Validación clínica de un monitor de frecuencia respiratoria sin contacto

Scientific Reports volumen 13, Número de artículo: 3480 (2023) Citar este artículo

1067 Accesos

3 Altmetric

Detalles de métricas

La frecuencia respiratoria (RR) es un signo vital a menudo subestimado y subnotificado con un enorme valor clínico. Como predictor de paro cardiopulmonar, exacerbación de la enfermedad pulmonar obstructiva crónica (EPOC) o indicador del estado de salud, por ejemplo, en pacientes con COVID-19, la frecuencia respiratoria podría ser especialmente valiosa en la monitorización remota de pacientes a largo plazo, que es difícil de implementar. Los dispositivos sin contacto para uso doméstico tienen como objetivo superar estos desafíos. En este estudio, el monitor de respiración sin contacto Sleepiz One+ para uso doméstico durante el sueño se validó frente al cinturón de esfuerzo torácico. La concordancia de la frecuencia respiratoria instantánea y las estadísticas de frecuencia respiratoria entre el dispositivo Sleepiz One+ y el cinturón de esfuerzo torácico se evaluó inicialmente durante una ventana de sueño de 20 minutos en condiciones controladas (sin movimiento corporal) en una cohorte de 19 participantes y, en segundo lugar, de forma más natural. escenario (sin control del movimiento del cuerpo) durante una noche entera en una cohorte de 139 participantes. Se mostró un acuerdo excelente para que la frecuencia respiratoria instantánea esté dentro de las 3 respiraciones por minuto (Brpm) en comparación con la banda de esfuerzo torácico con una precisión del 100 % y un error absoluto medio (MAE) de 0,39 Brpm para el ajuste controlado por movimiento, y una precisión de 99,5% con un MAE de 0,48 Brpm para la medición de toda la noche, respectivamente. También se logró una excelente concordancia para las estadísticas de frecuencia respiratoria durante toda la noche con errores absolutos de 0,43, 0,39 y 0,67 Brpm para los percentiles 10, 50 y 90, respectivamente. Con base en estos resultados, concluimos que Sleepiz One+ puede estimar la frecuencia respiratoria instantánea y sus estadísticas resumidas con alta precisión en un entorno clínico. Se requieren más estudios para evaluar el rendimiento en el entorno doméstico; sin embargo, se espera que el rendimiento esté en un nivel similar, ya que las condiciones de medición del dispositivo Sleepiz One+ son mejores en el hogar que en un entorno clínico.

Las enfermedades crónicas representan una carga de salud notable. Las enfermedades no transmisibles representaron el 74 % de las muertes en todo el mundo en 2019, siendo la cardiopatía isquémica (CI), el accidente cerebrovascular y la enfermedad pulmonar obstructiva crónica (EPOC) las 3 principales causas1.

Debido a su morbilidad y mortalidad, estas condiciones inducen una carga económica y social cada vez mayor en una población creciente y envejecida con la demanda de enfoques innovadores para el manejo de enfermedades.

Los cambios en la frecuencia respiratoria (RR) son un indicador conocido de condiciones graves en enfermedades pulmonares como la fibrosis quística (FQ) o la EPOC. Estudios recientes reportaron que un FR alto fue el predictor más importante de paro cardiopulmonar en hospitales2.

En 2017, se estimó que la EPOC afectaba a ~300 millones de personas en todo el mundo, con un aumento relativo del 5,9 % entre 1990 y 20173. Es una enfermedad prevenible, caracterizada por síntomas respiratorios persistentes. Una parte sustancial del manejo de la EPOC es la prevención de las exacerbaciones, definidas como un empeoramiento agudo de los síntomas que resulta en una terapia adicional4. En la última década, ha sido y sigue siendo de gran interés encontrar estrategias para diagnosticar las exacerbaciones de la EPOC antes y/o prevenirlas por completo, ya que afectan negativamente a la progresión de la enfermedad. Los estudios sugieren que la monitorización del RR a largo plazo en el hogar podría ser una herramienta válida para predecir las exacerbaciones5,6,7, pero se necesita más investigación para confirmar estos resultados y encontrar una solución fácil de usar para la mayoría de los pacientes.

Con al menos 26 millones de personas afectadas en 2017, la insuficiencia cardíaca (IC) es otra de las principales causas de morbilidad en pacientes de edad avanzada8. Recientemente, la tecnología de sensores ambientales se utilizó en un enfoque piloto para detectar signos tempranos de descompensación de IC; entre otros, se pudo detectar un aumento en la FR, la frecuencia cardíaca (FC) y el movimiento corporal en la cama semanas antes de la descompensación9. Incluso en la predicción de eventos adversos en la propia CI, se ha demostrado que la monitorización del RR es una parte integral de la evaluación de la predicción de la parada cardiaca10.

Más recientemente, la pandemia de COVID-19 destacó la importancia de la monitorización de RR, lo que reveló la necesidad de soluciones médicas alternativas, incluida la monitorización remota de pacientes11.

A pesar de la relevancia e importancia clínica, la monitorización a largo plazo de la RR se enfrenta a algunas dificultades. Por ejemplo, el solo hecho de que se mida la FR puede afectar la respiración del paciente y cambiar los resultados. Además, la RR es sensible a diversos estresores, como la carga cognitiva, el estrés emocional, el calor, el frío y el esfuerzo físico12.

La detección de biomovimiento sin contacto ofrece múltiples ventajas. Los sensores se pueden implementar en un entorno doméstico, preferiblemente durante la noche, lo que puede ayudar a erradicar las dificultades mencionadas anteriormente. Debido a su diseño no intrusivo y a que no se requiere ninguna acción por parte del paciente (dado que el dispositivo se coloca correctamente una vez), esta tecnología puede proporcionar RR instantánea durante varias horas en un entorno natural. Esta podría ser la base para análisis de tendencias y enfoques de monitoreo novedosos, combinados con otros parámetros, para avanzar constantemente en el manejo de enfermedades.

Se han adoptado varios enfoques sin contacto. Principalmente, las tecnologías se pueden agrupar en cuatro categorías diferentes; Los sistemas basados ​​en radiofrecuencia (RF) y los sistemas basados ​​en sensores de presión ya están muy avanzados, mientras que los sistemas basados ​​en audio y visuales se encuentran en una etapa más experimental. Estos últimos se basan principalmente en algoritmos avanzados para extraer parámetros relevantes de señales de audio13 o diferentes señales visuales14,15,16,17,18. La mayoría de los sistemas basados ​​en sensores de presión utilizan sensores de presión de película piezoeléctricos o electromecánicos y consisten en una almohadilla que se coloca sobre o debajo del colchón del usuario durante el sueño19,20,21,22,23.

Finalmente, varios dispositivos y proyectos de investigación utilizan tecnología basada en radiofrecuencia.

La tecnología de radar Doppler ha atraído la atención en el campo de la medicina, ya que puede detectar movimientos de vibración de pequeña amplitud causados ​​por la excursión de la respiración y el movimiento cardíaco, por lo que se puede utilizar para la detección de signos vitales y la monitorización del sueño24. Los avances recientes en los sistemas de radar han demostrado su capacidad para capturar señales fisiológicas como la frecuencia respiratoria, la frecuencia cardíaca y el movimiento corporal sin contacto25,26,27,28. Las ondas electromagnéticas viajan a la superficie de la cavidad torácica y se reflejan en ella. La antena recibe la forma de onda reflejada que contiene información sobre el desplazamiento del tórax. Cuando el cuerpo está en reposo, este movimiento se produce principalmente por la respiración y las contracciones del corazón. Con un canal de procesamiento de señal digital avanzado, a partir de la respiración y los movimientos de contracción del corazón, la respiración y la frecuencia cardíaca se pueden estimar casi en tiempo real, con una precisión muy alta. Sin embargo, hasta la fecha ninguno de estos sistemas está clasificado como una herramienta de diagnóstico de grado médico, principalmente debido a la falta de una validación clínica adecuada.

En este estudio, nuestro objetivo es validar una solución novedosa de monitorización de la respiración sin contacto basada en la tecnología de radar Doppler y el procesamiento avanzado de señales, desarrollada para medir los movimientos precisos del tórax provocados por el esfuerzo respiratorio y extraer patrones respiratorios y RR para la monitorización y el diagnóstico del sueño (Sleepiz One+, Sleepiz AG, Suiza). El rendimiento del dispositivo en la detección de RR se comparó en un entorno clínico con el cinturón de esfuerzo torácico.

Este artículo cubre estudios que validan la RR con un monitor de sueño sin contacto (CSM) contra el cinturón de esfuerzo torácico (TREB) de la configuración de polisomnografía (PSG), en dos clínicas diferentes (Klinik Lengg, Suiza y Ruhrlandklinik, Alemania).

En un estudio de validación monocéntrico, prospectivo, abierto, no aleatorizado en Klinik Lengg, el CSM se validó frente a PSG durante 20 minutos en participantes en reposo y durante el sueño (Estudio 1).

Además, analizamos un conjunto de datos obtenidos como parte de un estudio más grande en Ruhrlandklinik, donde los participantes se sometieron a una sola grabación durante la noche en el laboratorio del sueño con una configuración de PSG y el dispositivo Sleepiz (Estudio 2).

En el Estudio 1, se reclutaron pacientes de la sala de neurorehabilitación de Klinik Lengg en los que se sospechaba que padecían trastornos relacionados con el sueño o trastornos cardíacos, respiratorios o neuromusculares crónicos. Los sujetos incluidos en el Estudio 2 eran pacientes de la Ruhrlandklinik, con un trastorno respiratorio relacionado con el sueño sospechado o diagnosticado.

En ambos estudios, los pacientes tenían ≥ 18 años y podían dar su consentimiento por escrito para la evaluación electrofisiológica de rutina (PSG). Los criterios de exclusión fueron inscripción previa en el estudio actual, ser un investigador del estudio o uno de sus familiares, empleados y otras personas dependientes, tener un dispositivo eléctrico implantado, embarazo e incapacidad para seguir los procedimientos del estudio, por ejemplo, debido a problemas de lenguaje o trastornos psicológicos. .

El Sleepiz One+ es un monitor de respiración sin contacto cuyo principio de funcionamiento es el radar Doppler de onda continua. El dispositivo se coloca en la mesita de noche o en un soporte al lado de la cama del usuario y apunta al tórax del usuario desde una distancia de 40 a 50 cm. Desde esta posición, transmite una señal electromagnética continua a una frecuencia fija de 24 GHz (potencia de salida < 18 dBm) que se refleja en el tórax del usuario, siendo mínimamente influenciado por la ropa o las mantas. Con una apertura del haz de 80° en el plano horizontal y 34° en el plano vertical, el campo de visión de Sleepiz One+ desde la posición especificada cubre toda la región del tórax y el abdomen del usuario. La señal reflejada se recibe y preprocesa utilizando un receptor de cuadratura29, lo que da como resultado dos canales de salida BI(t) y BQ(t) que contienen información sobre el movimiento en toda la región del tórax-abdomen a medida que cambia la distancia del usuario en relación con el dispositivo de medición24,30 (fig. 1).

Esquema de funcionamiento del radar. T(t) señal electromagnética transmitida (f = 24 GHz), R(t) señal reflejada, BI(t) canal en fase, señal recibida multiplicada por señal transmitida, filtrado de paso bajo, BQ(t) canal en cuadratura, recibido señal multiplicada por un desplazamiento de 90° del canal transmitido, filtrado de paso bajo. Cifra proporcionada por Sleepiz AG, Zürich, Suiza; apareció en cartel inédito relacionado con 47.

Los datos de Sleepiz One+ se transmiten a un servidor en la nube, donde se analizan mediante un software propietario que identifica y extrae los movimientos rítmicos del tórax y el abdomen relacionados con los movimientos respiratorios para proporcionar estimaciones de RR, cuya validación es el tema de este trabajo.

El Sleepiz One+ puede funcionar con dos personas en la misma cama, pero solo registra la frecuencia respiratoria de la persona más cercana al dispositivo. Además, varios dispositivos pueden funcionar en la misma habitación, siempre que sus campos de visión no se crucen. Dentro de este estudio, todos los participantes fueron grabados sin otras personas en la cama y con un dispositivo por habitación.

Cada participante fue monitoreado durante una noche simultáneamente con Sleepiz One+ y una configuración de PSG completa (SOMNOtouch RESP, Somnomedics) que incluye electrocardiograma, electroencefalograma, flujo de aire (cánula nasal), esfuerzo respiratorio (cinturones de tórax y abdomen) y oximetría de pulso. El dispositivo Sleepiz One+ se colocó junto a la cama a una distancia de 50 cm apuntando al tórax del participante (fig. 2). La persona incluida en la imagen ha dado su consentimiento informado para publicar la imagen. Todos los participantes inscritos se sometieron al mismo procedimiento.

Colocación del dispositivo Sleepiz One+.

Cada participante se sometió a un registro nocturno en el laboratorio del sueño con una configuración completa de PSG (Nox A1, Nox Medical), incluido un TREB), que fue el canal utilizado para la evaluación del rendimiento. El Sleepiz One+ se colocó al lado de la cama a una distancia de 50 cm apuntando al tórax del participante.

Los datos de cada dispositivo, a saber, los TREB de los sistemas PSG y el dispositivo Sleepiz, se exportaron y convirtieron a un diccionario de Python que contiene sus datos sin procesar, la hora de inicio de la medición y la frecuencia de muestreo. A continuación, los dispositivos se sincronizaron en el tiempo entre sí. Finalmente, se realizó la evaluación de la calidad. Las señales se evaluaron visualmente para identificar artefactos, es decir, regiones que no son interpretables, debido a que el paciente se movió o los sensores se colocaron de manera subóptima, lo que llevó a una relación señal-ruido insuficiente para el análisis. Estos fueron eliminados del análisis posterior. Los criterios utilizados para excluir a los participantes del análisis se especifican a continuación.

Para cada paciente, se seleccionó la ventana de análisis de 20 minutos que se incluiría para la evaluación instantánea del rendimiento de RR mediante la identificación de una ventana de 20 minutos de la grabación, en la que la persona estaba tranquilamente acostada en la cama, dentro de las primeras 3 horas después de que se había configurado la grabación. sido completado La ventana se seleccionó en función de las siguientes tres condiciones: (1) el dispositivo de referencia había comenzado a grabar, (2) el dispositivo Sleepiz había comenzado a grabar y (3) menos de 10 minutos de duración total donde el paciente se movía, como detectado por el dispositivo Sleepiz, o había artefactos en las estimaciones de RR del TREB.

El propósito de estas condiciones era asegurar la corrección de los RR instantáneos de referencia y que una porción suficiente de los 20 min pudiera usarse para el análisis (es decir, estaba libre de movimiento, irregularidades respiratorias y artefactos), considerando también que estas condiciones eran es más probable que se cumpla en las primeras 3 h de sueño.

Si no se identificaba una ventana de análisis que cumpliera con las tres condiciones en las primeras tres horas del registro, según lo determinado por la hora de inicio del dispositivo Sleepiz, se excluía al paciente del análisis. No se utilizó información sobre la etapa del sueño para la selección de las ventanas de análisis.

Se excluyó a los participantes del análisis estadístico de RR si los datos de TREB o Sleepiz presentaban artefactos en el 60 % o más de los puntos de tiempo entre el inicio y el final del análisis. La hora de inicio sería la hora del dispositivo que comenzó a grabar más tarde de las dos y la hora de finalización sería la hora del dispositivo que terminó antes de las dos.

Los criterios de exclusión fueron los mismos que para el Estudio 1 para el análisis estadístico de RR.

Definimos FR instantánea como el número de respiraciones en una ventana de tiempo de 60 s (época), donde las ventanas de tiempo consecutivas tienen un solapamiento de 55 s, es decir, presentan un desfase de 5 s.

El RR instantáneo se calculó para los datos del TREB mediante el siguiente procedimiento:

Las señales se suavizaron con un filtro de paso bajo Butterworth de séptimo orden con una frecuencia de corte de 0,6 Hz. El corte del filtro se eligió en base a la suposición de un RR máximo de 35 Brpm.

Los tiempos de inhalación se identificaron realizando una normalización de cuantiles y encontrando máximos en las propiedades de cumplimiento de la señal resultante relacionadas con la prominencia de los picos y la distancia mínima entre los picos. Los tiempos de inhalación identificados se revisaron visualmente para asegurar su corrección.

El RR instantáneo se derivó tomando el inverso de la mediana del tiempo entre inhalaciones.

El RR instantáneo calculado a partir de los tiempos de inhalación de TREB no se posprocesó por ningún otro medio. Los tiempos de exhalación no se utilizaron para el cálculo de RR debido a los desafíos para identificar con precisión el tiempo de exhalación completa; la curva de exhalación es frecuentemente más plana que la curva de inhalación y contiene múltiples picos (Fig. 3, fila superior).

Tubería de procesamiento de datos. Fila superior: estimación de la frecuencia respiratoria instantánea a partir de la banda de esfuerzo torácico torácico (TREB). Primero se suavizan los datos TREB sin procesar, presentados en unidades arbitrarias (au), se identifican los tiempos de inhalación y, a partir de estos, se calcula la frecuencia respiratoria instantánea (consulte "Cálculo de la frecuencia respiratoria instantánea" para obtener una descripción detallada). Fila central: estimación de la frecuencia respiratoria instantánea a partir de los datos de Sleepiz One+. Las señales sin procesar (BI(t) y BQ(t)), presentadas en au, se utilizan para calcular el desplazamiento torácico del participante, del cual se extraen las estadísticas y se utilizan para calcular la frecuencia respiratoria. Fila inferior: la frecuencia respiratoria instantánea de toda la noche se utiliza para calcular las estadísticas de resumen, es decir, los percentiles 10%, 50% y 90% de la distribución de la frecuencia respiratoria.

El RR se calculó para los datos de Sleepiz One+ siguiendo un procedimiento similar. El movimiento torácico del paciente se calculó primero a partir de los datos sin procesar del Sleepiz One+, que consta de los canales BI(t) y BQ(t), utilizando un algoritmo de demodulación arcotangente. Luego se filtró y normalizó el movimiento del tórax, y se identificaron los tiempos de inhalación y exhalación a partir de la señal resultante. Esta información se usó para calcular una densidad de probabilidad sobre RR en el rango de 5 a 35 Brpm. En otras palabras, para cada RR dentro del rango de 5 a 35 Brpm, se calculó la probabilidad de que el paciente tuviera esa RR en particular, dados los tiempos de inhalación y exhalación observados. La densidad de probabilidad se utilizó para obtener un RR por época, así como para estimar la confianza de predicción, es decir, la confianza del algoritmo en que la predicción de RR realizada es correcta. Si la confianza en la predicción está por debajo de un umbral, no se proporciona RR. Vale la pena señalar que el software detecta automáticamente los momentos en los que el paciente da vueltas y vueltas y los elimina del análisis, ya que pueden provocar errores en el cálculo de RR.

Las estadísticas de RR consistieron en el RR mínimo, promedio y máximo durante el registro. Para eliminar la influencia de los valores atípicos en estas métricas, los calculamos utilizando los percentiles de datos, es decir, a través de los percentiles del 10 %, 50 % y 90 % del RR instantáneo.

El rendimiento de la FR instantánea se evaluó a través del error absoluto medio (MAE) y la precisión: la fracción de puntos de tiempo en los que las estimaciones proporcionadas por el dispositivo de referencia y el dispositivo Sleepiz estaban dentro de los 3 Brpm.

La concordancia entre la referencia y el dispositivo Sleepiz para las estadísticas de RR se evaluó mediante el error absoluto (AE).

El número mínimo de participantes necesarios para obtener resultados estadísticamente significativos de la precisión del RR instantáneo se calculó mediante la ecuación. (1):

donde Za determina el nivel de confianza de la estimación (nivel de significación), S es la desviación estándar de la muestra y d es el efecto mínimo de interés. El nivel de significancia se fijó en 95%, correspondiente a un valor de Za a 1,64. La desviación estándar de la muestra se fijó en 5,2 %, según los resultados de un estudio piloto anterior. Finalmente, el efecto mínimo de interés se fijó en el 2%. De estos, obtenemos un tamaño de muestra de 19 participantes. Incluimos más de dicho número de participantes en cada centro.

Los autores son responsables de todos los aspectos del trabajo para garantizar que las preguntas relacionadas con la precisión o la integridad de cualquier parte del trabajo se investiguen y resuelvan adecuadamente. Ambos estudios incluidos se realizaron de acuerdo con la Declaración de Helsinki, las pautas de Buenas Prácticas Clínicas (BPC) emitidas por ICH, así como el Reglamento Europeo sobre dispositivos médicos 2017/745, ISO 14155 e ISO 14971, y la Ley y Los requisitos de la autoridad reguladora suiza (Estudio 1) o la Ley alemana y los requisitos de la autoridad reguladora alemana (Estudio 2), respectivamente. Ambos estudios fueron aprobados por los comités de ética locales (Estudio 1: BASEC-Nr. 2020-00455, Comité de Ética Cantonal de Zúrich; Estudio 2: 19-8961-BO, Comité de Ética de la Facultad de Medicina de la Universidad de Duisburg-Essen) y Se tomó el consentimiento informado por escrito de todos los participantes individuales.

Los sujetos sospechosos de padecer apnea del sueño se inscribieron en el estudio en función de su disponibilidad en las clínicas del estudio.

La apnea del sueño tiene una alta prevalencia en sujetos con diagnóstico de EPOC, asma, enfermedades cardiovasculares, diabetes, Parkinson, etc. Por lo tanto, estos subgrupos estaban representados en la población de estudio.

Según los criterios de inclusión y exclusión predefinidos, se incluyeron 24 pacientes en el estudio 1 y, entre ellos, se identificó un segmento de tiempo adecuado de 20 minutos que cumplía con los criterios de calidad descritos anteriormente para 19 participantes (Tabla 1). En el estudio 2, se inscribieron 187 sujetos, y 139 cumplieron con los criterios de calidad y fueron considerados para el análisis (Tabla 2).

El estándar para la monitorización del RR en la práctica clínica es el recuento visual de las respiraciones. Sin embargo, se ha informado que este método tiene un alto error31. Además, contar los ciclos de respiración no es factible para los registros nocturnos. Por lo tanto, optamos por un análisis automatizado de las señales TREB. Mide la expansión y contracción del tórax del participante, la misma señal utilizada para evaluar visualmente la respiración.

Primero, medimos la FR instantánea en condiciones controladas; Se registró a los participantes en el estudio 1 durante una noche completa en la cama con una configuración de PSG, y se seleccionó para el análisis un segmento de tiempo de 20 minutos en el que estaban acostados con poca o ninguna sacudida y giro. La Figura 4 muestra la FR instantánea estimada durante la noche para un participante, junto con la ventana de tiempo de 20 min seleccionada.

Estimaciones de la frecuencia respiratoria de un participante del Estudio 1. Arriba: estimaciones de la frecuencia respiratoria instantánea durante la ventana de 20 minutos utilizada para evaluar el rendimiento. Abajo: frecuencia respiratoria durante la noche, con la ventana de 20 minutos indicada mediante sombreado azul. Las estimaciones del Sleepiz One+ se presentan en azul y las de la banda de esfuerzo torácico torácico en negro.

Se evaluaron los datos recopilados en un segmento de tiempo de 20 minutos para 19 participantes. La concordancia de FR instantánea entre TREB y Sleepiz One+ se muestra en la Fig. 5 y la Tabla 3. Las estimaciones estuvieron dentro de los 3 Brpm en todos los puntos de tiempo, por lo que la precisión resultante fue del 100 %. El MAE tuvo un valor promedio sobre los participantes de 0,39 Brpm, y los límites de acuerdo (LoA) del 95% fueron [−0,52, 1,16] Brpm (Fig. 5).

Gráfica de Bland-Altman del rendimiento de la frecuencia respiratoria instantánea. Arriba: resultados del Estudio 1. Abajo: resultados del Estudio 2. La línea azul continua indica el sesgo, mientras que las líneas rojas discontinuas corresponden a los límites de acuerdo del 95 %.

La concordancia entre las estimaciones instantáneas de RR de TREB y Sleepiz One+ se evaluó durante toda la noche en el estudio 2, donde los participantes pasaron una noche en un laboratorio del sueño con PSG completo. Los resultados son similares a los obtenidos en el estudio 1, con una precisión del 99,5%, un MAE medio de 0,48 Brpm y un LoA de [−0,88 1,] Brpm (tabla 3). El análisis de subgrupos de la frecuencia respiratoria instantánea basado en las condiciones diagnosticadas en el estudio 2 se muestra en la Tabla 4.

Se ha demostrado que las estadísticas de RR predicen el estado de salud5,6,7. Comparamos la concordancia de las estadísticas de RR entre TREB y Sleepiz One+, cuantificadas como percentiles del 10 %, 50 % y 90 % de RR instantáneo durante todo el registro (Fig. 6), en el estudio 2 para un total de 139 participantes. Los resultados, incluido un análisis de subgrupos basado en las condiciones diagnosticadas de los sujetos, se presentan en la Tabla 4.

Gráfico de dispersión de las estadísticas de frecuencia respiratoria. Izquierda: Estudio 1. Derecha: Estudio 2.

Este informe evaluó la precisión de Sleepiz One+ en la evaluación de RR; en dos estudios separados en pacientes con respiración alterada.

En el estudio 1, la RR instantánea se evaluó en una ventana de tiempo de 20 minutos en la que los participantes estaban acostados en la cama sin un movimiento significativo. Esta configuración permitió la evaluación del rendimiento de Sleepiz One+ en ausencia de patrones de respiración anormales que pudieran confundir los resultados. En estas condiciones, Sleepiz One+ estimó el RR dentro de 3 Brpm para todos los puntos de tiempo y participantes incluidos, demostrando su eficacia en condiciones controladas.

El rendimiento de la FR instantánea a lo largo de la noche se evaluó en el Estudio 2, en el que se controló durante toda la noche a los pacientes con trastornos respiratorios relacionados con el sueño sospechados o diagnosticados. En este estudio, Sleepiz One+ estimó el RR dentro de 3 Brpm en el 99,5 % de los puntos de tiempo incluidos.

Los dos estudios evaluaron las estadísticas de RR a lo largo de la noche, es decir, la RR mínima, media y máxima, con las obtenidas del dispositivo de referencia. Las tres métricas tuvieron una AE promedio por debajo de 1 Brpm en el Estudio 1 y el Estudio 2, lo que indica que Sleepiz One+ puede medir con precisión las estadísticas de RR nocturnas en condiciones no controladas. Esto hace que el dispositivo sea adecuado para su escenario de uso principal, es decir, la monitorización de la RR a largo plazo, que se centraría en el análisis de tendencias en lugar de la RR instantánea.

En general, los dos estudios arrojaron métricas de desempeño similares (Tabla 3) y el análisis de subgrupos mostró que no hay una variación notable en el desempeño entre las diferentes condiciones médicas diagnosticadas (Tabla 4). Estos resultados proporcionan evidencia positiva de la precisión de la monitorización de la respiración sin contacto durante toda la noche en sujetos con sospecha o diagnóstico de diversos trastornos respiratorios relacionados con el sueño, aunque no se realizó una evaluación adicional de las comorbilidades y su gravedad.

La monitorización a largo plazo de la RR en un entorno natural permite a los profesionales sanitarios (PS) realizar un seguimiento del estado de salud de un paciente a lo largo del tiempo, lo que les permite tomar decisiones sobre cuándo el paciente debe visitar el hospital o someterse a determinados procedimientos de diagnóstico. Existen otros dispositivos en la práctica clínica capaces de medir la FR, como los dispositivos de referencia utilizados en este estudio, es decir, TREB y cánula nasal. Sin embargo, estos no son aptos para el seguimiento a largo plazo. Hay otros dispositivos médicos certificados que miden la FR sin contacto, de forma similar al Sleepiz One+. Estos son RSpot 100 (Kai Medical), SleepMinder (ahora S+) (Biancamed/Resmed), C100 (Circardia) y XK300 (Xandar Kardian)). El rendimiento de estos dispositivos respecto a la estimación instantánea de FR es comparable al obtenido por el Sleepiz One+ (Tabla 5).

El Sleepiz One+ presenta varios beneficios con respecto a las soluciones disponibles en la práctica clínica. En primer lugar, Sleepiz One+ mejora la comodidad del paciente durante la monitorización de los parámetros respiratorios. Los dispositivos como las bandas de esfuerzo respiratorio torácico y las cánulas nasales son molestos e inconvenientes. En segundo lugar, la comodidad mejorada permite un control de la respiración a largo plazo que proporciona a los profesionales de la salud una imagen más completa del estado del paciente y les permite evaluar tendencias y cambios. En tercer lugar, Sleepiz One+ se puede utilizar en un entorno natural, a diferencia de cuando se requiere contacto con el dispositivo. Los resultados en ambientes artificiales pueden diferir de los obtenidos en ambientes naturales. Por lo tanto, Sleepiz One+ puede proporcionar una imagen más precisa del estado del paciente. Finalmente, los HCP se benefician de la conveniencia y facilidad de uso del dispositivo; se requiere una participación mínima de su lado, y los pacientes pueden ser monitoreados de forma remota.

Por lo tanto, asumimos que el rendimiento de Sleepiz One+ es suficiente para la monitorización del RR en pacientes con enfermedades pulmonares crónicas como EPOC, FQ o fibrosis pulmonar. Además, los resultados presentados se obtuvieron en pacientes con respiración alterada, lo que confirma que el dispositivo es adecuado para ser utilizado en pacientes con una mayor probabilidad de respiración irregular.

Un estudio de Wilkens et al.32 demostró que las enfermedades pulmonares comunes tienen patrones respiratorios característicos que permiten un diagnóstico precoz. Su cambio podría servir para la detección precoz de posibles exacerbaciones. Los enfoques de telemedicina basados ​​en la nube prometen mejores resultados para los pacientes, mayor eficiencia de los médicos y menores costos33. Por ejemplo, la monitorización del RR a largo plazo de los pacientes con EPOC sería útil, ya que el aumento del RR es un predictor conocido de exacerbación y hospitalización34. De esta manera, se puede brindar una intervención más temprana y reducir los tiempos de hospitalización.

En un estudio anterior, se investigó la precisión del sensor de biomovimiento basado en radiofrecuencia sin contacto SleepMinder (ResMed Sensor Technologies, Irlanda) en 20 pacientes con EPOC7. Se observó que SleepMinder estimó el RR con buena precisión y, por lo tanto, es adecuado para la monitorización a largo plazo con el mínimo esfuerzo del paciente. Además, Diraco et al. analizó un sistema de sensores de radar de banda ultraancha para el monitoreo continuo en el hogar de 30 adultos mayores35. Los autores encontraron buenas precisiones generales entre 86 y 96% con una fuerte dependencia de la distancia y la posición del cuerpo. Cuando los pacientes se movían, por ejemplo, al darse la vuelta, la precisión era baja debido a los artefactos de movimiento. Recientemente, se analizó otro enfoque basado en el sistema Doppler de doble pulso para la estimación de la FC y la FR en 20 pacientes con IC congestiva36. La mediana de precisión de la estimación del RR fue del 92 %, con una mediana de error de 1,2 Brpm. Usando un método diferente, se examinó un enfoque basado en video para la detección de RR que se basa en la detección automática de regiones de interés para el monitoreo de signos vitales37. Los autores crearon un conjunto de datos de referencia de 148 secuencias de video obtenidas en adultos en condiciones difíciles y en neonatos, lo que sugiere que el monitoreo respiratorio por video brinda una opción de medición alentadora.

Hasta la fecha, otros han propuesto tecnología de radar para el monitoreo de signos vitales, lo que demuestra que el enfoque produce buenos resultados38,39,40,41,42. Sin embargo, estos estudios generalmente se realizan en poblaciones de pacientes pequeñas7,38,41,43, y no se informa cómo varía el rendimiento entre los datos demográficos de los pacientes.

En este trabajo, medimos el rendimiento de Sleepiz One+ en una gran población de pacientes, lo que refleja el uso previsto del dispositivo, y mostramos cómo el rendimiento es superior al presentado en el trabajo disponible39,42 e independiente de las condiciones preexistentes de los pacientes. , como la gravedad de la apnea del sueño, EPOC, ECV, etc.

Los resultados obtenidos con el dispositivo Sleepiz One+ están en consonancia con los hallazgos anteriores, lo que indica que este dispositivo es adecuado para la monitorización prolongada de la FR sin impedir la comodidad de los pacientes.

El Sleepiz One+ está diseñado para usarse en los hogares de los pacientes, además de en la clínica. En la clínica, los HCP están a cargo de la configuración del dispositivo, mientras que en casa el paciente es responsable de esta tarea. El efecto que esto tiene sobre el rendimiento del dispositivo debe abordarse a través de estudios de usabilidad en los que los usuarios objetivo del dispositivo lo operen.

Otra limitación de realizar el estudio en un entorno clínico y con una PSG como referencia es que los participantes fueron sometidos a un entorno de sueño incómodo. El Sleepiz One+, dada su naturaleza sin contacto, permite un sueño natural. Esperamos que el rendimiento del dispositivo sea mejor en las últimas condiciones. Debido a una menor frecuencia de movimiento de los pacientes a lo largo de la noche al dormir en un ambiente más cómodo y familiar. Cuando los pacientes presentan un movimiento corporal significativo, el Sleepiz One+ no puede estimar la FR. Por lo tanto, las mediciones en el hogar tienen el potencial de presentar una mejor cobertura de la noche cuando RR está disponible.

Para reducir las variables de confusión, como los eventos de apnea y los artefactos de movimiento, se seleccionó una ventana de sueño de 20 minutos dentro de las primeras 3 h de registro para validar el RR instantáneo en el Estudio 1. Si bien esta selección de ventana de análisis no estaba relacionada con los sujetos ' etapa del sueño (dormido o despierto), de hecho dependía del cumplimiento de criterios de inclusión predefinidos, establecidos para identificar 20 minutos de condiciones favorables. Sin embargo, en el Estudio 2, se analizaron los registros de toda la noche para evaluar la RR instantánea en condiciones no controladas. lo que demuestra la capacidad del dispositivo para monitorear RR durante el sueño.

Una limitación intrínseca de Sleepiz One+ es su incapacidad para informar RR en presencia de un movimiento significativo. Esto podría tener implicaciones negativas para el cálculo de las estadísticas de RR. En este estudio, las estadísticas de RR se calcularon para TREB en todas las épocas en las que no presentó artefactos, independientemente de si Sleepiz One+ informó una estimación de RR en esas épocas. En pacientes con una variabilidad significativamente mayor en RR, una alta proporción de movimiento corporal podría generar estadísticas de RR inexactas según lo estimado por Sleepiz One+, debido a que los RR en esas épocas no se incluyen en su cálculo. Sin embargo, esto no se observó en el presente estudio, donde el error absoluto promedio de las estadísticas de RR estuvo por debajo de 1 Brpm (Tabla 3). Por lo tanto, la ausencia de estimaciones de RR en presencia de lanzamientos y giros no sesga los resultados.

El estudio comparó las estadísticas de RR y RR instantáneas entre el dispositivo Sleepiz y TREB durante una ventana de sueño de 20 minutos en condiciones controladas y en un entorno más natural durante toda la noche. Los resultados proporcionan evidencia de la eficacia del dispositivo Sleepiz en la estimación del RR instantáneo y sus estadísticas de resumen en el entorno clínico. Se planean estudios futuros para evaluar su rendimiento en el entorno doméstico y para el seguimiento de pacientes a largo plazo.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente a pedido.

Error absoluto

respiraciones por minuto

Enfermedad pulmonar obstructiva crónica

Insuficiencia cardiaca

límite de acuerdo

Error absoluto medio

Polisomnografía

La frecuencia respiratoria

Ritmo cardiaco

Cinturón de esfuerzo respiratorio torácico

OMS. Las 10 principales causas de muerte. 2020. https://www.who.int/news-room/fact-sheets/detail/the-top-10-causes-of-death. Consultado el 13 de agosto de 2021.

Fieselmann, JF, Hendryx, M., Helms, CM & Wakefield, DS La frecuencia respiratoria predice el paro cardiopulmonar en pacientes internados en medicina interna. J. Gen. Pasante. Medicina. 8(7), 354–360 (1993).

Artículo CAS PubMed Google Académico

Soriano, JB et al. Prevalencia y carga de salud atribuible de las enfermedades respiratorias crónicas, 1990–2017: un análisis sistemático para el Estudio de carga global de enfermedad 2017. Lancet Respir. Medicina. 8(6), 585–596. https://doi.org/10.1016/S2213-2600(20)30105-3 (2020).

Artículo Google Académico

Wedzicha, JA & Seemungal, TA Exacerbaciones de la EPOC: definición de su causa y prevención. Lancet 370 (9589), 786–796. https://doi.org/10.1016/S0140-6736(07)61382-8 (2007).

Artículo PubMed PubMed Central Google Académico

Yáñez, AM et al. La monitorización de la frecuencia respiratoria en el hogar permite la identificación temprana de las exacerbaciones de la EPOC. Cofre 142 (6), 1524–1529. https://doi.org/10.1378/chest.11-2728 (2012).

Artículo PubMed Google Académico

Borel, JC et al. Los parámetros registrados por el software de los ventiladores no invasivos predicen la exacerbación de la EPOC: un estudio de prueba de concepto. Tórax 70(3), 284–285. https://doi.org/10.1136/thoraxjnl-2014-206569 (2015).

Artículo PubMed Google Académico

Ballal, T. et al. Un estudio piloto de las tasas de respiración nocturna en pacientes con EPOC en el entorno doméstico utilizando un sensor de biomovimiento sin contacto. Fisiol. medida 35(12), 2513–2527. https://doi.org/10.1088/0967-3334/35/12/2513 (2014).

Artículo PubMed Google Académico

Savarese, G., Lund, LH, Savarese, G. & Lund, LH Carga global de insuficiencia cardíaca para la salud pública. Cardiol. Fallar. Rev. 4(3), 185. https://doi.org/10.15420/cfr.2016:25:2 (2017).

Artículo Google Académico

Saner, H. et al. Reporte de caso: Señales de sensores ambientales como biomarcadores digitales para signos tempranos de descompensación de insuficiencia cardíaca. Frente. Cardiovasc. Medicina. 8 (febrero), 1–6. https://doi.org/10.3389/fcvm.2021.617682 (2021).

Artículo ANUNCIOS Google Académico

Churpek, MM et al. Derivación de un modelo de predicción de paro cardíaco utilizando signos vitales de sala. crítico Cuidado Med. 40(7), 2102–2108. https://doi.org/10.1097/CCM.0b013e318250aa5a (2012).

Artículo PubMed PubMed Central Google Académico

Massaroni, C., Nicolò, A., Schena, E. & Sacchetti, M. Monitoreo respiratorio remoto en tiempos de COVID-19. Frente. fisiol. 1, 635. https://doi.org/10.3389/fphys.2020.00635 (2020).

Artículo Google Académico

Nicolò, A., Massaroni, C., Schena, E. & Sacchetti, M. La importancia de la monitorización de la frecuencia respiratoria: del cuidado de la salud al deporte y el ejercicio. Sensores (Suiza) 20(21), 1–45. https://doi.org/10.3390/s20216396 (2020).

Artículo Google Académico

Dafna, E., Rosenwein, T., Tarasiuk, A. e Y. Zigel. Estimación de la frecuencia respiratoria durante el sueño mediante análisis de señales de audio. En Actas de la Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE, EMBS, 2015-Noviem:5981–5984 (2015). https://doi.org/10.1109/EMBC.2015.7319754.

Bae, M., Lee, S. & Kim, N. Desarrollo de un sistema de monitoreo de movimiento respiratorio 3D robusto y rentable utilizando el dispositivo kinect: comparación de precisión con el sistema de navegación de estereovisión convencional. computar Métodos Programas Biomed. 160, 25–32. https://doi.org/10.1016/j.cmpb.2018.03.027 (2018).

Artículo PubMed Google Académico

Kim, J., Kwon, JH, Kim, E., Yoo, SK & Shin, C. Medición respiratoria mediante termografía infrarroja y monitor de volumen respiratorio durante la sedación en pacientes sometidos a procedimientos urológicos endoscópicos bajo anestesia espinal. J. Clin. Monitorear computar 33(4), 647–656. https://doi.org/10.1007/s10877-018-0214-4 (2019).

Artículo PubMed Google Académico

Kuo, YM, Lee, JS & Chung, PC Un sistema visual de medición de la respiración durante el sueño basado en la conciencia del contexto. Trans. IEEE. información Tecnología biomedicina 14(2), 255–265. https://doi.org/10.1109/TITB.2009.2036168 (2010).

Artículo PubMed Google Académico

Li, MH, Yadollahi, A. & Taati, B. Monitoreo cardiopulmonar basado en visión sin contacto en diferentes posiciones para dormir. IEEE J. Biomédica. Informe de Salud. 21(5), 1367–1375. https://doi.org/10.1109/JBHI.2016.2567298 (2017).

Artículo PubMed Google Académico

Li, MH, Yadollahi, A. & Taati, B. Un sistema basado en visión sin contacto para la estimación de la frecuencia respiratoria. En 2014, 36.ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE, EMBC 2014:2119–2122 (2014). https://doi.org/10.1109/EMBC.2014.6944035.

Ben-Ari, J., Zimlichman, E., Adi, N. & Sorkine, P. Monitoreo de frecuencia cardíaca y respiratoria sin contacto: Validación de una herramienta innovadora. J.Med. Ing. Tecnología 34(7–8), 393–398. https://doi.org/10.3109/03091902.2010.503308 (2010).

Artículo CAS PubMed Google Académico

Bennett, MK, Shao, M. y Gorodeski, EZ Supervisión domiciliaria de pacientes con insuficiencia cardíaca en riesgo de readmisión hospitalaria mediante un novedoso sensor piezoeléctrico debajo del colchón: una experiencia preliminar en un solo centro. J. Telemed. Teleasistencia 23(1), 60–67. https://doi.org/10.1177/1357633X15618810 (2017).

Artículo PubMed Google Académico

Breteler, MJM et al. Monitoreo de signos vitales con sensores portátiles en pacientes quirúrgicos de alto riesgo: un estudio de validación clínica. Anestesiología 3, 424–439. https://doi.org/10.1097/ALN.0000000000003029 (2020).

Artículo Google Académico

Chinoy, ED et al. Rendimiento de siete dispositivos de seguimiento del sueño de consumidores en comparación con la polisomnografía. Sueño 44, 5. https://doi.org/10.1093/sleep/zsaa291 (2021).

Artículo Google Académico

Tal, A., Shinar, Z., Shaki, D., Codish, S. & Goldbart, A. Validación del dispositivo de monitoreo del sueño sin contacto en comparación con la polisomnografía. J. Clin. Sueño Med. 13(3), 517–522. https://doi.org/10.5664/jcsm.6514 (2017).

Artículo PubMed PubMed Central Google Académico

Gu, C. Sensores sin contacto de corto alcance para atención médica y otras aplicaciones emergentes: una revisión. Sensores (Suiza) 16, 8. https://doi.org/10.3390/s16081169 (2016).

Artículo Google Académico

de Chazal, P. et al. Medición de sueño/vigilia usando un sensor de biomovimiento sin contacto. J. Sueño Res. 20(2), 356–366. https://doi.org/10.1111/j.1365-2869.2010.00876.x (2011).

Artículo PubMed Google Académico

Fox, NA, Heneghan, C., Gonzalez, M., Shouldice, RB y de Chazal, P. Evaluación de un sensor de biomovimiento sin contacto con actimetría. En 2007, 29.ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE, agosto de 2007 (febrero): 2664–2668. https://doi.org/10.1109/IEMBS.2007.4352877.

Hong, H. et al. Estimación de la etapa del sueño sin contacto utilizando un radar Doppler CW. IEEE J. emergente. sel. Arriba. Circ. sist. https://doi.org/10.1109/JETCAS.2017.2789278 (2018).

Artículo Google Académico

Kagawa, M., Suzumura, K. & Matsui, T. Clasificación de la etapa del sueño por índices de signos vitales sin contacto usando sensores de radar Doppler. En Actas de la Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE, EMBS, octubre de 2016, 2016-octubre: 4913–4916. https://doi.org/10.1109/EMBC.2016.7591829.

Boric-Lubecke, O., Lubecke, VM, Droitcour, AD, Park, B.-K. & Singh, A. Doppler Radar Physiological Sensing (Serie de Wiley en ingeniería biomédica y sistemas integrados multidisciplinarios) (Wiley, 2015).

Google Académico

Skolnik, MI Radar Handbook, 53. 1990.

Drummond, GB, Fischer, D. & Arvind, DK Los métodos clínicos actuales de medición de la frecuencia respiratoria dan valores imprecisos. ERJ Res. Abierta. 6(3), 00023–02020. https://doi.org/10.1183/23120541.00023-2020 (2020).

Artículo PubMed PubMed Central Google Académico

Wilkens, H. et al. Patrón de respiración y volúmenes de la pared torácica durante el ejercicio en pacientes con fibrosis quística, fibrosis pulmonar y EPOC antes y después del trasplante de pulmón. Tórax 65(9), 808–814. https://doi.org/10.1136/thx.2009.131409 (2010).

Artículo CAS PubMed Google Académico

Sherling, D. & Sherling, M. Las promesas y peligros de la telemedicina. Soy. J. Cuenta. Atención 5(2), 24–26 (2017).

Google Académico

Franciosi, L. et al. Marcadores de gravedad de las exacerbaciones en la enfermedad pulmonar obstructiva crónica. Respirar Res. (2016). https://reference.medscape.com/medline/abstract/16686949. Consultado el 15 de octubre de 2021.

Diraco, G., Leone, A. & Siciliano, P. Un sensor inteligente basado en radar para el monitoreo discreto de personas mayores en aplicaciones de vida asistida ambiental. Biosensores (Basilea) 7, 4. https://doi.org/10.3390/bios7040055 (2017).

Artículo Google Académico

Tran, VP y Ali Al-Jumaily A. Estimación de la frecuencia cardíaca y respiratoria basada en el sistema Doppler de pulso dual sin contacto para pacientes con insuficiencia cardíaca congestiva. En 2015, 37.ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE, agosto de 2015: 4202–4205. https://doi.org/10.1109/EMBC.2015.7319321.

Janssen, R., Wang, W., Moço, A. & de Haan, G. Monitoreo de la respiración basado en video con detección automática de región de interés. Fisiol. medida 37(1), 100–114. https://doi.org/10.1088/0967-3334/37/1/100 (2015).

Artículo PubMed Google Académico

Droitcour, AD, Boric-Lubecke, O., Lubecke, VM, Lin, J. & Kovacs, GTA Correlación de rango y beneficios de rendimiento en radares doppler de silicio de un solo chip para monitoreo cardiopulmonar sin contacto. Trans. IEEE. Microondas. Teoría de la tecnología. 52(3), 838–848. https://doi.org/10.1109/TMTT.2004.823552 (2004).

Artículo ANUNCIOS Google Académico

Panzik, A. Sociedad. IEEE; 2009. pág. 4812–5. 6. Panzik A. 510k K200445 El sistema Circadia C100. 2019. 510k K200445.

Bob, N. Estudio de equivalencia sustancial para el monitor de frecuencia respiratoria sin contacto de Kai Medical.

Lee, YJ et al. Estudio de validación de un dispositivo de monitorización sin contacto de signos vitales durante el sueño y la arquitectura del sueño en adultos con trastornos respiratorios del sueño. Sueño Med. Res., 12(2), 118–124 (2021). https://www.embase.com/search/results?subaction=viewrecord&id=L2016570696&from=export.

Kang, S. et al. Validación de la monitorización cardiorrespiratoria sin contacto mediante radar de banda ultraancha de radio de impulso frente a polisomnografía nocturna. Respiración del sueño. https://doi.org/10.1007/s11325-019-01908-1 (2019).

Artículo PubMed Google Académico

Tran, VP & Al-Jumaily, AA Estimación de la frecuencia cardíaca y respiratoria basada en el sistema Doppler de pulso dual sin contacto para pacientes con ICC (2015). https://doi.org/10.1109/EMBC.2015.7319321.

Lauteslager, T. et al. Validación de un nuevo dispositivo de monitorización continua y sin contacto de la frecuencia respiratoria basado en tecnología de radar de banda ultraancha. Sensores 21, 12. https://doi.org/10.3390/s21124027 (2021).

Artículo Google Académico

Shouldice, RB et al. Estimación de la frecuencia respiratoria en tiempo real a partir de un biosensor sin contacto. En la Conferencia Internacional Anual de 2010 de Ingeniería en Medicina y Biología del IEEE, agosto de 2010: 630–633. https://doi.org/10.1109/IEMBS.2010.5627275.

Droitcour, AD et al. Validación de medición de frecuencia respiratoria sin contacto para pacientes hospitalizados. En la Conferencia Internacional Anual de 2009 de la Sociedad de Ingeniería en Medicina y Biología del IEEE, septiembre de 2009: 4812–4815. https://doi.org/10.1109/IEMBS.2009.5332635.

Rullan, M., Dash, SS, Wilhelm, E. y Riener, R. La monitorización sin contacto de la frecuencia respiratoria mejora la solidez de la medición; Resúmenes del 24º Congreso de la Sociedad Europea de Investigación del Sueño, 25–28 de septiembre de 2018, Basilea, Suiza. J. Sueño Res. 27, e12751. https://doi.org/10.1111/jsr.12751 (2018).

Artículo Google Académico

Descargar referencias

Los autores desean agradecer al personal del laboratorio del sueño en Ruhrlandklinik Essen (University hospital Essen, West German Lung Center, Essen, Alemania) y al equipo de Clinic Lengg (Zurich, Suiza) por su apoyo en la realización del estudio.

Klinik Lengg AG, Centro de Neurorrehabilitación, Bleulerstrasse 60, 8008, Zúrich, Suiza

Bartosz Buján

Hospital Universitario de Essen, Clínica Ruhrland, Tueschener Weg 40, 45239, Essen, Alemania

Tobit Fischer, Sarah Dietz-Terjung, Martina Grosse Sundrup y Christoph Schöbel

Klinik Lengg AG, Centro Suizo de Epilepsia, Bleulerstrasse 60, 8008, Zúrich, Suiza

Aribert Bauerfeind y Janne Hamann

Hospital Universitario de Essen, Centro de Neurorrehabilitación, Bleulerstrasse 60, 8008, Zúrich, Suiza

Piotr Jedrysiak

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Concepción y diseño: BB, CS, JH, SDT Soporte administrativo: BB, CS, MGS, PJ, SDT, TF Suministro de materiales de estudio o pacientes: BB, PJ, AB, CS, MGS, SDT, TF Recopilación y montaje de datos : BB, AB, CS, MGS, PJ, SDT Análisis e interpretación de datos: BB, MGS, SDT, CS Escritura manuscrita: todos los autores. Aprobación final del manuscrito: todos los autores.

Correspondencia es Bartosz Bujan.

El estudio está patrocinado por Sleepiz AG. Los fondos para financiar este estudio provienen del European Institute of Technology (EIT) Venture Award 2019 (European Grant). CS y AB como asesor médico con apoyo financiero institucional para la realización de ensayos clínicos de acuerdo con el Reglamento Europeo de Dispositivos Médicos (MDR). BB, PJ, JH, TF, MGS y SDT declaran que no existe conflicto de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Bujan, B., Fischer, T., Dietz-Terjung, S. et al. Validación clínica de un monitor de frecuencia respiratoria sin contacto. Informe científico 13, 3480 (2023). https://doi.org/10.1038/s41598-023-30171-4

Descargar cita

Recibido: 03 Junio ​​2022

Aceptado: 16 febrero 2023

Publicado: 01 marzo 2023

DOI: https://doi.org/10.1038/s41598-023-30171-4

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.