Como nossa AI chegou em 91% de acurácia em latência do sono em comparação a técnicos do maior hospital do sono do mundo

O sono é um pilar fundamental para a saúde e bem-estar, desempenhando um papel crucial não apenas na recuperação física, mas também no desempenho cognitivo e na manutenção da saúde mental. A importância do sono se estende para além do descanso, influenciando diretamente a criatividade, a capacidade de aprendizado e a tomada de decisões. Além disso, a ciência tem demonstrado uma forte correlação entre a qualidade do sono e o risco de desenvolvimento de doenças neurológicas, como Parkinson, demência e Alzheimer. No Brasil, essa realidade se manifesta em mais de 73 milhões de pessoas, segundo a ABS (Associação Brasileira do Sono). Este cenário ressalta a necessidade urgente de abordagens inovadoras para a gestão da saúde do sono, visando não apenas a melhoria da qualidade de vida, mas também a prevenção de condições de saúde mais graves.

É neste cenário que escolhemos focar nossos esforços e conhecimentos para desenvolver nossa primeira inteligência artificial dedicada à saúde do sono. Essa inovação foi testada com o maior hospital de sono do mundo e é uma ferramenta avançada para auxiliar neurologistas no diagnóstico deste tipo de distúrbio, garantindo 40% de redução de tempo e custo no estadiamento do sono. Com o lançamento previsto para as próximas semanas, nossa solução de IA está posicionada para ser um divisor de águas no mercado da saúde do sono.

Por que as pessoas necessitam fazer o exame de polissonografia

A polissonografia é um exame fundamental para diagnosticar distúrbios do sono, tais como apneia obstrutiva do sono, narcolepsia, síndrome das pernas inquietas e distúrbios do ritmo circadiano. Para muitos pacientes, entender os padrões de sono e identificar problemas específicos é crucial para melhorar sua qualidade de vida e saúde geral. No entanto, a interpretação manual dos dados da polissonografia pode ser demorada, sujeita a erros e exigir uma expertise significativa. O estadiamento do sono é uma parte vital da polissonografia, onde os profissionais de saúde classificam os diferentes estágios do sono, como sono leve, sono profundo (NREM) e sono REM. 

Por que a inteligência artificial pode otimizar este processo

A aplicação da inteligência artificial no estadiamento do sono está revolucionando a maneira como interpretamos os dados da polissonografia. Os algoritmos de IA podem analisar grandes conjuntos de dados de forma rápida e precisa, identificando padrões sutis que podem passar despercebidos durante uma análise manual. Isso não apenas acelera o processo de interpretação, mas também reduz a possibilidade de erros, garantindo resultados mais consistentes e confiáveis.

O fator humano

A variabilidade inter e intra técnicos de polissonografia ao realizar o estadiamento do sono é um aspecto crítico na interpretação dos resultados da polissonografia e do estadiamento do sono. A variabilidade inter laudadores refere-se às diferenças na interpretação dos dados entre diferentes profissionais de saúde ou especialistas. Essas diferenças podem surgir devido a variações na experiência, treinamento e interpretação subjetiva dos padrões de sono. Por outro lado, a variabilidade intra técnicos diz respeito à consistência na interpretação dos dados pelo mesmo profissional ao longo do tempo. 

Minimizar a variabilidade inter e intra técnicos é essencial para garantir resultados precisos e confiáveis, destacando a importância de abordagens objetivas e padronizadas, bem como o potencial da inteligência artificial para otimizar esse processo e aumentar a consistência na interpretação dos resultados da polissonografia.

Desafios para descrever a latência do sono

Um dos desafios enfrentados na interpretação da polissonografia é a descrição precisa da latência do sono, ou seja, o tempo que leva para uma pessoa adormecer após deitar na cama. A latência do sono pode ser influenciada por uma variedade de fatores, incluindo o estado emocional do paciente, a presença de distúrbios do sono e o ambiente de sono. Desenvolver algoritmos de IA capazes de capturar e interpretar essas nuances é essencial para a precisão do diagnóstico.

Como medir a performance de um modelo de Inteligência Artificial?

No campo da inteligência artificial, a precisão na interpretação de dados é crucial para a classificação e predições que possuem alta acurácia. Quando se trata de análise de padrões de sono, essa precisão é ainda mais vital, pois pode influenciar diretamente o laudo. Neste contexto, métricas como precisão, recall, F1-Score e Kappa de Cohen desempenham um papel fundamental na avaliação do desempenho dos algoritmos desenvolvidos para interpretar os resultados da polissonografia. As métricas a seguir foram utilizadas para descrever a performance do Hypnos quanto a eficácia do modelo e sua validação clínica.

1. Precisão: Mede a proporção de identificações positivas feitas pelo modelo que são verdadeiramente corretas. É calculada dividindo os verdadeiros positivos pela soma dos verdadeiros positivos e falsos positivos. É útil quando os falsos positivos têm consequências significativas.
2. Recall: Também chamado de sensibilidade, mostra a capacidade do modelo de identificar corretamente todas as instâncias relevantes. É calculado dividindo os verdadeiros positivos pela soma dos verdadeiros positivos e falsos negativos. É crucial em situações onde identificar todas as ocorrências positivas é crítico, como em diagnósticos médicos.
3. F1-Score: Esta métrica combina precisão e recall, proporcionando um equilíbrio entre os dois. É útil quando as classes estão desbalanceadas porque leva em consideração tanto os falsos positivos quanto os falsos negativos. Apesar de ter uma fórmula complicada, é uma maneira de considerar ambos os tipos de erros.
4. Kappa de Cohen: Uma medida estatística que avalia a concordância entre dois avaliadores corrigida pelo acaso. Ele fornece uma pontuação normalizada variando de -1 a 1, onde 1 indica concordância perfeita, 0 indica concordância esperada por acaso e -1 indica concordância inversa completa. No entanto, em situações práticas e comuns, a faixa geralmente é restrita de 0 a 1. Quando o Kappa é igual a 1, não há discrepância entre as avaliações e a concordância é total. Se o Kappa for igual a 0, a concordância observada é equivalente à concordância esperada ao acaso. Valores negativos indicam concordância inferior ao acaso, indicando uma concordância pior do que seria obtida apenas pelo acaso. Neste caso, os autores usaram o Kappa entre o estadiamento do sono realizado por técnicos de polissonografia e suas respectivas previsões de cada modelo desenvolvido.

Performance do modelo para classificação da latência do sono

O Hypnos é um algoritmo de inteligência artificial treinado com dados reais fornecidos pela AFIP, o maior centro de pesquisa e clínica do sono do mundo. Um total de 1000 exames foram cedidos, dos quais 540 foram utilizados na etapa de treino do modelo e 100 na etapa de validação.  

Inicialmente, desenvolvemos um algoritmo para realizar a classificação do início do sono, uma das etapas mais desafiadoras da ciência do sono. Além disso, comparamos nossa performance com os principais modelos de inteligência artificial que realizaram a tal classificação.

Tabela 1: Tabela de Desempenho do Modelo binário: Precisão, Recall e Pontuação F1

Figura 2: Matriz de confusão do modelo binário

Ao descrever a latência do sono com alta acurácia e precisão, o Hypnos se destaca como o algoritmo mais preciso disponível no mercado, alcançando cerca de noventa e um por cento de acurácia e um erro médio de apenas seis minutos. Em contraste, a solução simular disponível no mercado, apresenta um erro médio de 20 minutos.

Receba o documento científico completo se cadastrando aqui.