Abstract
La OB es uno de los principales factores de riesgo para el Síndrome de apnea obstructiva del sueño (SAOS), que a su vez es generadora de somnolencia diurna. Los hábitos y estilos de vida, en conjunto con factores sociodemográficos, pueden explicar los niveles de somnolencia. Objetivo: generar una Red Neuronal Artificial para identificar pesos sinápticos de los hábitos de salud, que incluye a la sobre y sub ingesta, IMC, y factores sociodemográficos, en una n=140 de pacientes entre 18-65 años que acudieron a la Clínica de Trastornos del Sueño, de la UNAM, IMC ≥25 kg / m2 y con un SAOS de grave a moderada, tratados con CPAP (presión positiva continua en las vías respiratorias). Método: estudio a conveniencia, transversal, exploratorio, cuantitativo, y explicativo. Resultados: el IMC, la sobre ingesta, los antojos, la sub ingesta, y las expectativas para bajar de peso, tiene pesos sinápticos cada una por >60%. De las variables sociodemográficas, la escolaridad y padecer alguna comorbilidad, tuvieron pesos sinápticos de 46% cada una. Conclusiones: el IMC, y las conductas de salud, con puntos de corte en riesgo, explican a la somnolencia.
References
Bonsignore M. R. (2022). Obesity and Obstructive Sleep Apnea. Handbook of experimental pharmacology, 274, 181–201. https://doi.org/10.1007/164_2021_558
Castro, A. I., Gomez-Arbelaez, D., Crujeiras, A. B., Granero, R., Aguera, Z., Jimenez-Murcia, S., Sajoux, I., Lopez-Jaramillo, P., Fernandez-Aranda, F., & Casanueva, F. F. (2018). Effect of A Very Low-Calorie Ketogenic Diet on Food and Alcohol Cravings, Physical and Sexual Activity, Sleep Disturbances, and Quality of Life in Obese Patients. Nutrients, 10 (10), 1348. https://doi.org/10.3390/nu10101348
Di, H., Guo, Y., Daghlas, I., Wang, L., Liu, G., Pan, A., Liu, L., & Shan, Z. (2022). Evaluation of Sleep Habits and Disturbances Among US Adults, 2017-2020. JAMA network open, 5(11), e2240788. https://doi.org/10.1001/jamanetworkopen.2022.40788
Dobbie, L.J., Coelho, C., Crane, J. et al. (2023). Clinical evaluation of patients living with obesity. Intern Emerg Med., 18, 1273–1285 https://doi.org/10.1007/s11739-023-03263-2
Duong-Quy, S., Dang Thi Mai, K., Tran Van, N., Nguyen Xuan Bich, H., Hua-Huy, T., Chalumeau, F…Martin, F. (2018). Étude de la prévalence du syndrome d’apnées obstructives du sommeil au Vietnam [Study about the prevalence of the obstructive sleep apnoea syndrome in Vietnam]. Revue des maladies respiratoires, 35(1), 14–24. https://doi.org/10.1016/j.rmr.2017.10.006
Eyvazlou, M., Hosseinpouri, M., Mokarami, H., Gharibi, V., Jahangiri, M., Cousins, R., Nikbakht, H. A., & Barkhordari, A. (2020). Prediction of metabolic syndrome based on sleep and work-related risk factors using an artificial neural network. BMC endocrine disorders, 20(1), 169. https://doi.org/10.1186/s12902-020-00645-x
Gagliano, A., Puligheddu, M., Ronzano, N., Congiu, P., Tanca, M. G., Cursio, I., Carucci, S., Sotgiu, S., Grossi, E., & Zuddas, A. (2021). Artificial Neural Networks Analysis of polysomnographic and clinical features in Pediatric Acute-Onset Neuropsychiatric Syndrome (PANS): from sleep alteration to "Brain Fog". Nature and science of sleep, 13, 1209–1224. https://doi.org/10.2147/NSS.S300818
Gallego-Gómez, J. I., González-Moro, M. T. R., González-Moro, J. M. R., Vera-Catalán, T., Balanza, S., Simonelli-Muñoz, A. J., & Rivera-Caravaca, J. M. (2021). Relationship between sleep habits and academic performance in university Nursing students. BMC nursing, 20(1), 100. https://doi.org/10.1186/s12912-021-00635-x.
Tlatoa-Ramírez, H.L. Ocaña-Servín, M.L. Márquez-López, J. Bermeo-Méndez, A.F. Gallo-Avalos (2015). El género, un factor determinante en el riesgo de somnolencia. Medicina e Investigación, 3(1):17-21. http://dx.doi.org/10.1016/j.mei.2014.06.003
Kalmbach, D. A., Cheng, P., Sangha, R., O'Brien, L. M., Swanson, L. M., Palagini, L., Bazan, L. F., Roth, T., & Drake, C. L. (2019). Insomnia, Short Sleep, And Snoring In Mid-To-Late Pregnancy: Disparities Related To Poverty, Race, And Obesity. Nature and science of sleep, 11, 301–315. https://doi.org/10.2147/NSS.S226291
Kuvat, N., Tanriverdi, H., & Armutcu, F. (2020). The relationship between obstructive sleep apnea syndrome and obesity: A new perspective on the pathogenesis in terms of organ crosstalk. The clinical respiratory journal, 14(7), 595–604. https://doi.org/10.1111/crj.13175
Li, A., Quan, S. F., Silva, G. E., Perfect, M. M., & Roveda, J. M. (2018). A Novel Artificial Neural Network Based Sleep-Disordered Breathing Screening Tool. Journal of clinical sleep medicine: JCSM: official publication of the American Academy of Sleep Medicine, 14(6), 1063–1069. https://doi.org/10.5664/jcsm.7182
López-Meza, Elmer, Olmos-Muñoz, Adriana, Vargas-Cañas, Steven, Ramírez-Bermúdez, Jesús, López-Gómez, Mario, Corona, Teresa, & Volkers, Georgina. (2006). Somnolencia en la ciudad de México. Gaceta médica de México, 142(3), 201-203. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0016-38132006000300004&lng=es&tlng=e
Malafeev, A., Laptev, D., Bauer, S., Omlin, X., Wierzbicka, A., Wichniak, A., Jernajczyk, W., Riener, R., Buhmann, J., & Achermann, P. (2018). Automatic Human Sleep Stage Scoring Using Deep Neural Networks. Frontiers in neuroscience, 12, 781. https://doi.org/10.3389/fnins.2018.00781
Mena Frau, Carlos, & Montecinos Guajardo, Rodrigo. (2006). Comparación de redes neuronales y regresión lineal para estimar productividad de sitio en plantaciones forestales, utilizando geomática. Bosque (Valdivia), 27(1), 35-43. https://dx.doi.org/10.4067/S0717-92002006000100004
Méndez-Peña, B. I., Murillo-Tovar, M. M., Leija-Alva, G., Montufar Burgos, I. I., Serena-Alvarado, A., Durán-Arciniega, R. S., Pérez-Vielma, N. M., & Aguilera-Sosa, V. R. (2022). Artificial neural networks model: Neuropsychological variables and their relationship with body fat percentage in adults: Variables neuropsicológicas y su relación con el porcentaje de grasa corporal en adultos. Revista Mexicana de Trastornos Alimentarios, 12(1), 61-70. https://doi.org/10.22201/fesi.20071523e.2022.1.718
Morales, Y., Zamora, Y., Vásquez, P., Porras, M., Bárzaga, J., López, R. (2018). Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco. Ingenius, 19, 79-88. doi: https://doi.org/10.17163/ings.n19.2018.08.
O’Donnell W. E. y Warren W. L. (2007). Cuestionario de Sobreingesta Alimentaria (OQ) (trad. de Olivare y Mancilla). México: Manual Moderno.
Rodrigues, G. D., Fiorelli, E. M., Furlan, L., Montano, N., & Tobaldini, E. (2021). Obesity and sleep disturbances: The "chicken or the egg" question. European journal of internal medicine, 92, 11–16. https://doi.org/10.1016/j.ejim.2021.04.017
Sáenz Bajo, N., & Alvaro Ballesteros, M. (2002). Redes neuronales: concepto, aplicaciones y utilidad en medicina [Neural networks: concept, applications and usefulness in medicine]. Atencion primaria, 30(2), 119–120. https://doi.org/10.1016/s0212-6567(02)78981-6
Sandoval-Sandoval R., Alcalá-Lozano R., Herrera-Jiménez I. & Jiménez-Genchi A. (2013). Validación de la escala de somnolencia de Epworth en población mexicana. Gaceta medica de México, 149(4), 409–416. PMID: 23999632
Sierra JC., Sánchez AI., BuelaCasal G., Ambrosio I. & ViruésOrtega J. (2007). Predictores del nivel de somnolencia en pacientes con Apnea Obstructiva del Sueño. Rev. Ecuat. Neurol, 15 (23): 1-8. https://revecuatneurol.com/wp-content/uploads/2015/06/Predictor.pdf)
Teferra, R. A., Grant, B. J., Mindel, J. W., Siddiqi, T. A., Iftikhar, I. H., Ajaz, F., Aliling, J. P., Khan, M. S., Hoffmann, S. P., & Magalang, U. J. (2014). Cost minimization using an artificial neural network sleep apnea prediction tool for sleep studies. Annals of the American Thoracic Society, 11(7), 1064–1074. https://doi.org/10.1513/AnnalsATS.201404-161OC
Thorn, C. E., Knight, B., Pastel, E., McCulloch, L. J., Patel, B., Shore, A. C., & Kos, K. (2017). Adipose tissue is influenced by hypoxia of obstructive sleep apnea syndrome independent of obesity. Diabetes & metabolism, 43(3), 240–247. https://doi.org/10.1016/j.diabet.2016.12.002
Yeckle, J., & Manian, V. (2023). Automated Sleep Stage Classification in Home Environments: An Evaluation of Seven Deep Neural Network Architectures. Sensors (Basel, Switzerland), 23(21), 8942. https://doi.org/10.3390/s23218942
© Revista Mexicana de Trastornos Alimentarios/Mexican Journal of Eating Disorders.