Resumo A automação da análise do sono, incluindo tanto elementos macroestruturais (estágios de sono) quanto microestruturais (por exemplo, fusos de sono), promete viabilizar estudos de sono em larga escala e reduzir a variância devido a incongruências entre avaliadores. Embora etapas individuais, como a classificação do sono e a detecção de fusos, tenham sido estudadas separadamente, a viabilidade da automação da análise de sono em múltiplas etapas permanece incerta. Neste estudo de caso, avaliamos se uma análise totalmente automatizada utilizando modelos de aprendizado de máquina validados para a classificação do sono (RobustSleepNet) e a posterior detecção de fusos (SUMOv2) pode replicar os achados de um estudo baseado em especialistas sobre o transtorno bipolar. A análise automatizada reproduziu qualitativamente os principais achados do estudo baseado em especialistas, incluindo diferenças significativas nas densidades de fusos rápidos entre pacientes bipolares e controles saudáveis, realizando em minutos o que antes levava meses para ser concluído manualmente. Embora os resultados da análise automatizada tenham diferido quantitativamente do estudo baseado em especialistas, possivelmente devido a viés entre os avaliadores especializados ou entre avaliadores e os modelos, os modelos individualmente tiveram desempenho igual ou superior ao nível de concordância entre avaliadores tanto para classificação de sono quanto para detecção de fusos. Nossos resultados demonstram que abordagens totalmente automatizadas têm o potencial de facilitar a pesquisa sobre o sono em larga escala. Estamos proporcionando acesso público às ferramentas utilizadas em nossa análise automatizada, compartilhando nosso código e introduzindo o SomnoBot, uma plataforma de análise do sono que preserva a privacidade.
Grieger et al. (Sat,) estudaram esta questão.