# Quais são os pontos críticos para melhorar a classificação automática do sono por sinais cardiorrespiratórios?

> Uma revisão sistemática identificou quatro pontos críticos: o comprimento da época de extração de características (segmentos de 4,5 minutos centrados em cada época de 30 segundos são mais adequados), a consideração do atraso temporal entre EEG e sinais cardiorrespiratórios, a contribuição da morfologia do ECG e o uso simultâneo de CNN e LSTM em grandes bancos de PSG.

Estudo citado: Ebrahimi F, Alizadeh I. Automatic sleep staging by cardiorespiratory signals: a systematic review. Sleep & breathing = Schlaf & Atmung. 2022. DOI: https://doi.org/10.1007/s11325-021-02435-8. PubMed: https://pubmed.ncbi.nlm.nih.gov/34322822/

## Resposta

A classificação automática do sono por sinais cardiorrespiratórios surge como alternativa devido a problemas no registro e análise do EEG. Esta revisão sistemática analisou a literatura e destacou quatro pontos considerados críticos para melhorar os resultados dessa abordagem.

O primeiro ponto refere-se ao comprimento da época de extração de características. Os segmentos padrão de 30 segundos de sinais cardiorrespiratórios não carregam informação suficiente para a classificação automática do sono; segmentos de 4,5 minutos centrados em cada época de 30 segundos mostram-se adequados para a classificação.

O segundo ponto é a necessidade de considerar o atraso temporal entre o sinal de EEG, extraído da atividade do sistema nervoso central, e os sinais cardiorrespiratórios, extraídos da atividade do sistema nervoso autônomo. O terceiro ponto destaca que informações na morfologia dos sinais de ECG podem contribuir para melhorar a classificação do sono.

O quarto ponto aponta que a aplicação simultânea de estruturas profundas de redes neurais convolucionais (CNN) e de memória de longo e curto prazo (LSTM) a um grande banco de dados de polissonografia (PSG) pode levar a resultados mais confiáveis na classificação automática do sono.

Os autores concluem que considerar esses pontos simultaneamente pode aprimorar a classificação automática do sono por sinais cardiorrespiratórios, esperando-se que essa abordagem, livre dos problemas do EEG, produza resultados aceitavelmente próximos aos da classificação automática por EEG.

## O que o estudo mostrou

Trata-se de uma revisão sistemática da literatura sobre classificação automática do sono por sinais cardiorrespiratórios. A revisão identificou quatro pontos principais: (1) o comprimento da época de extração de características, indicando que segmentos padrão de 30 segundos não são suficientes e que segmentos de 4,5 minutos centrados em cada época de 30 segundos são adequados; (2) o atraso temporal entre EEG e sinais cardiorrespiratórios deve ser considerado; (3) a morfologia do ECG pode contribuir para a classificação; (4) a aplicação simultânea de CNN e LSTM em grandes bancos de PSG pode tornar os resultados mais confiáveis. O resumo não informa o número de estudos incluídos nem a amostra.

## Limitações

O resumo não informa o número de estudos incluídos, a qualidade metodológica dos estudos analisados, nem as limitações da própria revisão sistemática. Também não são apresentados dados quantitativos de desempenho ou comparações estatísticas. Portanto, as conclusões refletem a interpretação dos autores sobre a literatura, sem informações sobre a força das evidências.

## Aplicação no consultório

Para o médico que atua em medicina do sono, os achados reforçam que a classificação automática por sinais cardiorrespiratórios pode ser uma alternativa promissora, especialmente quando o EEG apresenta problemas de registro. Na prática, ao considerar tecnologias de monitoramento domiciliar ou em clínicas, é importante verificar se os sistemas utilizam épocas mais longas (como 4,5 minutos), consideram o atraso entre sistemas e incorporam análises de morfologia do ECG e redes neurais avançadas. Isso pode influenciar a escolha de equipamentos e a interpretação de laudos automatizados, além de orientar a gestão do consultório na incorporação dessas ferramentas.

## Perguntas para aprofundar

- Como o comprimento da época de extração de características influencia a classificação automática do sono por sinais cardiorrespiratórios?
- Qual o papel do atraso temporal entre EEG e sinais cardiorrespiratórios na classificação automática do sono?
- O uso simultâneo de CNN e LSTM em grandes bancos de PSG melhora a confiabilidade da classificação automática do sono?

Tema: IA em cardiologia (ECG e ecocardiograma). Página: https://alphadoctor.com.br/ciencia/ia-cardiologia/quais-sao-os-pontos-criticos-para-melhorar-a-classificacao-automatica-do-sono/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.