Sporathe knowledge network
ES
Pontificia Universidad Javeriana

Maestría en Inteligencia Artificial · 2025

Modelo de aprendizaje automático para la detección  temprana de apnea obstructiva del sueño mediante  análisis cefalométrico

Record only. The repository marks this work as “De acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.”: the PDF is not public, so there is no text to read here. View the record in the repository.

Abstract

La apnea obstructiva del sueño (AOS)es un  trastorno respiratorio que se presenta durante la etapa del  sueño y que conlleva a varias complicaciones sistémicas. Su  detección con las técnicas actuales es costosa y demorada por  lo que se hace necesario la búsqueda de herramientas  eficaces, económicas y rápidas que permitan un diagnóstico y  tratamiento oportuno. En este estudio se plantea el desarrollo  de un modelo innovador para la detección temprana de apnea  obstructiva de sueño (AOS), utilizando medidas  cefalométricas obtenidas de radiografías laterales de cráneo y  cuello y aplicando técnicas de machine learning. El modelo  genera un puntaje de riesgo derivado de un enfoque de  clasificación binaria supervisada, diseñado para clasificar el  nivel de riesgo asociado a la presencia o ausencia de AOS.  Este sistema optimiza las decisiones clínicas, prioriza recursos  médicos y facilita un tratamiento oportuno, reduciendo las  complicaciones asociadas con una AOS no tratada a tiempo. El análisis incluyó 51 radiografías, de las cuales 31  correspondían a pacientes con AOS diagnosticados  previamente con polisomnografía (PSG) y 20 radiografías de control. Tras el preprocesamiento de las imágenes, se  extrajeron medidas clave de distancias y ángulos  cefalométricos. Posteriormente, se empleó un algoritmo  genético para seleccionar las variables más relevantes, que  fueron integradas en un modelo de regresión logística. Este  modelo demostró un desempeño superior en comparación con  otras técnicas de machine learning evaluadas, como árboles  de decisión, XGBoost y máquinas de soporte vectorial,  alcanzando una exactitud del 87.52% y un AUC del 95.23%. Entre las variables analizadas, la posición del hueso hioides y  el ángulo ANB mostraron una relación significativa con la  presencia de AOS. Además, el modelo genera un puntaje de  riesgo que clasifica a los pacientes en tres categorías: bajo,  intermedio y alto riesgo, optimizando el proceso de detección  temprana y complementando la polisomnografía. Este  enfoque no solo valida las relaciones anatómicas previamente  documentadas, sino que también ofrece una herramienta  clínica accesible y eficiente que puede transformar el manejo  del diagnóstico de AOS, impactando positivamente en los  sistemas de salud y en la atención al paciente.

Keywords