La IA revoluciona la detección de la apnea del sueño: hacia un diagnóstico más accesible y temprano

La apnea del sueño, un trastorno respiratorio que interrumpe la respiración durante el descanso nocturno y puede tener consecuencias graves para la salud cardiovascular, comienza a detectarse gracias al uso de inteligencia artificial (IA).

Estudios recientes publicados en revistas médicas internacionales proponen modelos de IA basados en datos clínicos y demográficos como una herramienta prometedora para identificar a personas con riesgo, más allá de los complejos y costosos estudios tradicionales.

Nuevo enfoque para la detección de la apnea

El diagnóstico clásico de Apnea obstructiva del sueño (AOS) se realiza mediante estudios de sueño como la polisomnografía, que requieren equipamiento especializado, múltiples sensores y la estadía del paciente en un laboratorio.

Pero estos estudios tienen limitaciones: su costo, la disponibilidad restringida y el hecho de que la persona duerma en un entorno distinto al habitual pueden complicar su acceso y afectar su representatividad.

Ante esta situación, investigadores comenzaron a explorar la capacidad de la IA para aportar una alternativa más sencilla, rápida y accesible.

Un ejemplo es la investigación recientemente publicada bajo el título Application of artificial intelligence for the detection of obstructive sleep apnea based on clinical and demographic data —que revisa múltiples estudios entre 2014 y 2024—, donde se analiza la eficacia de modelos de IA que utilizan variables demográficas y clínicas (edad, índice de masa corporal, circunferencia del cuello, presencia de comorbilidades, entre otras) para predecir la probabilidad de AOS.

Ese análisis incluyó 26 trabajos que cumplían con criterios de validación frente a pruebas de sueño tradicionales (polisomnografía o poligrafía cardiorrespiratoria). Los algoritmos más utilizados fueron árboles de decisión, máquinas de soporte vectorial y redes neuronales.

Los resultados resultan alentadores: muchos modelos alcanzaron valores de área bajo la curva (AUC) superiores a 0,80 —indicador de buen desempeño diagnóstico—, con rangos entre 0,62 y 0,93.

Sin embargo, los autores advierten: por ahora los estudios muestran heterogeneidad en sus métodos, hay limitadas validaciones externas (es decir: probar los modelos en poblaciones diferentes a las originales) y en algunos casos se excluyeron pacientes con datos incompletos, lo que podría sesgar los resultados.

Ventajas y desafíos de la IA

Ventajas

La IA permite filtrar pacientes con riesgo elevado de AOS utilizando datos simples, lo que podría expandir el acceso al diagnóstico, especialmente en contextos con recursos limitados o en zonas alejadas.

Al reducir la dependencia de estudios costosos y complejos, puede favorecer una detección más temprana, con el consiguiente beneficio para prevenir complicaciones asociadas, como hipertensión, enfermedades cardiovasculares, fatiga crónica o accidentes vinculados a somnolencia diurna.

Esto sobresale en un contexto como el latinoamericano, donde la demanda de estudios supera la disponibilidad de centros especializados.

Estos modelos pueden servir como una puerta de entrada al sistema de salud, orientando qué personas deberían someterse a estudios definitivos.

Desafíos y límites actuales

La heterogeneidad metodológica entre estudios —diversidad de variables, diferencias en criterios de inclusión, variabilidad poblacional— dificulta establecer un estándar confiable.

Faltan validaciones en poblaciones amplias y variadas. Muchos estudios se realizan en muestras pequeñas o en pacientes ya seleccionados. La generalización a la población general aún requiere más evidencia.

No se han adoptado aún en forma masiva estos algoritmos como parte de pautas clínicas reconocidas, por lo que la IA no reemplaza sino complementa los métodos tradicionales por ahora.

Qué significa esto para la salud pública

La incorporación de la IA al diagnóstico de AOS tiene un potencial transformador, sobre todo en sistemas de salud saturados o con inequidades de acceso. Podría permitir que muchas más personas con síntomas leves —o incluso con signos no evidentes como somnolencia diurna, hipertensión resistente o problemas metabólicos— sean evaluadas y derivadas a estudios confirmatorios.

Así, la IA puede cumplir una función clave de “filtrado” o “cribado inicial”, lo que permitiría optimizar recursos sanitarios, priorizar quienes más lo necesiten, y reducir demoras en la confirmación diagnóstica.

En países como Argentina, donde el acceso a laboratorios de sueño puede ser limitado fuera de grandes ciudades, esta tecnología podría acercar el diagnóstico a zonas menos favorecidas.

No obstante, para que este escenario se concrete, los especialistas coinciden en la necesidad de avanzar con estudios de validación rigurosos, con muestras amplias y representativas de la población general. También es clave homologar protocolos, asegurar transparencia en los algoritmos y garantizar que los resultados sean interpretables por profesionales de salud.

Perspectivas

La revisión del campo más reciente —publicada como Artificial intelligence in the diagnosis of obstructive sleep apnea: a scoping review — identificó 344 artículos que exploran distintas formas de emplear IA en AOS: desde la clasificación binaria (presencia o no de AOS), hasta la detección de eventos respiratorios, la estimación del índice de apnea-hipopnea (IAH) y la evaluación de la severidad.

Las modalidades de datos más comunes incluyen señales de electrocardiograma (ECG), fotopletismografía (PPG), esfuerzo respiratorio, movimientos corporales, y oximetría, lo que confirma que la IA puede operar con información relativamente simple, extraíble en entornos ambulatorios o incluso domiciliarios.