Novo Método para Rastrear Fases do Sono Usando Aprendizado Profundo

Dormir é muito importante pra saúde de todo mundo. A galera passa cerca de um terço da vida dormindo. Mesmo assim, descobrir como as pessoas dormem fora de ambientes controlados é complicado. Os métodos atuais pra monitorar o sono, como diários de sono, dependem do que as pessoas falam sobre o próprio sono. Infelizmente, esses diários muitas vezes não batem com medições mais precisas feitas com dispositivos.

A melhor forma de medir o sono é através de um processo chamado polissonografia, que analisa vários sinais relacionados ao sono. Porém, esse método é caro e complicado, o que dificulta seu uso em larga escala. Como solução, dispositivos que são usados no pulso, como Acelerômetros, podem ser usados mais facilmente em estudos grandes. Esses dispositivos são portáteis e não são muito incômodos para quem usa.

#Desafios na Monitorização do Sono

Mesmo que os dispositivos de pulso sejam populares pra monitorar o sono, os algoritmos usados pra avaliar os estágios do sono geralmente são mantidos em segredo e só foram testados em um número pequeno de pessoas. Isso torna difícil saber quão precisos esses dispositivos realmente são. A maioria dos métodos pra classificar o sono se baseia em características específicas coletadas dos dados de movimento, o que pode não usar todas as informações disponíveis. Portanto, usar métodos avançados como aprendizado profundo pode ser útil.

Muitos estudos que usaram acelerômetros focaram apenas em se a pessoa está acordada ou dormindo, sem olhar mais fundo nos diferentes estágios do sono. Pra resolver isso, uma nova abordagem foi desenvolvida pra avaliar melhor os estágios do sono.

#Objetivos do Estudo

Esse estudo tinha três objetivos principais:

1. Criar e testar um novo método de código aberto usando aprendizado profundo pra determinar os estágios do sono a partir de acelerômetros usados no pulso.
2. Validar esse novo método em relação a benchmarks existentes para classificação do sono.
3. Ver como a duração e a Eficiência do Sono medidas pelos dispositivos se relacionam com as taxas gerais de mortalidade.

#Design do Estudo e Participantes

Nesse estudo, os pesquisadores trabalharam com participantes de vários locais pra criar e testar um modelo chamado SleepNet. Esse modelo usa um tipo especial de técnica de aprendizado profundo pra classificar os estágios do sono em três categorias: acordado, movimento rápido dos olhos (REM), e sono não REM (NREM).

O processo envolveu três etapas principais:

1. Extração de Características: Essa etapa pegou dados coletados em situações de vida livre sem rótulos.
2. Desenvolvimento do Modelo: Nessa fase, o modelo foi desenvolvido pra classificar os dados nos três estágios do sono.
3. Análise de Saúde: Finalmente, os pesquisadores analisaram como os parâmetros do sono previam resultados de saúde.

#Pipeline de Desenvolvimento do SleepNet

1. A primeira etapa envolveu o uso de um grande conjunto de dados do UK Biobank, que incluía dados de muitos participantes coletados ao longo de vários dias. Esse conjunto de dados ajudou o modelo a aprender características importantes pra avaliar o sono.
2. Depois disso, o modelo foi refinado com uma rede mais detalhada pra treiná-lo usando dados de sono precisos da polissonografia.
3. A última etapa envolveu a aplicação desse modelo nos dados do UK Biobank pra investigar como os parâmetros de sono medidos se relacionavam com os resultados de saúde.

#Dispositivos Acelerômetros e Processamento de Dados

No estudo, foram usados três tipos diferentes de acelerômetros pra coletar dados: ActiGraph GT3X, Axivity AX3, e GENEActive Original. Esses dispositivos mostraram que conseguem medir movimento com precisão. Os pesquisadores se concentraram nos dados do pulso dominante pra manter consistência com estudos anteriores.

Os dados foram processados usando ferramentas específicas que garantiram que os dados de movimento brutos estivessem limpos e úteis. Os dados foram organizados em janelas de 30 segundos e excluídas as épocas em que o dispositivo não estava sendo usado.

#Medição dos Estágios do Sono

A polissonografia é o padrão ouro pra medir os estágios do sono. Neste estudo, os dados de sono dos dispositivos foram alinhados com os dados de sono da polissonografia. Isso permitiu que os pesquisadores usassem os dados da polissonografia como base pra treinar o modelo deles.

No total, os pesquisadores usaram uma quantidade grande de dados de sono - mais de um milhão de janelas de sono - pra treinar o modelo. O modelo aprendeu a diferenciar os diversos estágios do sono baseando-se nos dados coletados.

#Aprendizado Profundo pra Analisar os Estágios do Sono

O modelo SleepNet foi desenvolvido pra classificar os estágios do sono para cada segmento de dados de 30 segundos. Ele tem três componentes principais: um extrator de características, uma rede que aprende a partir de sequências de dados e camadas que preveem os estágios do sono. No processo de treinamento, o modelo usou tanto os três estágios do sono quanto os cinco estágios definidos pela polissonografia.

Os dados foram divididos para fins de validação. Os pesquisadores compararam o desempenho do SleepNet com outros modelos que se baseiam em características manuais.

#Validação e Desempenho

Pra validação, eles usaram dois grupos de participantes diferentes. Na validação interna, o modelo mostrou boa concordância com os dados de sono coletados pela polissonografia. Na validação externa, o modelo teve um desempenho um pouco menor, mas ainda assim forneceu insights úteis sobre a classificação do sono.

Os pesquisadores relataram como o SleepNet se saiu na classificação dos estágios do sono. Eles usaram métricas específicas que são menos influenciadas por dados desbalanceados pra avaliar a eficácia do modelo.

#Medindo o Sono no UK Biobank

Os pesquisadores então aplicaram seu modelo SleepNet pra analisar o sono em um grande grupo de participantes do UK Biobank. Eles estimaram a duração e a eficiência do sono pra cerca de 66.000 participantes. Análises descritivas foram feitas pra ver como os parâmetros do sono variavam com base em idade, sexo, nível de atividade física e outros fatores.

#Análise da Associação com a Saúde

Pra ver como as medidas de sono se relacionavam com os resultados de saúde, os pesquisadores buscaram conexões entre a Duração do sono, eficiência e risco de mortalidade por todas as causas. Eles analisaram um grande conjunto de dados e descobriram que uma duração de sono mais curta estava associada a um risco maior de morte.

O estudo também explorou como a eficiência e a duração do sono interagiam com outros fatores, como índice de massa corporal (IMC) e escolhas de estilo de vida.

#Conclusões

Ao longo de um período significativo, mais de 1.600 mortes foram registradas entre os participantes. Aqueles que dormiam menos de seis horas tinham um risco maior de mortalidade, independentemente da eficiência do sono. Foi encontrado que, à medida que a eficiência do sono melhorava, o risco de morte diminuía.

No entanto, dormir mais tempo não parecia aumentar o risco de mortalidade. Os pesquisadores concluíram que uma duração de sono curta, e não uma longa, está ligada a um aumento da mortalidade.

#Conclusão

Esse estudo desenvolveu e validou um método útil de aprendizado profundo pra analisar a arquitetura do sono usando dados de acelerômetros usados no pulso. Os resultados indicam que uma duração de sono mais curta está associada a um risco maior de morte, independentemente da eficiência do sono.

A abordagem adotada aqui oferece uma forma de avaliar características do sono em grande escala, o que pode ajudar em estudos futuros. Esse método permite que os pesquisadores coletem informações mais precisas sobre o sono e seus efeitos na saúde, possivelmente levando a melhores insights sobre distúrbios do sono e bem-estar geral.