La clasificación del sueño por señales cardiorrespiratorias alcanza un 70 % de precisión pero se enfrenta a un punto ciego N1 y una brecha de validación, según una revisión sistemática
Fecha: 2026-07-08
La clasificación automática del sueño utilizando únicamente señales cardiorrespiratorias — derivadas de sensores portátiles en lugar de electroencefalografía completa — alcanza una precisión prácticamente significativa de aproximadamente el 70 %, pero el campo enfrenta deficiencias sistemáticas que limitan su implementación clínica, según una revisión sistemática publicada el 7 de julio en el Journal of Medical Systems.
La revisión, que abarca 35 estudios publicados desde 2010, encontró que ninguna modalidad de señal ni enfoque algorítmico superó a los demás: las señales cardíacas solas, las señales cardiorrespiratorias combinadas, y las señales cardiorrespiratorias aumentadas con otros canales no EEG produjeron resultados comparables, al igual que el aprendizaje automático tradicional frente a las arquitecturas de aprendizaje profundo.
Lo que encontraron
Investigadores de la Universidad de Zhejiang y la Universidad Municipal de Hangzhou buscaron en cuatro bases de datos para identificar estudios que desarrollaban modelos automáticos de clasificación del sueño basados en entradas cardiorrespiratorias — electrocardiografía, fotopletismografía, pletismografía por inductancia respiratoria y señales comparables — sin ningún canal EEG.
El hallazgo central es una meseta de aproximadamente el 70 % de precisión en todo el campo, sin diferencias significativas entre:
- Modalidades de señal — solo cardíaca, cardiorrespiratoria o cardiorrespiratoria más otras señales no EEG
- Familias de algoritmos — aprendizaje automático tradicional versus aprendizaje profundo
Tres modos de fallo sistemáticos surgieron:
1. Falta generalizada de validación externa. La gran mayoría de los estudios se entrenaron y probaron en el mismo conjunto de datos, típicamente un único repositorio público. No se ha demostrado que los modelos generalicen entre diferentes poblaciones, sensores o entornos de registro.
2. Clasificación consistentemente deficiente del sueño N1. La etapa más ligera del sueño no REM — ya la más difícil para que los evaluadores humanos se pongan de acuerdo — fue sistemáticamente la categoría de peor rendimiento en todos los enfoques revisados.
3. Generalización limitada entre diversas poblaciones de pacientes. Los estudios que reclutaban adultos jóvenes sanos dominaban la literatura. El rendimiento en adultos mayores, personas con trastornos del sueño y poblaciones pediátricas sigue siendo en gran parte desconocido.
Por qué es importante
La polisomnografía completa es el estándar de oro para la clasificación del sueño, pero requiere equipos especializados, un laboratorio del sueño y técnicos capacitados — lo que la hace poco práctica para uso a gran escala o longitudinal. Los wearables de consumo que capturan la frecuencia cardíaca y las señales respiratorias ya se utilizan ampliamente, pero sus algoritmos de clasificación del sueño son típicamente propietarios y no validados.
Un proceso de clasificación validado y abierto basado en señales cardiorrespiratorias podría transformar el monitoreo de la salud del sueño a nivel poblacional. El techo de precisión del 70 % identificado por esta revisión establece un punto de referencia realista para el campo y define dónde se necesitan mejoras futuras: validación externa, detección de N1 y diversidad poblacional.
Limitaciones
La revisión en sí misma incluye solo estudios publicados y puede reflejar sesgo de publicación. La cifra del 70 % es un agregado — el rendimiento de los estudios individuales varió. La revisión no aborda los algoritmos propietarios utilizados en wearables comerciales, que pueden diferir de los modelos académicos.
Conclusión
La clasificación del sueño por señales cardiorrespiratorias ha alcanzado una meseta de precisión estable que es suficiente para la detección a nivel poblacional pero aún no para el diagnóstico clínico. El próximo paso del campo es claro: validación externa rigurosa en poblaciones diversas, no un ajuste adicional de algoritmos.
Fuente
Chen W, He X, Zheng J, Chen S, Tian X. “Automatic sleep staging using cardiorespiratory signals: A systematic review of methodologies and performance.” Journal of Medical Systems. 2026 Jul 7;50(1):110. DOI: 10.1007/s10916-026-02435-9
Traducido por Alessandra