Precisão da Inteligência Artificial no Diagnóstico da Apneia Obstrutiva do Sono Usando Fotopletismografia: Revisão Sistemática e Meta-Análise
NeurologiaO que aconteceu
O método tradicional para o diagnóstico da apneia obstrutiva do sono (AOS) através da polissonografia pode ser caro e inacessível. Os desenvolvimentos recentes na IA propõem o uso da fotopletismografia (PPG) para auxiliar o diagnóstico da AOS. Este estudo busca avaliar a acurácia diagnóstica de uma abordagem baseada em IA no diagnóstico de AOS utilizando PPG. PubMed, Embase, Scopus, Web of Science e IEEE Xplore foram pesquisados desde o início até 3 de novembro de 2025. Os critérios de inclusão foram estudos observacionais que avaliaram a acurácia dos métodos de diagnóstico de AOS baseados em IA utilizando PPG em comparação com os testes convencionais de sono utilizados em adultos. Foram excluídos relatos de casos, séries de casos, revisões, metanálises, cartas, resumos de conferências, estudos pediátricos, estudos em animais, estudos em língua estrangeira, estudos com dados incompletos e estudos com foco em eventos apneicos individuais sem classificação em nível de paciente. O desfecho de interesse foi a acurácia diagnóstica dos modelos de IA baseados em PPG para AOS, avaliados em estudos primários utilizando testes de divisão aleatória, validação cruzada ou validação externa. Os revisores independentes extraíram dados e avaliaram o risco de viés utilizando a ferramenta QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies-2). Uma meta-análise bivariada bayesiana foi utilizada para agrupar estimativas. Outras análises de subgrupo, sensibilidade e meta-regressão foram realizadas. A qualidade global das provas foi avaliada utilizando o quadro GRADE (Grading of Recommendations, Assessment, Development and Evaluations).
O que encontraram
A partir de 12.579 registros, foram incluídos 13 estudos, com 9983 participantes. Todos os estudos foram classificados como baixo ou incerto para o risco de viés. A qualidade global das evidências foi moderada. A IA treinada em PPG obteve sensibilidade agrupada de 79,6% (intervalo credível de 95% [ICr] 55,5%-93,8%) e especificidade de 76,5% (ICr de 95% 48,2%-94,0%), em comparação com o diagnóstico convencional. A especificidade global aumentou (índice de apneia-hipopneia [IAH] ≥5: 63,6%; IAH ≥15: 81,8%; IAH ≥30: 85,1%), mas a sensibilidade global diminuiu (IAH ≥5: 87,2%; IAH ≥15: 79,7%; IAH ≥30: 76,7%) com maiores pontos de corte categóricos da gravidade do IAH. Além disso, os modelos de aprendizagem profunda obtiveram uma especificidade mais elevada (82,9%) do que o aprendizado de máquina tradicional (63,6%). A prevalência de AOS e o tipo de dispositivo não estiveram claramente associados à sensibilidade ou especificidade.
Por que isso importa
Modelos de IA treinados em PPG têm precisão razoável e podem potencialmente servir como uma ferramenta de triagem de baixo custo. No entanto, limitações como pequenos tamanhos amostrais, potenciais fontes de viés, sub-representação de determinadas regiões geográficas e influência de potenciais fatores de confusão destacam a necessidade de novas pesquisas. O trabalho futuro deve se concentrar no aprendizado profundo para melhorar a viabilidade e acessibilidade dessa abordagem na atenção primária.
Tradução automática do resumo original, publicado em Journal of medical Internet research sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Accuracy of Artificial Intelligence in Diagnosing Obstructive Sleep Apnea Using Photoplethysmography: Systematic Review and Meta-Analysis
Brian Sheng Yep Yeo, Esther Yanxin Gao, Joan Ern Xin Tan, Jun Yuan Koo, Yi Siang Lee, Nicole Kye Wen Tan, Adele Chin Wei Ng, Zhou Hao Leong, Thun How Ong, Leong Chai Leow et al.
Descritores MeSH
- Artificial Intelligence
- Photoplethysmography
- Sleep Apnea, Obstructive
- Humans