Personalized Medicine for the Detection of Sleep Disorder: A Digital Twin Approach

• Autores: Ángel Serrano Alarcón
• Directores de la Tesis: Natividad Martínez Madrid (dir. tes.) , Juan Antonio Ortega Ramírez (dir. tes.)
• Lectura: En la Universidad de Sevilla ( España ) en 2025
• Idioma: inglés
• Número de páginas: 157
• Enlaces
  • Tesis en acceso abierto en: Idus
• Resumen

  • La relevancia de un sueño de calidad y de una duración óptima para el mantenimiento de una buena salud se ha demostrado de manera contundente. No obstante, es pertinente destacar que la manifestación de esta hipótesis no se produce de manera invariable a través de la aparición de trastornos del sueño. La apnea obstructiva del sueño (OSA) se erige como uno de los trastornos del sueño más prevalentes, siendo la polisomnografía (PSG) el procedimiento más eficaz para su identificación. A pesar de su precisión, la polisomnografía se asocia a numerosos inconvenientes, como largos periodos de espera para los pacientes y un gasto económico considerable. En consecuencia, se han desarrollado diversas alternativas para sustituir o complementar la polisomnografía. Entre las opciones identificadas, se han identificado soluciones que incorporan modelos de inteligencia artificial. El propósito de la presente tesis doctoral radica en extender el espectro analítico más allá de los límites convencionales, abordando el concepto de digital twin y su aplicación en el ámbito de la medicina del sueño. El concepto de digital twin ha sido implementado en diversos contextos industriales. No obstante, su implementación en el contexto médico, específicamente en el campo de la medicina del sueño, ha sido menos habitual. En el marco del presente estudio, se ha realizado una revisión exhaustiva de las metodologías y tecnologías informáticas que resultan fundamentales para la implementación de un digital twin destinado a la detección de trastornos del sueño, específicamente el reconocimiento de la apnea obstructiva del sueño. El digital twin se constituye por dos componentes primordiales: en primera instancia, datos de alta calidad y, en segunda instancia, modelos de inteligencia artificial que generen predicciones a partir de los datos y faciliten el análisis de los mismos. En este estudio se ha investigado el conjunto mínimo de señales necesarias para la detección de la apnea obstructiva del sueño. Además, se han desarrollado modelos de aprendizaje profundo para su utilización con estas señales, que han obtenido una precisión del 84,3 %, una sensibilidad del 82,5 %, una especificidad del 86 % y un AUC (área bajo la curva) del 92,1 %. Asimismo, se ha puesto énfasis en uno de los principales desafíos asociados al empleo de la inteligencia artificial: las denominadas black boxes. El empleo de técnicas de visualización resultó en una mejora en la explicabilidad de los modelos. El objetivo de este estudio es sentar las bases para detectar de forma más explícita y precisa patrones y trastornos del sueño tras la aplicación y el desarrollo de un gemelo digital. Se formula la hipótesis de que este desarrollo tiene el potencial de facilitar un diagnóstico más adecuado y menos complejo que el método de polisomnografía actual.