Caracterización de fenotipos en Apnea Obstructiva del Sueño mediante análisis de Big Data y técnicas de clustering

Abstract

La Apnea Obstructiva del Sueño (AOS) es un trastorno respiratorio común que se caracteriza por una gran diversidad clínica y está asociado con múltiples comorbilidades en los pacientes. El objetivo fue identificar fenotipos clínicos y patrones de uso mediante telemonitorización en pacientes con AOS tratados con presión positiva en la vía aérea (PAP). El presente estudio emplea técnicas de análisis de datos no supervisadas, específicamente algoritmos de clustering, para identificar subgrupos clínicamente relevantes dentro de una cohorte de pacientes con AOS. Para ello, se analizaron datos retrospectivos provenientes de registros clínicos y dispositivos PAP, abarcando variables antropométricas, clínicas, comorbilidades y parámetros del sueño. Los resultados mostraron distintos patrones entre los pacientes, lo que sugiere la existencia de fenotipos clínicos diversos dentro del espectro de la AOS. Este enfoque basado en datos tiene el potencial de contribuir a una medicina más personalizada, facilitando estrategias terapéuticas adaptadas a las características específicas de cada subgrupo. En conjunto, el estudio destaca el valor del Big Data como herramienta emergente en la investigación biomédica y en la práctica clínica de los trastornos del sueño.

Obstructive Sleep Apnea (OSA) is a common respiratory disorder characterized by considerable clinical diversity and is associated with multiple comorbidities in patients. The objective was to identify clinical phenotypes and patterns of use through telemonitoring in patients with OSA treated with positive airway pressure (PAP). To better understand this variability, the present study employs unsupervised data analysis techniques, specifically clustering algorithms, to identify clinically relevant subgroups within a cohort of OSA patients. Retrospective data from clinical records and CPAP devices were analysed, encompassing anthropometric, clinical, comorbidity, and sleep parameter variables. The results revealed distinct patterns among patients, suggesting the existence of diverse clinical phenotypes within the OSA spectrum. This data-driven approach has the potential to contribute to more personalized medicine by facilitating therapeutic strategies tailored to the specific characteristics of each subgroup. Overall, the study highlights the value of Big Data as an emerging tool in biomedical research and clinical practice for sleep disorders.