Aprendizaje automático no supervisado en la investigación del sueño

Objetivos del estudio

El aprendizaje automático no supervisado —un enfoque que identifica patrones y estructuras en los datos sin depender de etiquetas previas— ha mostrado resultados notables en diversos ámbitos de la investigación del sueño.

Este éxito refleja la amplia utilidad del aprendizaje automático, sugiriendo que sus capacidades pueden ir más allá de las aplicaciones actuales y que merece ser explorado para generar nuevas perspectivas en estudios del sueño, especialmente mediante técnicas no supervisadas.

Métodos

Se llevó a cabo una revisión de alcance (scoping review) siguiendo las directrices PRISMA para este tipo de revisiones. La búsqueda fue amplia y exhaustiva, incorporando múltiples términos relacionados con la intersección entre aprendizaje no supervisado y sueño, lo que resultó en 3, 960 publicaciones identificadas inicialmente.

El proceso de cribado de títulos y resúmenes fue realizado por dos revisores independientes, tras lo cual 356 publicaciones pasaron a revisión de texto completo.

De cada estudio se extrajeron datos sobre:

- Métodos de aprendizaje automático empleados.

- Tipos de datos de sueño analizados.

- Características de la población estudiada.

Resultados

En la última década se ha observado un incremento pronunciado en el número de publicaciones en este campo.

- El clustering fue la técnica más utilizada, aunque otros métodos —incluyendo técnicas más recientes de reducción de dimensionalidad y detección de anomalías— están ganando popularidad.

- Si bien la polisomnografía clásica continúa siendo la fuente principal de datos, también se emplearon dispositivos portátiles (wearables), nearables, registros de vídeo y audio, así como técnicas de imagen médica como entradas para los algoritmos.

- La amplitud de la búsqueda permitió abarcar aplicaciones en poblaciones generales y en pacientes con diversos trastornos del sueño (p. ej. , apnea obstructiva, insomnio, narcolepsia).

Conclusión

Esta revisión ofrece un mapa actual del uso del aprendizaje no supervisado en la investigación del sueño, identificando vacíos de conocimiento y proponiendo líneas futuras de investigación. Entre las prioridades destacan:

- Desarrollar metodologías estandarizadas para la recolección y preprocesamiento de datos de sueño.

- Explorar la integración de fuentes de datos heterogéneas (multimodales) para obtener modelos más robustos.

- Validar hallazgos en contextos clínicos reales, fomentando la traslación de resultados al diagnóstico y tratamiento de trastornos del sueño.

En conjunto, el aprendizaje no supervisado se perfila como una herramienta versátil y prometedora para descubrir patrones ocultos en datos complejos del sueño y abrir nuevas vías de investigación con potencial impacto clínico y poblacional.

Resumen modificado por Cibermedicina

Para acceder al texto completo consulte las características de suscripción de la fuente original:https://academic.oup.com/