Lead. Obtener una evaluación fiable del sueño normalmente implica pasar una noche en un laboratorio conectado a decenas de electrodos. La polisomnografía (PSG), el estándar de referencia para la clasificación de las etapas del sueño y el diagnóstico de la apnea, es engorrosa, costosa y poco adecuada para el cribado rutinario o el uso doméstico. Ahora, un gran equipo internacional ha publicado los resultados de BCGNet, un modelo de aprendizaje profundo que realiza la clasificación de las etapas del sueño y la detección de apnea a nivel clínico utilizando únicamente una alfombrilla sensorial colocada debajo de la almohada. El estudio, publicado el 3 de julio en NPJ Digital Medicine, informa que el modelo iguala o supera a muchos enfoques existentes sin requerir contacto directo con la piel del paciente.
Lo que encontraron. BCGNet es una arquitectura de aprendizaje por transferencia en dos etapas desarrollada por investigadores de 14 instituciones de China, Australia y Estados Unidos, incluyendo la Universidad Tsinghua, la Facultad de Medicina de Harvard y la Universidad de California en San Francisco. El equipo primero preentrenó el modelo con 580 865 horas de datos de polisomnografía, y luego lo ajustó con 15 081 horas de registros de balistocardiografía (BCG) capturados por el dispositivo debajo de la almohada. El conjunto de entrenamiento combinado de aproximadamente 596 000 horas se encuentra entre los más grandes jamás reunidos para la investigación de clasificación de etapas del sueño.
En la clasificación de cuatro etapas del sueño (vigilia, sueño ligero, sueño profundo, REM), el modelo obtuvo puntuaciones F1 entre 0,710 y 0,817 en múltiples cohortes de validación. Para la estimación del índice de apnea-hipopnea con un umbral de desaturación del 3 % (IAH3 %), la r de Pearson superó 0,95, lo que indica una correlación casi perfecta con las mediciones de referencia de PSG. Las métricas de continuidad y arquitectura del sueño, incluyendo el tiempo total de sueño, la eficiencia del sueño y el tiempo pasado en cada etapa, mostraron coeficientes de correlación intraclase y valores de r de Pearson generalmente superiores a 0,8.
El modelo se generalizó bien en diversos conjuntos de datos externos que diferían en la demografía de los pacientes, el equipo de registro y los entornos clínicos. Los autores también demostraron un sólido rendimiento en grabaciones cortas de siestas diurnas, lo que sugiere una utilidad potencial más allá de la monitorización nocturna.
Por qué es importante. Se estima que la apnea obstructiva del sueño afecta a 936 millones de adultos en todo el mundo, la gran mayoría de los cuales permanecen sin diagnosticar. Las pruebas de sueño domiciliarias actuales, aunque más convenientes que la PSG en laboratorio, todavía requieren que los pacientes usen sensores en la cara, el pecho o los dedos. Muchos pacientes encuentran estos dispositivos incómodos, y el cumplimiento de las pruebas domiciliarias sigue siendo inconsistente.
Un enfoque verdaderamente sin contacto elimina esas barreras. La alfombrilla BCG bajo la almohada no requiere configuración por parte del paciente, ni limpieza entre usos, ni el uso de ningún dispositivo. Puede desplegarse en hogares, centros de cuidados a largo plazo y salas de hospital sin alterar el entorno de sueño del paciente. Si el rendimiento reportado en este estudio se mantiene en despliegues prospectivos en el mundo real, el dispositivo podría ampliar drásticamente el acceso a la evaluación objetiva del sueño, particularmente en entornos donde la PSG no está disponible o no es práctica.
La capacidad del modelo para estimar el IAH3 % con una r de Pearson superior a 0,95 es especialmente notable. El índice de apnea-hipopnea es la métrica principal utilizada para diagnosticar y clasificar la gravedad de la apnea del sueño. Un sensor sin contacto que pueda producir un valor de IAH clínicamente viable podría servir como herramienta de cribado escalable, identificando potencialmente a los millones de pacientes no diagnosticados que se beneficiarían de una evaluación y tratamiento adicionales.
Limitaciones. El estudio fue retrospectivo, y los autores reconocen que la validación prospectiva en entornos domésticos reales es un siguiente paso importante. Si bien los conjuntos de datos de validación externa eran diversos, seguían siendo colecciones de investigación seleccionadas que pueden no ser totalmente representativas de la población general. El dispositivo captura solo señales BCG; no puede medir el flujo de aire, la saturación de oxígeno ni el EEG directamente, lo que significa que el modelo debe inferir estos parámetros de forma indirecta. El rendimiento en pacientes con comorbilidades complejas, arritmias cardíacas graves o arquitecturas de sueño inusuales no fue evaluado exhaustivamente. La patente es propiedad de Five Seasons Medical, una empresa con sede en Pekín, y varios autores son empleados del fabricante del dispositivo, un posible conflicto de intereses que debe tenerse en cuenta al evaluar las cifras de rendimiento reportadas. El estudio fue apoyado por la Fundación Nacional de Ciencias Naturales de China y el Ministerio de Ciencia y Tecnología de China.
Conclusión. BCGNet demuestra que un modelo de aprendizaje profundo entrenado con un enorme banco de datos de PSG puede transferir eficazmente su conocimiento a una señal de balistocardiografía sin contacto, produciendo estimaciones de clasificación del sueño y apnea que se aproximan a la precisión de la polisomnografía supervisada. El trabajo representa la evidencia más reciente y sólida de que los sensores portátiles y sin contacto, combinados con redes neuronales sofisticadas, pronto podrían hacer que la evaluación fiable del sueño esté disponible para cualquier persona con una cama.
Fuente. Chen S, Chen X, et al. BCGNet: an AI model trained on 600 K hours of sleep data for a novel under-pillow contactless monitoring device. NPJ Digit Med. 2026 Jul 3. doi: 10.1038/s41746-026-02885-y. PMID: 42399358.
Traducido por Alessandra