A apneia do sono, um distúrbio respiratório prevalente, representa riscos significativos à saúde, incluindo complicações cardiovasculares e problemas comportamentais, se não tratada. Métodos diagnósticos tradicionais, como a polissonografia, embora eficazes, costumam ser caros e inconvenientes. O SleepNet aborda essas questões ao introduzir uma nova abordagem multimodal adaptada para a detecção precisa da apneia do sono. No seu cerne, a estrutura utiliza uma fusão de redes neurais convolucionais unidimensionais (1D-CNN) e unidades recorrentes graduais bidirecionais (Bi-GRU) para analisar gravações de eletrocardiograma (ECG) com um único eletrodo, obtendo uma precisão de 95,08%. Quando o modelo é enriquecido com sinais fisiológicos adicionais — nomeadamente fluxo de ar nasal e esforço respiratório abdominal — o desempenho aumenta modestamente para 95,19%. Essa estratégia multimodal supera o desempenho de abordagens unimodais existentes, resultando em taxas de sensibilidade e especificidade aprimoradas de 96,12% e 93,45%, respectivamente. Quando comparado a estudos anteriores, o SleepNet representa um avanço substancial na eficácia diagnóstica, demonstrando o potencial transformador da integração de múltiplos fluxos de dados para a detecção da apneia do sono. Os resultados destacam a promessa das metodologias de aprendizado profundo em avançar neste domínio e estabelecem uma base robusta para pesquisas subsequentes.
Hemrajani et al. (Qui,) estudaram essa questão.