Investigadores de las universidades de Jaén y Oviedo han desarrollado un sistema que analiza grabaciones de audio domésticas, por ejemplo las de un teléfono móvil durante la noche, para detectar patrones respiratorios asociados con la apnea del sueño. Este método busca ofrecer una alternativa más accesible y menos invasiva frente a la polisomnografía hospitalaria tradicional, permitiendo un cribado previo y un seguimiento domiciliario. Aunque no reemplaza el diagnóstico clínico, demuestra que el uso de redes neuronales aplicadas al sonido puede servir de apoyo a los especialistas e incluso reducir listas de espera.

¿Por qué buscar nuevas formas de detección?

La apnea obstructiva del sueño es un trastorno que consiste en la interrupción parcial o total de la respiración durante el sueño. Las pausas respiratorias pueden durar segundos e incluso minutos, provocando fragmentación del descanso y caídas puntuales de oxígeno en sangre. El estándar actual de diagnóstico es la polisomnografía, una prueba hospitalaria en la que el paciente duerme conectado a múltiples sensores que registran respiración, saturación, electroencefalograma y movimientos. Aunque es muy fiable, el método tiene varios inconvenientes: resulta intrusivo, limita la capacidad de los hospitales porque una sola noche no siempre refleja el patrón habitual del paciente, genera listas de espera elevadas y requiere recursos humanos y económicos considerables.

Por estas razones, un sistema basado en el análisis de grabaciones de audio podría complementar la detección tradicional, funcionando como filtro previo o como herramienta de seguimiento a largo plazo.

La propuesta de Jaén y Oviedo: inteligencia artificial aplicada al sonido

El equipo investigador de Jaén y Oviedo partió de la premisa de que los ronquidos, las pausas y las irregularidades respiratorias tienen firmas acústicas reconocibles. Para entrenar el sistema, recurrieron a grabaciones nocturnas de 32 pacientes durante sesiones de entre siete y ocho horas realizadas en el Hospital de Jaén entre septiembre de 2021 y abril de 2022, sincronizadas con las mediciones de polisomnografía para obtener datos de referencia, según detalla Telecinco Noticias.

La metodología consiste en dividir los audios en fragmentos temporales, procesarlos con técnicas de reducción de ruido y extraer parámetros como espectrogramas, coeficientes cepstrales en dominio mel o densidad de potencia en distintas bandas de frecuencia. Estos parámetros sirven como entrada para una red neuronal profunda, capaz de identificar anomalías consistentes con episodios de apnea o hipopnea. De esta manera, el sistema ofrece un análisis automatizado de las horas de sueño, con indicaciones sobre la frecuencia de las pausas y el posible índice de apnea-hipopnea.

Los resultados preliminares indican que la herramienta es capaz de reconocer irregularidades respiratorias que a simple oído humano pasarían inadvertidas, pero que aparecen como patrones estadísticos cuando se procesan mediante aprendizaje automático. La clave técnica reside en optimizar la sensibilidad y la especificidad, además de reducir la tasa de falsos positivos y negativos.

El sistema de análisis acústico de apnea

Aunque aún no es un producto comercial, se plantea como una aplicación software con gran potencial clínico. El proceso comienza con la captura de audio nocturno mediante un micrófono convencional, a menudo el de un smartphone. Ese archivo se somete a un preprocesamiento de normalización y filtrado, seguido de la segmentación del sonido en ventanas de tiempo que permiten identificar patrones acústicos. Posteriormente, la red neuronal procesa las características extraídas y genera un informe que señala posibles episodios de apnea, ofreciendo estimaciones como el número de eventos por hora o la duración media de las pausas.

El valor práctico radica en que este análisis puede realizarse en el propio domicilio sin necesidad de cables, sensores o visitas hospitalarias. En entornos clínicos, los profesionales recibirían un informe preliminar que serviría para priorizar pacientes con sospecha de apnea moderada o grave. La precisión deseable en un futuro producto comercial sería superior al 90 % en sensibilidad para no pasar por alto los casos relevantes, pero también con una especificidad elevada para no saturar el sistema sanitario con alarmas falsas.

Potencial impacto clínico y desafíos futuros

Un sistema de este tipo podría contribuir a descongestionar las unidades del sueño, ya que muchos pacientes con sospecha de apnea tendrían primero acceso a una evaluación preliminar desde casa, lo que agilizaría la derivación de los casos más urgentes. También permitiría un diagnóstico más temprano, identificando a personas con síntomas leves antes de que aparezcan complicaciones cardiovasculares o neurológicas. Otro aspecto de interés es el seguimiento longitudinal: registrar noches consecutivas durante semanas o meses aportaría información valiosa sobre la evolución del trastorno o la respuesta a terapias como el uso de CPAP. Todo ello redundaría en un ahorro económico significativo al reducir la dependencia de pruebas hospitalarias complejas.

Los retos, sin embargo, son considerables. La validación clínica necesita muestras amplias y diversas para asegurar la fiabilidad en distintos grupos de edad, géneros y condiciones de salud. La homologación como dispositivo médico implicaría superar exigencias regulatorias en Europa y otras regiones. Además, grabar audio durante la noche genera dudas sobre privacidad y tratamiento de datos, lo que obliga a incorporar encriptado y protocolos de anonimización. El ruido ambiental en entornos reales constituye otro obstáculo, y será necesario reforzar los algoritmos de reducción de interferencias. Finalmente, la aceptación por parte del personal médico dependerá de que la herramienta se demuestre útil, fiable y fácil de interpretar.

En este contexto, la literatura científica ya recoge aproximaciones similares. Un trabajo titulado “Sleep Apnea Detection Using Sound Analysis and Machine Learning” disponible en ResearchGate explora cómo las técnicas acústicas pueden emplearse en la práctica clínica. Otro estudio, “Acoustic Analysis for Sleep-Disordered Breathing Detection”, publicado en IEEE Xplore, describe el uso de espectrogramas y clasificadores para identificar patrones de apnea. También resulta relevante la revisión “Machine Learning Approaches for Respiratory Signal Classification in Sleep Disorders”, accesible en SpringerLink, que repasa distintas metodologías de inteligencia artificial aplicadas a señales respiratorias.

Reflexiones finales

La idea de emplear grabaciones de audio nocturnas para detectar la apnea del sueño muestra cómo la inteligencia artificial puede generar soluciones accesibles en el ámbito sanitario. La posibilidad de monitorizar de manera no invasiva, con equipos tan comunes como un teléfono móvil, representa un paso hacia un modelo de cribado más cercano al paciente. No obstante, el éxito del proyecto dependerá de la validación clínica a gran escala, la superación de los obstáculos regulatorios y la confianza de los profesionales sanitarios.

En el futuro inmediato, un algoritmo capaz de procesar audio nocturno y ofrecer métricas fiables podría convertirse en una herramienta útil para millones de personas en riesgo de apnea. El respeto a la privacidad y la integración con sistemas sanitarios serán factores determinantes. Si se cumplen estas condiciones, la detección temprana y el seguimiento longitudinal podrán mejorar la calidad de vida de los pacientes y optimizar los recursos disponibles en los hospitales.