Navegando por Assunto "Distúrbios do sono"

Agora exibindo 1 - 2 de 2

Associação entre índice de massa corporal e sonolência diurna excessiva em estudantes do Ensino Médio
(2019-02-18) Lima, Antonio Luis Rosa; Lima, Anna Myrna Jaguaribe de; http://lattes.cnpq.br/6743434574905339; http://lattes.cnpq.br/7200102963728117
Existe uma relação entre o aumento do índice de massa corporal e a diminuição da qualidade das horas de sono na população, gerando vários problemas de saúde e sociais como hipertensão, diabetes, apneia do sono, depressão, sonolência diurna excessiva, déficit de aprendizado escolar e acidentes de trânsito. Este estudo teve como objetivo geral determinar a relação entre índice de massa corporal (IMC) e a presença de sonolência diurna excessiva em estudantes do ensino médio de uma escola da rede estadual de Pernambuco. Trata-se de um estudo quantitativo, com pesquisa de campo e aplicação de questionário, de caráter transversal. Foram avaliados 196 estudantes do 1º, 2º, 3º ano do ensino médio, com idade entre 16 e 40 anos, e coletados dados referentes ao peso e altura, calculado o índice de massa corporal (IMC), além de ser aplicado um questionário (Escala de Sonolência de Epworth) para avaliar a presença de sonolência excessiva diurna nesses estudantes. Os resultados apontaram que, dos 196 estudantes, 88 (44,9%) eram homens e 108 (55,1%) mulheres. O IMC foi de 22,87 kg/m2 (20,11-26,55 kg/m2). A altura dos alunos foi de 1,65 m (1,60-1,71m). Não houve correlação entre o escore da escala de sonolência de Epworth e o IMC dos estudantes do ensino médio (p<0,738, r= 0,024). Também não houve associação entre a sonolência diurna excessiva e o sexo dos estudantes do ensino médio (p<0,137). No entanto, houve associação entre a sonolência diurna excessiva e o turno que estudam os alunos do ensino médio (p<0,012). Sugerimos a realização de mais estudos sobre o sono e os fatores que o influenciam nesta população de estudantes, a fim de que projetos de instrução e conscientização dos jovens e adolescentes relacionados à qualidade do sono e qualidade de vida, e que podem repercutir no aprendizado escolar, sejam implantados e desenvolvidos na escola.
Classificação dos estágios do sono por meio de sinais de polissonografia com auxílio de algoritmos de aprendizagem de máquina e processamento de sinais
(2023-04-26) Sobreira, José Lucas de Vasconcelos Costa; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/9939255113143786; http://lattes.cnpq.br/7848280458599931
Uma das grandes razões para a incidência de graves problemas de saúde na atualidade são os distúrbios do sono. Alguns dos impactos destes na saúde vão desde a perda de produtividade nas atividades diárias até a incidência de obesidade. Hoje, a Polissonografia (PSG) é considerada um método padrão de alta qualidade para diagnósticar diversos distúrbios do sono. Contudo, o processo de diagnóstico destes distúrbios utilizando PSG é um trabalho exaustivo, uma vez que são necessárias anotações de especialistas durante a gravação dos sinais fisiológicos do paciente, que em muitos casos dura mais do que 6 horas. Além disso, a classificação dos estágios do sono por meio de anotações de especialistas requere que o mesmo defina um padrão de estágios cerebrais baseado em frequências de ondas mostradas no PSG para então realizar as anotações, tornando o processo de classificação de maneira manual trabalhoso. Como alternativa, há métodos sugeridos na literatura utilizando modelos de algoritmos de aprendizagem de máquina para classificação dos estágios do sono, facilitando assim o processo de diagnóstico de distúrbios relacionados a este estado fisiológico. Desenvolvimentos recentes presentes na literatura demonstram uma acurácia de 80% a 95% utilizando algoritmos de aprendizagem de máquina na classificação de estágios do sono, a depender do número de pacientes estudados e da técnica utilizada. Este trabalho propõe estudar e analisar algoritmos de aprendizagem de máquina para classificação de estágios de sono utilizando processamento de sinais de PSG de diferentes pacientes e seguindo os padrões da American Academy of Sleep Medicine (AASM) com valores pré-definidos para cada estágio de sono. A metodologia utilizada para desenvolver o algoritmo é descrita neste documento, tal como a avaliação de desempenho do modelo gerado pelo algoritmo de aprendizagem de máquina utilizando a técnica de árvore de decisão e random forest, mostrando que o modelo desenvolvido consegue alcançar um desempenho semelhante ao presente na literatura.