medigraphic.com
ISSN 2007-1523 (Digital)
Revista Mexicana de Trastornos Alimentarios

2024, Número 2

<< Anterior Siguiente >>

Revista Mexicana de Trastornos Alimentarios 2024; 14 (2)


Análisis de somnolencia y hábitos de salud en pacientes con apnea del sueño mediante Red Neuronal Artificial

Aguilera-Sosa V, Arias GL, Santa-Miranda R, Pérez VNM

Idioma: Español
Referencias bibliográficas: 25
Paginas: 188-199
Archivo PDF: 542.64 Kb.


RESUMEN

La OB es uno de los principales factores de riesgo para el Síndrome de apnea obstructiva del sueño (SAOS), que a su vez es generadora de somnolencia diurna. Los hábitos y estilos de vida, en conjunto con factores sociodemográficos, pueden explicar los niveles de somnolencia. Objetivo: generar una Red Neuronal Artificial para identificar pesos sinápticos de los hábitos de salud, que incluye a la sobre y sub ingesta, IMC, y factores sociodemográficos, en una n=140 de pacientes entre 18-65 años que acudieron a la Clínica de Trastornos del Sueño, de la UNAM, IMC ≥25 kg / m2 y con un SAOS de grave a moderada, tratados con CPAP (presión positiva continua en las vías respiratorias). Método: estudio a conveniencia, transversal, exploratorio, cuantitativo, y explicativo. Resultados: el IMC, la sobre ingesta, los antojos, la sub ingesta, y las expectativas para bajar de peso, tiene pesos sinápticos cada una por ›60%. De las variables sociodemográficas, la escolaridad y padecer alguna comorbilidad, tuvieron pesos sinápticos de 46% cada una. Conclusiones: el IMC, y las conductas de salud, con puntos de corte en riesgo, explican a la somnolencia. Estos hallazgos nos permiten identificar con modelos no lineales, la importancia por separado que tiene las variables psicológicas y sociodemográficas en la somnolencia en sujetos con SAOS.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Bonsignore M. R. (2022). Obesity and Obstructive SleepApnea. Handbook of experimental pharmacology, 274, 181–201. https://doi.org/10.1007/164_2021_558

  2. Castro, A. I., Gomez-Arbelaez, D., Crujeiras, A. B., Granero,R., Aguera, Z., Jimenez-Murcia, S., Sajoux, I., Lopez-Jaramillo,P., Fernandez-Aranda, F., & Casanueva, F. F.(2018). Effect of A Very Low-Calorie Ketogenic Diet onFood and Alcohol Cravings, Physical and Sexual Activity,Sleep Disturbances, and Quality of Life in ObesePatients. Nutrients, 10 (10), 1348. https://doi.org/10.3390/nu10101348

  3. Di, H., Guo, Y., Daghlas, I., Wang, L., Liu, G., Pan, A., Liu,L., & Shan, Z. (2022). Evaluation of Sleep Habits andDisturbances Among US Adults, 2017-2020. JAMAnetwork open, 5(11), e2240788. https://doi.org/10.1001/jamanetworkopen.2022.40788

  4. Dobbie, L.J., Coelho, C., Crane, J. et al. (2023). Clinical evaluationof patients living with obesity. Intern Emerg Med.,18, 1273–1285 https://doi.org/10.1007/s11739-023-03263-2

  5. Duong-Quy, S., Dang Thi Mai, K., Tran Van, N., NguyenXuan Bich, H., Hua-Huy, T., Chalumeau, F…Martin, F.(2018). Étude de la prévalence du syndrome d’apnéesobstructives du sommeil au Vietnam [Study about theprevalence of the obstructive sleep apnoea syndromein Vietnam]. Revue des maladies respiratoires, 35(1), 14–24.https://doi.org/10.1016/j.rmr.2017.10.006

  6. Eyvazlou, M., Hosseinpouri, M., Mokarami, H., Gharibi,V., Jahangiri, M., Cousins, R., Nikbakht, H. A., & Barkhordari,A. (2020). Prediction of metabolic syndromebased on sleep and work-related risk factors using anartificial neural network. BMC endocrine disorders, 20(1),169. https://doi.org/10.1186/s12902-020-00645-x

  7. Gagliano, A., Puligheddu, M., Ronzano, N., Congiu, P., Tanca,M. G., Cursio, I., Carucci, S., Sotgiu, S., Grossi, E., &Zuddas, A. (2021). Artificial Neural Networks Analysisof polysomnographic and clinical features in PediatricAcute-Onset Neuropsychiatric Syndrome (PANS):from sleep alteration to “Brain Fog”. Nature and scienceof sleep, 13, 1209–1224. https://doi.org/10.2147/NSS.S300818

  8. Gallego-Gómez, J. I., González-Moro, M. T. R.,González-Moro, J. M. R., Vera-Catalán, T., Balanza, S.,Simonelli-Muñoz, A. J., & Rivera-Caravaca, J. M. (2021).Relationship between sleep habits and academic performancein university Nursing students. BMC nursing,20(1), 100. https://doi.org/10.1186/s12912-021-00635-x.

  9. Tlatoa-Ramírez, H.L. Ocaña-Servín, M.L. Márquez-López, J.Bermeo-Méndez, A.F. Gallo-Avalos (2015). El género, unfactor determinante en el riesgo de somnolencia. Medicinae Investigación, 3(1):17-21. http://dx.doi.org/10.1016/j.mei.2014.06.003

  10. Kalmbach, D. A., Cheng, P., Sangha, R., O’Brien, L. M.,Swanson, L. M., Palagini, L., Bazan, L. F., Roth, T., &Drake, C. L. (2019). Insomnia, Short Sleep, And SnoringIn Mid-To-Late Pregnancy: Disparities Related ToPoverty, Race, And Obesity. Nature and science of sleep, 11,301–315. https://doi.org/10.2147/NSS.S226291

  11. Kuvat, N., Tanriverdi, H., & Armutcu, F. (2020). The relationshipbetween obstructive sleep apnea syndromeand obesity: A new perspective on the pathogenesis interms of organ crosstalk. The clinical respiratory journal,14(7), 595–604. https://doi.org/10.1111/crj.13175

  12. Li, A., Quan, S. F., Silva, G. E., Perfect, M. M., & Roveda,J. M. (2018). A Novel Artificial Neural Network BasedSleep-Disordered Breathing Screening Tool. Journalof clinical sleep medicine: JCSM: official publication ofthe American Academy of Sleep Medicine, 14(6), 1063–1069.https://doi.org/10.5664/jcsm.7182

  13. López-Meza, Elmer, Olmos-Muñoz, Adriana, Vargas-Cañas,Steven, Ramírez-Bermúdez, Jesús, López-Gómez,Mario, Corona, Teresa, & Volkers, Georgina. (2006).Somnolencia en la ciudad de México. Gaceta médicade México, 142(3), 201-203. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0016-38132006000300004&lng=es&tlng=e

  14. Malafeev, A., Laptev, D., Bauer, S., Omlin, X., Wierzbicka,A., Wichniak, A., Jernajczyk, W., Riener, R., Buhmann,J., & Achermann, P. (2018). Automatic Human SleepStage Scoring Using Deep Neural Networks. Frontiersin neuroscience, 12, 781. https://doi.org/10.3389/fnins.2018.00781

  15. Mena Frau, Carlos, & Montecinos Guajardo, Rodrigo. (2006).Comparación de redes neuronales y regresión lineal paraestimar productividad de sitio en plantaciones forestales,utilizando geomática. Bosque (Valdivia), 27(1), 35-43.https://dx.doi.org/10.4067/S0717-92002006000100004

  16. Méndez-Peña, B. I., Murillo-Tovar, M. M., Leija-Alva, G.,Montufar Burgos, I. I., Serena-Alvarado, A., Durán-Arciniega,R. S., Pérez-Vielma, N. M., & Aguilera-Sosa, V.R. (2022). Artificial neural networks model: Neuropsychologicalvariables and their relationship with body fatpercentage in adults: Variables neuropsicológicas y surelación con el porcentaje de grasa corporal en adultos.Revista Mexicana de Trastornos Alimentarios, 12(1), 61-70.https://doi.org/10.22201/fesi.20071523e.2022.1.718

  17. Morales, Y., Zamora, Y., Vásquez, P., Porras, M., Bárzaga, J.,López, R. (2018). Comparación entre redes neuronalesartificiales y regresión múltiple para la predicción de larugosidad superficial en el torneado en seco. Ingenius,19, 79-88. doi: https://doi.org/10.17163/ings.n19.2018.08.

  18. O’Donnell W. E. y Warren W. L. (2007). Cuestionario de SobreingestaAlimentaria (OQ) (trad. de Olivare y Mancilla).México: Manual Moderno.

  19. Rodrigues, G. D., Fiorelli, E. M., Furlan, L., Montano, N.,& Tobaldini, E. (2021). Obesity and sleep disturbances:The “chicken or the egg” question. European journalof internal medicine, 92, 11–16. https://doi.org/10.1016/j.ejim.2021.04.017

  20. Sáenz Bajo, N., & Alvaro Ballesteros, M. (2002). Redes neuronales:concepto, aplicaciones y utilidad en medicina[Neural networks: concept, applications and usefulnessin medicine]. Atencion primaria, 30(2), 119–120. https://doi.org/10.1016/s0212-6567(02)78981-6

  21. Sandoval-Sandoval R., Alcalá-Lozano R., Herrera-JiménezI. & Jiménez-Genchi A. (2013). Validación de la escalade somnolencia de Epworth en población mexicana.Gaceta medica de México, 149(4), 409–416. PMID: 23999632

  22. Sierra JC., Sánchez AI., BuelaCasalG., Ambrosio I. &ViruésOrtegaJ. (2007). Predictores del nivel de somnolenciaen pacientes con Apnea Obstructiva del Sueño.Rev. Ecuat. Neurol, 15 (23):1-8. https://revecuatneurol.com/wp-content/uploads/2015/06/Predictor.pdf)

  23. Teferra, R. A., Grant, B. J., Mindel, J. W., Siddiqi, T. A.,Iftikhar, I. H., Ajaz, F., Aliling, J. P., Khan, M. S.,Hoffmann, S. P., & Magalang, U. J. (2014). Cost minimizationusing an artificial neural network sleep apneaprediction tool for sleep studies. Annals of the AmericanThoracic Society, 11(7), 1064–1074. https://doi.org/10.1513/AnnalsATS.201404-161OC

  24. Thorn, C. E., Knight, B., Pastel, E., McCulloch, L. J., Patel,B., Shore, A. C., & Kos, K. (2017). Adipose tissue is influencedby hypoxia of obstructive sleep apnea syndromeindependent of obesity. Diabetes & metabolism, 43(3),240–247. https://doi.org/10.1016/j.diabet.2016.12.002

  25. Yeckle, J., & Manian, V. (2023). Automated Sleep StageClassification in Home Environments: An Evaluationof Seven Deep Neural Network Architectures. Sensors(Basel, Switzerland), 23(21), 8942. https://doi.org/10.3390/s23218942




2020     |     www.medigraphic.com