Un vistazo a nuestro día a día en la oficina de Memorias del IICSDesempeño diagnóstico y reproducibilidad de un pulsioxímetro con algoritmos de inteligencia artificial en pacientes con apnea obstructiva del sueño en el Hospital General de Luque
DOI:
https://doi.org/10.18004/mem.iics/1812-9528/2026.e24122601Palabras clave:
Apnea obstructiva del sueño, Oximetría, Inteligencia Artificial, Reproducibilidad de los Resultados, PolisomnografíaResumen
La apnea obstructiva del sueño (AOS) es un trastorno frecuente y subdiagnosticado, especialmente en contextos con recursos limitados como Paraguay, donde la polisomnografía —estándar diagnóstico— no está disponible en el sistema público. Ante esta brecha, se evaluó el desempeño diagnóstico y la reproducibilidad de un pulsioxímetro de muñeca con algoritmos de inteligencia artificial (BM2000A Wrist Pulse Oximeter®) en comparación con un polígrafo respiratorio domiciliario (SleepFairy®). Se realizó un estudio prospectivo entre 2018 y 2023 en el Hospital General de Luque, incluyendo 84 adultos reclutados por conveniencia, excluyendo a quienes no completaron al menos 4 horas de registro. Se compararon variables como el índice de apnea-hipopnea (IAH), saturación media de oxígeno (SpO2), índice de desaturación (IDO), tiempo con SpO2 <90% y frecuencia cardíaca, registradas durante dos noches consecutivas. Los resultados mostraron un excelente desempeño del pulsioxímetro para detectar AOS moderada-severa (IAH ≥15/h): sensibilidad del 100%, especificidad del 96,4% y AUC de 0,98. La reproducibilidad fue alta (kappa = 0,77 para IAH ≥15/h; r = 0,94 entre noches). En cambio, su utilidad fue limitada para AOS leve (IAH ≥5/h), con AUC de 0,69. Estos hallazgos sugieren que el dispositivo es una herramienta viable y costo-efectiva para cribado y diagnóstico de casos graves en entornos con escasos recursos, aunque no sustituye a pruebas más completas en formas leves o pacientes con comorbilidades complejas.
Descargas
Referencias
1. Abbasi A, Gupta SS, Sabharwal N, Meghrajani V, Sharma S, Kamholz S, Kupfer Y. A comprehensive review of obstructive sleep apnea. Sleep Sci. 2021;14(2):142-154. 10.5935/1984-0063.20200056.
2. Benjafield AV, Ayas NT, Eastwood PR, Heinzer R, Ip MSM, Morrell MJ et al. Estimation of the global prevalence and burden of obstructive sleep apnoea: a literature-based analysis. Lancet Respir Med. 2019;7(8):687-698. 10.1016/S2213-2600(19)30198-5.
3. Drager LF, Santos RB, Pachito D, Albertini CS, Sert Kuniyoshi FH, Eckeli AL. Inequalities in the access to diagnosis and treatment of obstructive sleep apnea in Brazil. J Clin Sleep Med. 2024;20(5):735-742. 10.5664/jcsm.10976
4. Noriega Aguirre L, Franceschini CM, Alonzo de Rodriguez AM et al. Cobertura para el diagnóstico y tratamiento de la apnea obstructiva del sueño en Latinoamérica. Respirar. 2024;16(3):263-270. 10.55720/respirar.16.3.5
5. Lévy P, Schiza S. Are type III devices the future of sleep disordered breathing management? Eur Respir J. 2023;61(1):2201947. 10.1183/13993003.01947-2022
6. Collop NA, Anderson WM, Boehlecke B et al. Clinical guidelines for the use of unattended portable monitors in the diagnosis of obstructive sleep apnea. J Clin Sleep Med. 2007;3(7):737-47.
7. Marti-Soler H, Hirotsu C, Marques-Vidal P et al. The NoSAS score for screening of sleep-disordered breathing. Lancet Respir Med. 2016;4(9):742-748. 10.1016/S2213-2600(16)30075-3
8. Chung F, Abdullah HR, Liao P. STOP-Bang Questionnaire: A Practical Approach to Screen for Obstructive Sleep Apnea. Chest. 2016;149(3):631-8. 10.1378/chest.15-0903
9. Marmolejo-Torres ME, Torres-Fragal MG, Rodríguez-Reyes YG et al. ¿Cómo calificar una poligrafía respiratoria? Reglas de la AASM. Neumología y Cirugía de Tórax. 2020;79(2):110-115. 10.35366/94637
10. Jabaripour S, Saien S, Heidari R, Erfanian R, Amali A. Performance of Wrist-Worn Pulse Oximeter for the Screening of Obstructive Sleep Apnea. Iran J Otorhinolaryngol. 2024;36(5):603-612. 10.22038/ijorl.2024.77290.3586
11. van Doorn S, Idema DL, Heus P et al. Clinical utility of limited channel sleep studies versus polysomnography for obstructive sleep apnoea. Cochrane Database Syst Rev. 2025;Issue 5. CD013810. 10.1002/14651858.CD013810.pub2.
12. Mediano O, González Mangado N, Montserrat JM et al. International Consensus Document on Obstructive Sleep Apnea. Arch Bronconeumol. 2022;58(1):52-68. 10.1016/j.arbres.2021.03.017.
13. Randerath W, de Lange J, Hedner J et al. Current and novel treatment options for obstructive sleep apnea. ERJ Open Res. 2022;8(2):00126-2022. 10.1183/23120541.00126-2022.
14. Roeder M, Bradicich M, Schwarz EI et al. Night-to-night variability of respiratory events in obstructive sleep apnea. Thorax. 2020;75(12):1095-1102. 10.1136/thoraxjnl-2020-214544.
15. Punjabi NM, Patil S, Crainiceanu C, Aurora RN. Variability and Misclassification of Sleep Apnea Severity Based on Multi-Night Testing. Chest. 2020;158(1):365-373. 10.1016/j.chest.2020.01.039
16. Ying S, Fu J, Wang L et al. A continuous multi-night sleep database for exploring sleep structure similarity. Sci Data. 2025;12(1):946. 10.1038/s41597-025-05202-6.
17. Hu S, Shi L, Li Z et al. First-night effect in insomnia disorder: a systematic review and meta-analysis. J Sleep Res. 2024;33(1):e13942. 10.1111/jsr.13942.
18. Teixeira RCP, Cahali MB. In-Laboratory Polysomnography Worsens Obstructive Sleep Apnea by Changing Body Position Compared to Home Testing. Sensors (Basel). 2024;24(9):2803. 10.3390/s24092803
19. Bei B, Wiley JF, Trinder J, Manber R. Beyond the mean: A systematic review on the correlates of daily intraindividual variability of sleep/wake patterns. Sleep Med Rev. 2016;28:108-24. 10.1016/j.smrv.2015.06.003.
20. Ujma PP, Bódizs R. Correlates of sleep variability in a mobile EEG-based volunteer study. Sci Rep. 2024;14(1):26012. 10.1038/s41598-024-76117-2.
21. Windred DP, Burns AC, Lane JM et al. Sleep regularity is a stronger predictor of mortality risk than sleep duration. Sleep. 2024;47(1):zsad253. 10.1093/sleep/zsad253.
22. Attia S, Oksenberg A, Levy J et al. Clinical Validation of Artificial Intelligence Algorithms for the Diagnosis of Adult Obstructive Sleep Apnea. J Sleep Res. 2025:e70093. 10.1111/jsr.70093.
23. Korkalainen H, Aakko J, Duce B et al. Deep learning enables sleep staging from photoplethysmogram for patients with suspected sleep apnea. Sleep. 2020;43(11):zsaa098. 10.1093/sleep/zsaa098.
24. Borsini E. Avances tecnológicos y nuevas estrategias diagnósticas en la apnea obstructiva del adulto. Fronteras en Medicina. 2024;(02):0105-0111. 10.31954/RFEM/202402/0105-0111
25. Itamar Medical, Ltd. 510(k) Premarket Notification: WatchPAT ONE (K183559). U.S. Food and Drug Administration. 2019.
26. Acurable Limited. 510(k) Premarket Notification: AcuPebble SA100 (K211624). U.S. Food and Drug Administration. 2021.
27. Samsung Electronics Co., Ltd. De Novo Classification Request: Sleep Apnea Feature (DEN230041). U.S. Food and Drug Administration. 2024.
28. Pivetta B, Chen L, Nagappa M et al. Use and Performance of the STOP-Bang Questionnaire for Obstructive Sleep Apnea Screening. JAMA Netw Open. 2021;4(3):e211009. 10.1001/jamanetworkopen.2021.1009.
29. Bernhardt L, Brady EM, Freeman SC et al. Diagnostic accuracy of screening questionnaires for obstructive sleep apnoea in adults. Sleep Breath. 2022;26(3):1053-1078. 10.1007/s11325-021-02450-3
30. Duarte RLM, Magalhães-da-Silveira FJ, Gozal D. Screening for obstructive sleep apnea: comparing the AASM criteria with STOP-Bang, NoSAS, and GOAL instruments. J Clin Sleep Med. 2023;19(7):1239-1246. 10.5664/jcsm.10546
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Memorias del Instituto de Investigaciones en Ciencias de la Salud
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
