Il metodo diagnostico di riferimento per la sindrome delle apnee ostruttive del sonno (OSAS) è la polisonnografia, che richiede un sistema complesso e oneroso e che può rendere difficile per il paziente mantenere un sonno naturale. Diventa quindi particolarmente importante sviluppare metodi alternativi che offrano un’elevata affidabilità diagnostica, ma che siano al tempo stesso più semplici e confortevoli per il paziente.
In questo contesto, il gruppo di ricercatori guidato da Alimila Saiyitijiang. del The First Affiliated Hospital of Xinjiang Medical University, in Cina, ha condotto una revisione sistematica con metanalisi che si propone di valutare l’efficacia dei metodi di deep learning basati sui risultati dell’elettrocardiogramma (ECG) per il monitoraggio in tempo reale della condizione.
I risultati della metanalisi
La revisione sistematica ha incluso 39 studi originali e la metanalisi sull’accuratezza diagnostica dei metodi di deep learning è stata condotta utilizzando un modello bivariato a effetti misti, metodologia appropriata per l’analisi congiunta di sensibilità e specificità.
I risultati complessivi ottenuti evidenziano prestazioni diagnostiche molto elevate: la sensibilità aggregata è risultata pari a 0,93 e la specificità a 0,95, indicando che i modelli di deep learning basati sull’ECG discriminano correttamente, nella la maggior parte dei casi, i soggetti affetti dai non affetti da OSAS.
Dall’analisi condotta sono emersi anche altri due dati degni di nota: il rapporto di verosimiglianza positivo (PLR) di 17,7 suggerisce che un risultato positivo aumenta in modo marcato la probabilità di malattia, mentre il rapporto di verosimiglianza negativo (NLR) di 0,07 indica che un risultato negativo riduce significativamente la probabilità di OSAS.
Il diagnostic odds ratio (DOR), pari a 252, conferma infine l’elevata capacità discriminativa complessiva del test. Analogamente, l’area sotto la curva (AUC) di 0,98 è coerente con un’accuratezza quasi ottimale.
La rilevanza clinica di tali parametri può essere meglio compresa considerando che, negli studi inclusi, circa il 30% dei segmenti di immagini ECG era associato a OSAS. È stato inoltre stimato che, in presenza di un risultato positivo del modello di deep learning, la probabilità che il segmento sia effettivamente riconducibile a OSAS è pari all’88%. Al contrario, in presenza di un risultato negativo, la probabilità che il segmento non sia associato alla sindrome delle apnee ostruttive del sonno raggiunge il 97%.
Il deep learning perla rilevazione della OSAS
I modelli di deep learning per la rilevazione della OSAS basati su segnali ECG, indipendentemente dal metodo di validazione impiegato, mostrano dunque un’elevata accuratezza diagnostica e offrono concrete prospettive di rilevamento in tempo reale. Tuttavia, la diagnosi di OSAS rimane complessa, sia per la natura multifattoriale della patologia sia per le limitazioni intrinseche dei sistemi di screening basati esclusivamente su ECG.
Gli studi inclusi nella metanalisi evidenziano inoltre il potenziale clinico di sistemi e dispositivi indossabili che integrano ECG e deep learning per il monitoraggio domiciliare continuo e l’identificazione automatica degli episodi di apnea.
Questi risultati indicano che i modelli di deep learning basati su ECG non solo garantiscono elevate prestazioni diagnostiche, ma possono anche essere incorporati in dispositivi pratici e accessibili, favorendo un monitoraggio della OSAS più efficiente.
Conclusioni e prospettive cliniche
Sebbene gli studi disponibili presentino una certa variabilità nei dataset, nei protocolli di acquisizione dei segnali ECG e nei livelli di standardizzazione degli algoritmi, i risultati complessivi mostrano prestazioni diagnostiche molto promettenti. Nel complesso, i modelli di deep learning basati su ECG risultano particolarmente utili come strumenti di screening o di triage, da un lato per identificare soggetti ad alta probabilità di OSAS da avviare alla polisonnografia, dall’altro per escludere con buona affidabilità la presenza della patologia in contesti a prevalenza moderata.
