La apnea del sueño es el trastorno respiratorio del sueño más frecuente y uno de los problemas de salud pública más relevantes. Se estima que, a nivel mundial, cerca de mil millones de personas podrían padecer algún grado de apnea del sueño, y más de 400 millones presentarían formas moderadas o graves de la enfermedad. En España, los estudios epidemiológicos también muestran cifras elevadas, con prevalencias que superan el 25 % en algunos grupos de edad cuando se consideran formas leves de la enfermedad.
Quien la padece puede no ser consciente de esas pausas respiratorias, pero sus consecuencias sí se hacen notar: cansancio, somnolencia, dificultad para concentrarse y, en los casos más graves, un mayor riesgo de enfermedades cardiovasculares, metabólicas o neurocognitivas. El problema es que muchos de estos síntomas son frecuentes en la población general y pueden confundirse fácilmente con estrés, falta de descanso o envejecimiento. Y eso complica el diagnóstico.
Además, la enfermedad no siempre se manifiesta igual en todas las personas. Aunque tradicionalmente la apnea del sueño se ha asociado más a los hombres, las mujeres también pueden padecerla con frecuencia y, en muchos casos, estar infradiagnosticadas. Parte del problema es que sus síntomas pueden ser diferentes o menos “típicos”, lo que dificulta reconocer la enfermedad utilizando criterios clínicos clásicos.
Hoy en día, el diagnóstico y tratamiento de la apnea del sueño sigue recayendo principalmente en las Unidades de Sueño hospitalarias, muchas de ellas coordinadas desde los servicios de neumología. Sin embargo, se trata de una enfermedad muy prevalente, crónica y con un proceso diagnóstico que requiere recursos humanos, tiempo y equipamiento especializado.
En la práctica, Atención Primaria suele actuar como puerta de entrada ante la sospecha clínica, pero con frecuencia la derivación al hospital se realiza sin herramientas suficientemente precisas para estimar el riesgo o la gravedad potencial de cada paciente. El resultado es que personas con perfiles muy distintos acaban entrando en el mismo circuito asistencial, generando una importante carga para las Unidades de Sueño y dificultando priorizar qué pacientes necesitan ser estudiados antes.
Aunque existen cuestionarios clínicos como STOP-BANG, su utilidad diagnóstica es limitada y su uso no está plenamente extendido en la práctica clínica diaria. Por eso, uno de los grandes retos actuales no es solo diagnosticar más pacientes, sino disponer de herramientas que permitan orientar mejor las derivaciones y ayudar a identificar, desde fases tempranas, qué personas presentan mayor probabilidad de apnea relevante o mayor riesgo clínico.
Ahí es donde entra el proyecto DIOSA (Design and Intelligence for Obstructive Sleep Apnea), una iniciativa del grupo de investigación NeumoVigo I+i del Instituto de Investigación Sanitaria Galicia Sur, financiada por el Instituto de Salud Carlos III (PI24/00570) y cofinanciado por la Unión Europea, que explora cómo la inteligencia artificial puede ayudar a aprovechar información clínica sencilla y disponible desde la primera consulta para apoyar la toma de decisiones y mejorar la priorización de los pacientes con sospecha de apnea del sueño.
DIOSA: inteligencia artificial al servicio de la decisión clínica
El proyecto DIOSA nace precisamente para abordar este problema: mejorar la gestión clínica de los pacientes con sospecha de apnea del sueño. La idea no es hacer una “búsqueda activa” en la población general, sino actuar en un momento clave del proceso asistencial, cuando el paciente es derivado desde Atención Primaria u otros servicios hacia una Unidad de Sueño.
Para ello, DIOSA emplea técnicas de inteligencia artificial capaces de analizar variables clínicas que ya suelen estar disponibles antes de realizar pruebas diagnósticas más complejas. El proyecto partió de una cohorte de más de 5.000 pacientes evaluados durante la última década en la Unidad de Trastornos Respiratorios del Sueño del Hospital Álvaro Cunqueiro de Vigo.
Esta cohorte incluye datos demográficos y antropométricos, como el sexo, la edad, el índice de masa corporal o el perímetro del cuello; información clínica y farmacológica, con antecedentes relevantes como hipertensión o diabetes, así como el uso de fármacos depresores del sistema nervioso central; y síntomas referidos por el propio paciente, como cansancio, despertares nocturnos o sensación de sueño no reparador.
Además, todos estos pacientes contaban con una prueba de sueño realizada mediante poligrafía cardiorrespiratoria. A partir de estos estudios se obtuvo el índice de apnea-hipopnea, conocido como IAH, una medida que indica cuántas veces por hora de sueño la respiración se interrumpe o se reduce. De forma general, un IAH inferior a 5 se considera normal; entre 5 y 15 indica apnea leve; entre 15 y 30, moderada; y por encima de 30, grave.
La propuesta es clara, aprovechar al máximo información clínica rutinaria que ya forma parte de la valoración habitual. Variables como la edad, el índice de masa corporal, el perímetro del cuello, la hipertensión arterial, la nicturia, los ronquidos o las apneas observadas durante el sueño constituyen un conjunto reducido, pero muy útil, de predictores. Analizadas de forma conjunta, permiten a los modelos identificar patrones asociados al riesgo de apnea y estimar, antes de realizar la prueba diagnóstica, qué grado de gravedad podría presentar cada paciente.
Así, DIOSA permite clasificar a los pacientes en cinco grupos estratégicos según su IAH estimado, desde aquellos con una probabilidad mínima de apnea relevante hasta quienes presentan un alto riesgo de apnea grave.
Esta estratificación no sustituye al criterio clínico, pero puede ayudar a ordenar mejor la demanda, descongestionar el sistema y acelerar el diagnóstico de los casos que más lo necesitan.
Entender que no todos los pacientes son iguales
Pero DIOSA no se limita a estimar riesgos. También parte de una idea clave: no todos los pacientes con apnea son iguales y, por tanto, sus necesidades asistenciales tampoco lo son.
El IAH, aunque marca la gravedad, no siempre refleja cómo se manifiesta la enfermedad en cada persona. Pacientes con valores similares pueden presentar síntomas, comorbilidades y necesidades clínicas muy diferentes.
Para abordar esta complejidad, el proyecto utiliza técnicas de aprendizaje no supervisado, que permiten identificar grupos de pacientes con características similares. En lugar de desarrollar modelos predictivos centrados en una variable objetivo, estos métodos revelan grupos con patrones diferenciados de síntomas y factores de riesgo.
Este enfoque ha permitido identificar varios perfiles bien definidos, desde pacientes con escasa sintomatología hasta otros con una elevada carga de somnolencia o comorbilidades asociadas. Estas diferencias no son solo descriptivas, sino que también se relacionan con la gravedad de la enfermedad y con decisiones clínicas clave, como la indicación de tratamiento.
Este modelo abre la puerta a un enfoque de medicina de precisión, en el que las decisiones diagnósticas y terapéuticas no dependen de una cifra aislada, sino del perfil completo del paciente.
Más eficiencia, pero también más equidad
En un sistema sanitario con recursos limitados, priorizar mejor no solo permite ser más eficiente: también puede hacer la atención más justa.
Si todos los pacientes se gestionan del mismo modo, quienes presentan mayor riesgo pueden acabar esperando demasiado. En cambio, al estimar ese riesgo de forma más objetiva, es más probable que los casos más graves sean atendidos antes.
Este enfoque también ayuda a evitar pruebas innecesarias en pacientes con baja probabilidad de apnea relevante, reduciendo tiempos de espera, costes y carga asistencial.
Una herramienta de apoyo para decidir mejor
A pesar de su potencial, la inteligencia artificial no sustituye al médico. Los modelos pueden detectar patrones y estimar probabilidades, pero no interpretan por sí solos el contexto completo de cada paciente. Su papel es aportar una capa adicional de información que ayude a tomar decisiones en escenarios complejos.
La apnea del sueño resume bien muchos de los retos actuales de la medicina: enfermedades frecuentes, síntomas inespecíficos, gran volumen de pacientes y recursos limitados. En ese contexto, DIOSA no busca hacer más, sino hacerlo mejor aprovechando datos clínicos sencillos, analizarlos de forma inteligente y usarlos para priorizar con mayor precisión desde las primeras fases del proceso.
En medicina, a veces el verdadero avance no consiste en hacer más pruebas, sino en saber mejor a quién hacerlas primero.
