
lxxiv Guedes de Oliveira, P., Principe, J.C., Cruz, A., Tomé, A.M., HIDRA: A Hierarchical
Instrument for Distributed Real-Time Analysis of Biological Signals. IEEE Trans. BME Vol. 24, nº
12, pp. 921-927, 1987.
lxxv Oliveira, J. M., Tomé, A., Sistema Automático para a monitorização de exames neurofisiológicos de
sono. Revista do DETUA, vol. 2, nº 3, 1998.
76 Von Mayrhauser, A., Software engineering: Methods and Management. Academic Press, Inc. San
Diego, CA, 1990.
77 Somerville, I., Software engineering. 4ª Edición, Addison-Wesley, 1992.
78 Lowry, M., Duran, R., Knowledge-based Software Engineering. En: The Handbook of Artificial
Intelligence, Barr, A., Cohen, P., Feigenbaum, E. Eds., Addison-Wesley, 1989.
79 Amescua Seco, A., García Sánchez, L., Martínez Fernández, P., Díaz Pérez, P., Ingeniería del
Software de Gestión: Análisis y diseño de aplicaciones. Ed. Paraninfo, Madrid, 1995.
80 Pressman, R., Ingeniería del Software. Prentice-Hall, 1998.
81 Guilleminault, C., Hoed, J., Mitler, M. M., Clinical overview of the sleep apnea syndromes. En:
Guilleminault, C., Dement, W. V. Eds. Sleep Apneas Syndromes. New York: Liss, pp. 1-12,
1978.
82 Leech, J. A., Onal, E., Dulberg, C., et al., A comparison of men and women with occlusive sleep
apnea syndrome. Chest, vol. 93, pp. 983-988, 1988.
83 Guilleminault, C., Quera-Salva, M. A., Partinen, M., et al., Women and the obstructive sleep
apnea: 385 male patients. Chest, vol. 93, pp.104-109, 1988.
84 Thorpy, M. J., Ledereich, P. S., Glovinsky, P. B., et al., Nocturnal death in patients with
obstructive sleep apnea: the Montefiore long-term follow-up study. Sleep Research, vol. 19, pp. 301-305,
1990.G
85 Vela Bueno, A., La medicina del sueño en España. Vigilia y Sueño, vol. 9, nº 1, 1997.
86 American Thoracic Society. Medical Section of the American Lung Association.
Indications and standards for use of nasal continuous positive airway pressure (CPAP) in
sleep apnea syndromes. Am. J. Respir. Crit. Care, vol. 150, pp. 1738-1745, 1994.
87 Sullivan, C. E., Issa, F. G., Berthon-Jones, M., Eves, L., Reversal of obstructive sleep apnea by
continuous positive airway pressure applied through the nares. Lancet, vol. 1, pp. 862-865, 1981.

218

Sueño

88 Pack, A. I., Simplifying the diagnosis of obstructive sleep apnea [editorial]. Ann. Intern. Med., vol.
119, pp. 528,529, 1993.
89 Ferber, R., Millman, R., Coppola, M., Fleetham, J., Murray, C. F., Iber, C., et al. Portable
recording in the assessment of obstructive sleep apnea. American Sleep Disorders Associations and Sleep
Research Society. Sleep, vol. 17, pp. 378-392.
90 Douglas, N. J., Thomas, S., Jan, M. A., Clinical value of polysomnography. Lancet, vol. 339, pp.
347-350, 1992.
91 García Díaz, E. M., Capote Gil, F., Cano Gómez, S., Sánchez Armengol, A., Carmona
Bernal, C., Soto Campos, J. G., Respiratory polygraphy in the diagnosis of obstructive sleep apnea
syndrome. Archivos de Bronconeumología, vol. 2, nº 33, pp. 69-73, 1997.
92 Ferrer, A., Alternativas a la polisomnografía convencional en el diagnóstico y tratamiento del síndrome de
apneas durante el sueño. Archivos de Bronconeumología, vol. 31, pp. 259-263, 1995.
93 Hasan, J., Past and future of computer-assisted sleep analysis and drowsiness assessment. Journal of
Clinical Neurophysiology, vol. 13, nº 4, pp. 295-313, 1996.
94 Haponik, E. F., Smith, P. L., Meyers, D. A., et al., Evaluation of sleep disordered breathing; is
polysomnography necessary?. Am. J. Med., vol. 77, pp. 617-677, 1984.
95 SensorMedics. Somnostar LabManager. Operator’s Manual and Tutorial. SensorMedics, 1998.
96 Hoffstein, V., Szalai, J. P:, Predictive Value of Clinical Features in Diagnosing Obstructive Sleep
Apnea. Sleep, vol. 16, nº 2, pp. 118-122, 1993.
97 Kryger, M. H., Pouliot, Z., Peters, M., Neufeld, H., Using self-reported questionnaire data to
prioritize OSA patients for polysomnography, Sleep, vol. 20, nº 3, pp. 232-236, 1997.
98 Kryger, M. H., Skomro, R. P., Clinical Presentations of Obstructive Sleep Apnea Syndrome,
Progress in Cardiovascular Diseases, vol. 41, nº 5, pp. 331-340, 1999.
99 Carskadon, M. A., Dement, W. C., The multiple sleep latency test: what does it measure?. Sleep, vol.
5, S67-72, 1985.
100 Mitler, M., Gujavarty, K. S., Browman, C. P., Maintenance of wakefulness test: a
polysomnographic technique for evaluating treatment in patients with excessive somnolence.
Electroencephalogr. Clin. Neurophysiol., nº 153, pp. 658-661, 1982.
101 Hoddes, E., Zarcone, V., Smythe, H., Phillips, R., Dement, W., Quantification of sleepiness: a
new approach. Psychophysiology, vol. 10, pp. 431-436, 1973.
102 Johns, M. W., A new method for measuring daytime sleepiness: the Epworth sleepiness scale, Sleep,
vol. 14, nº 6, pp. 540-545, 1991.

219

0. Bibliografía

103 T.S. Johnson, T. S., Halberstadt, Jerry, Cuestionario de autoevaluación de apneas en sueño
traducción de Phantom of the Night: Overcome Sleep Apnea & Snoring. New Technology Publishing,
Inc., [On-line]. Available World Wide Web: http://personal.redestb.es/eros/test.htm
104 Buchanan, B., Shortliffe, E., A model of Inexact Reasoning in Medicine, En: Buchanan, B.,
Shortliffe, E., Eds.: Rule-Based Expert Systems, Addison Wesley, pp.233-262, 1985.
105 Alonso Betanzos, A., Moret Bonillo, V., Devoe, L. D., Searle, J. R., Banias, B., Ramos, E.,
Computerized antenatal assessment: The NST-EXPERT Project. AUTOMEDICA, vol. 14, pp. 3-22,
1992.
cvi M.J. Thorpy, Handbook of Sleep Disorders. Marcel Dekker, Inc. New York. Basel 1990.
cvii American Thoracic Society, Indications and Standards for Cardiopulmonary Sleep Studies. Medical
Section of The American Lung Association. Am. Rev. Respir. Dis., vol. 139, pp. 559-568,
1989.
cviii Moyles, T.P., Erlandson R.F., Roth, T. A Nonparametric Statistical Approach to Breatth
Segmentation. IEEE Engineering in Medicine & Biology. 11th Annual International
Conference, pp. 330-331, 1989.
cix Wilhoit, S. C., Suratt, P. M., Evans, R. J., Brown, E. D., Kaiser, D. L., Comparison of indices
used to detect hypoventilation during sleep. Respiration, vol. 47, pp. 237-242, 1985.
cx Masters, T., Signal and image processing with neural networks. John Wiley & Sons Inc., 1993.
cxi Krieger, J., Sforza, E., Boudewijns, A., Zamagni, M., Petiau, C., Respiratory effort during
obstructive sleep apnea. Role of age and sleep state, Chest, vol. 112, nº 4, pp. 875-849, 1997.
cxii Conway, W., Fujita, S., Zorick, F., et al., Uvulopalatopharyngoplasty: one year follow-up. Chest,
vol. 88, pp. 385-387, 1985.
cxiii Merica, H., Blois, R., Bovier, PH., Gaillard, J.M. New Variables forDefining Sleep Continuity.
Physiology and Behavior, vol 54, pp. 825-831, 1993
cxiv Hasan, J., Past and Future of Computer-Assisted Sleep Analysis and Drowsiness Assessment,
Journal of Clinical Neurophysiology, Vol.13(3), pp.295-313, 1996.
cxv Doffner, G., Objectives of the SIESTA project, en SIESTA. A New Standard for Integrating
Polygraphic Sleep Recordings into a Comprehensive Model of Human Sleep and Its
Validation in Sleep Disorders. http://www.ai.univie.ac.at/oefai/nn/siesta/objectives.html,
Sept.1997-Aug.2000.
cxvi Holzmann, C., Pérez, C., Held, C., San Martín, M., Pizarro, F., Pérez, J., Garrido, M.,
Peirano, P., Expert-System classification of sleep/waking states in infants. Med. Biol. Eng. Comput.,
Vol. 37, pp. 466-476, 1999.

220

Sueño

cxvii Carskadon, M.A., Rechtschaffen, A., Monitoring and Staging Human Sleep, en Kryger, M.H.,
Roth, T., Dement, W.C. (eds.), Principles and Practice of Sleep Medicine, Ed.W.B.Saunders
Company, USA, pp.665-683, 1989.
cxviii Principe, J.C., Gala, S.K., Chang, T.G. Sleep Staging Automaton Based on the Theory of
Evidence. IEEE Transactions on Biomedical Engineering, Vol 36, nº 5, pp. 503-509, May
1989
cxix Pacheco, O., Sistema Assistido por Computador de Classificaçao do Electroencefalograma do Sono e
Deteccaçao de Micro Despertares, Dissertaçao de Doutoramento apresentada à Universidade de
Aveiro. Universidade de Aveiro. Aveiro. Abril de 1996.
cxx SensorMedics, Somnostar LabManager Operator’s Manual and Tutorial. SensorMedics, 1998.
cxxi Pacheco, O., Vaz, F., Método de Supervisao para Sistemas Automáticos de Classificaçao de EEG de
Sono Baseado en Redes Neuronais, en BIOENG’96, VII.3.1-VII.3.6.
cxxii Peña, D., Estadística. Modelos y métodos. 1. Fundamentos, 2ª ed., Alianza Editorial, Madrid,
1991.
cxxiii Carskadon, M.A., Dement, W.C., Normal Human Sleep: An Overview, en Kryger, M.H.,
Roth, T., Dement, W.C. (eds.), Principles and Practice of Sleep Medicine, Ed.W.B.Saunders
Company, USA, pp.3-13, 1989.
cxxiv Merica, H., Gaillard, J-M., Statistical Description and Evaluation of Interrelationships of Standard
Sleep Variables for Normal Subjects, Sleep, Vol.8, pp.261-273, 1985.
125 Ledley, R. S., Lusted, L. B., Reasoning Foundations of Medical Diagnosis, Computer-Asisted
Decision Making. Springer-Verlag, New York, 1985.
126 Kassirer, J. P., Gorry, G. A., Clinical problem solving: A behavioral analysis, Annals of Internal
Medicine, vol. 89, pp. 245-255, 1978.
127 Pazos, J., De la informática convencional a la Inteligencia Artificial en Medicina. Inteligencia
Artificial en Medicina, Fundación Alfredo Brañas, Santiago de Compostela, España, 1994.
128 Mishoe, S. C., The Diagnosis and Treatment of Sleep Apnea Syndrome, Respiratory Care, vol. 32,
nº 3, pp. 183-201, 1987.
129 Bray, G., Definition, measurement and classification of the syndromes of obesity. Int. J. of Obesity,
vol. 2, pp. 99-112, 1978.
130 Sériès, F., Cormier, Y., La Forge, J., Role of lung volumes in nocturnal postapneic desaturation.
Eur. Respir. J., vol. 2, pp. 26-30, 1989.
131 Guilleminault, C., Partinen, M., Obstructive sleep apnoea syndrome. New York: Raven Press,
1990.

221

0. Bibliografía

132 Phillips, B. A., Anstead, M. I., Gottlieb, D. J., Monitoring sleep and breathing: methodology,
Clinics in Chest Medicine, vol. 19, nº 1, pp. 203-212, 1998.
133 Cayton, R. M., Ryan, P. J., Hilton, M. F., Boldy, D. A., Evans, A., Bradbury, S., Sapiano,
S., Prowse, K., Validation of British Thoracic Society guidelines for the diagnosis of the sleep
apnoea/hyponoea syndrome: can polysomnography be avoided?, Thorax, vol. 50, pp. 972-975, 1995.
134 Berry, D. T. R., Webb, W. B., Block, A. J., Sleep apnea syndrome: a critical review of the apnea
index as a diagnostic criterion. Chest, 1984, vol. 86, nº 4, pp. 529-531, 1984.
135 George, C. F., Kryger, M. H., When is an apnea not an apnea?, Am. Rev. Respir. Dis., nº 131,
pp. 485-486, 1985.
136 Chaudhary, B. A., Speir, W. A. Jr., Sleep apnea syndromes. South Med. J., vol. 75, pp. 39-45,
1982.
137 Katz, A., Dinner, D. S., The effect of sleep position on the diagnosis of obstructive sleep apnea: a word
of caution. Cleve. Clin. J. Med., vol. 59, pp. 634-636, 1992.
138 American Sleep Disorders Association. Practice parameters for the use of portable recording in te
assessment of obstructive sleep apnea. Sleep, vol. 17, pp. 372-377, 1994.
139 Cartwright, R. D., Lloyd, S., Lilie, J., Kravitz, H., Sleep position as a treatment for sleep apnea
syndrome: A preliminary study. Sleep, vol. 8, nº 2, pp. 87-94, 1985.
140 Pevernagie, D. A., Stanson, A. W., Sheedy, P. F., et al., Effects of body position on the upper
airway of patients with obstructive sleep apnea. Am. J. Respir. Crit. Care Med., vol. 152, pp. 179185, 1995.
141 Pevernagie, D. A., Shepard, John W. Jr., Relations Between Sleep Stage, Posture and Effective
Nasal CPAP Levels in OSA, Sleep, vol. 15, nº 2, pp. 162-167, 1992.
cxlii Clarke, K., O’Moore, R., Smeets, R., Talmon, J., Brender, J., McNair, P., Nykamen, P.,
Grimson, J., Barber, B., A methodology for evaluation of knoledge-based systems in medicine. Artificial
Intelligence in Medicine, vol. 6, pp. 107-121, 1994.
cxliii Mosqueira Rey, E., SHIVA Un sistema heurístico e integrado para la validación de sistemas
inteligentes. Tesis Doctoral, Departamento de Computación, Facultad de Informática,
Universidad de A Coruña, 1998.
cxliv Moret Bonillo, V., Mosqueira Rey, E., Alonso Betanzos, A., Information analysis and
validation of intelligent monitoring systems in intensive care units. IEEE Transactions on Information
Technology in Biomedicine, vol. 1, nº 2, pp. 87-99, 1997.
cxlv Mosqueira Rey, E., Moret Bonillo, V., Validation of intelligent systems: a critical study and a tool.
Expert Systems with Applications, vol. 18, nº 1, pp. 1-16, 2000.

222

Sueño

cxlvi Slagle, J. R., Finkelstein, S. M., Leung, L. A., Warwick, J. W., Monitor: An expert system that
validates and interprets time-dependent partial data based on a cystic fibrossi home monitoring program.
IEEE Transactions on Biomedical Engineering, vol. 36, pp. 552-558, 1989.
cxlvii Fleiss, J. L., Statistical methods for rates and proportions. Segunda Edición, John Wiley, 1981.
cxlviii Cohen, J., Weighted kappa: Nominal scale agreement with provision for scaled disagreement or
partial credit. Psychological Bullentin, vol. 70, pp. 213, 1968.
cxlix Landis, J. R., Koch, G. G., The measurement of observer agreement for categorical data.
Biometrics, vol. 33, pp. 378-382, 1971.
cl Adlassnig, K. P., Scheithauer, W., Performance evaluation of medical expert systems using ROC
curves. Computer and Biomedical Research, vol. 22, pp. 297-313, 1989.
cli Cartwright, R. D., Lloyd, S., Lilie, J., Kravitz, H., Sleep position as a treatment for sleep apnea
syndrome: A preliminary study. Sleep, vol. 8, nº 2, pp. 87-94, 1985.
clii Geissman, J. R., Schultz, R.D., Verification and validation of expert systems. AI Expert, pp. 2633, 1998.
cliii O’Keefe, R. M., Balci, O., Smith, E. P., Validating expert system performance. IEEE Expert,
vol. 2, nº 4, pp. 81-89, 1987.
cliv Weil, J. V., Kryger, M. H., Scoggin, C. H., Sleep and breathing at high altitude. En:
Guilleminault, C., Dement, W. C., eds. Sleep Apnea Syndromes. New York: Alan R. Liss, pp.
119-136, 1978.

223

Inteligencia Artificial

Más contenido relacionado

Similar a Inteligencia Artificial (20)

Más de José Tomás Diarte Añazco (20)

Último (20)

Inteligencia Artificial