Modelo de IA Alcança 87% de Precisão na Classificação de Estágios do Sono em Idosos Usando Ondas Cerebrais

A classificação dos estágios do sono é crucial para o diagnóstico de distúrbios do sono, mas a análise manual tradicional por técnicos é demorada e subjetiva. Embora modelos de IA tenham demonstrado potencial para a classificação automática do sono, a maioria não leva em conta as diferenças relacionadas à idade nos padrões de sono — em particular, a redução do sono profundo que torna os adultos mais velhos mais suscetíveis a distúrbios do sono.

Pesquisadores da Henan University of Technology desenvolveram o RICM-SleepNet, um modelo de aprendizado profundo especializado na classificação dos estágios do sono em adultos acima de 60 anos. Eles utilizaram dados de 20 participantes (10 jovens e 10 mais velhos) do conjunto de dados Sleep-EDF expandido, analisando ondas cerebrais (EEG) e movimentos oculares (EOG) durante o sono. A equipe converteu esses sinais em mapas de características tempo-frequência 3D por meio de transformadas wavelet contínuas, criando um conjunto de dados com mais de 48.000 imagens.

O modelo RICM-SleepNet atingiu 87,66% de acurácia na classificação de cinco estágios do sono (vigília, estágios de sono leve N1 e N2, sono profundo N3 e sono REM) em adultos mais velhos, com um valor kappa de 0,8492, indicando concordância excelente. Esse resultado superou significativamente seis modelos de referência, incluindo o ResNet50, que serviu de base para a arquitetura aprimorada desenvolvida pelos pesquisadores. O modelo incorpora módulos Inception para extração de características em múltiplas escalas, mecanismos de atenção para foco nas características relevantes e conexões multiescala para melhor aproveitamento das informações ao longo das diferentes etapas de processamento.

Os testes comparativos revelaram que todos os modelos CNN apresentaram desempenho inferior nos conjuntos de dados de adultos mais velhos em relação às populações mais jovens, confirmando os desafios relacionados à idade na classificação dos estágios do sono. Os pesquisadores determinaram que a entrada de três canais (dois canais de EEG mais EOG) ofereceu o desempenho ideal. A análise estatística pelo teste de Kruskal-Wallis confirmou o desempenho superior do modelo com alta significância (p=0,0014).

Este trabalho aborda uma lacuna crítica na tecnologia da medicina do sono ao focar especificamente nas características únicas do sono da população idosa. O modelo poderia aumentar a eficiência e a acurácia do diagnóstico clínico de distúrbios do sono em adultos mais velhos, embora seja necessária maior validação em ambientes clínicos antes de uma implementação ampla.