A evidência por trás da triagem Noktria
A triagem NOKTRIA combina dois eixos validados na literatura: (1) questionário derivado do STOP-BANG (Chung et al., Chest 2016) e (2) análise anatômica facial assistida por IA. A meta-análise bayesiana de Gao et al. (Sleep & Breathing 2025) consolidou desempenho agregado de sensibilidade 84,9% / especificidade 71,2% para IA aplicada a fotos craniofaciais, chegando a 91,1% / 79,2% em redes neurais convolucionais — comparável a testes domiciliares de apneia. A combinação foto + questionário atinge AUC 0,972 (Park et al., J Clin Sleep Med 2025), superior a qualquer eixo isolado. NOKTRIA aplica esse princípio em uma ferramenta de triagem — não substitui polissonografia (Tsuiki et al., Oral 2025).
Meta-análises e revisões
O nível mais alto de evidência sobre IA aplicada à triagem de apneia obstrutiva do sono.
Gao EY, Tan BKJ, Tan NKW, et al. (2025). Artificial intelligence facial recognition of obstructive sleep apnea: a Bayesian meta-analysis. Sleep and Breathing 29:36.
doi:10.1007/s11325-024-03173-3Resultados-chave: Pooled sens 84,9% / spec 71,2%; CNN (deep learning): sens 91,1% / spec 79,2% — comparável a teste domiciliar de apneia.
Por que importa: Citação âncora. Estabelece que IA em fotos craniofaciais é ferramenta válida de triagem de baixo custo.
Tsuiki S, Furuhashi A, Ito E, Fukuda T (2025). Artificial Intelligence to Detect Obstructive Sleep Apnea from Craniofacial Images: A Narrative Review. Oral 5(4):76 (MDPI).
doi:10.3390/oral5040076Por que importa: Posicionamento: IA em imagem craniofacial NÃO substitui polissonografia. Sustenta o uso em atenção primária e odontologia para encaminhamento.
Ravelo V, Fuentes J, Parra M, Muñoz G, Olate S (2024). Artificial Intelligence-Based Diagnosis of Obstructive Sleep Apnea Syndrome: A Scoping Review. Int J Morphol 42(4):1150-1158.
doi:10.4067/s0717-95022024000401150Por que importa: Mapa do estado da arte: identifica análise facial por IA como uma das vias emergentes mais promissoras de triagem.
Estudos primários com redes neurais convolucionais
Trabalhos que treinaram CNNs sobre fotos craniofaciais e validaram desempenho contra polissonografia.
Park JY, Shin HR, Kim MH, et al. (2025). A novel machine learning model for screening the risk of obstructive sleep apnea using craniofacial photography with questionnaires. J Clin Sleep Med 21(5):843-854.
doi:10.5664/jcsm.11560Resultados-chave: CNN + STOP-BANG: AUC 0,972 / acurácia 91,9%. Foto isolada: AUC 0,857. STOP-BANG isolado: AUC 0,79.
Por que importa: Justificativa direta da arquitetura NOKTRIA: a combinação foto + questionário é claramente superior a qualquer eixo isolado.
He S, Su H, Li Y, Xu W, Wang X, Han D (2022). Detecting obstructive sleep apnea by craniofacial image–based deep learning. Sleep and Breathing 26:1885-1895.
doi:10.1007/s11325-022-02571-9Resultados-chave: AUC 0,916 (AHI ≥ 5) e 0,812 (AHI ≥ 15) em CNN com 5 ângulos faciais.
Por que importa: Estabelece que CNN sobre múltiplos ângulos faciais (frontal + perfis) atinge desempenho clinicamente útil.
Chen Q, Liang Z, Wang Q, et al. (2023). Self-helped detection of obstructive sleep apnea based on automated facial recognition and machine learning. Sleep and Breathing 27:2379-2388.
doi:10.1007/s11325-023-02846-9Resultados-chave: CatBoost com 68 landmarks 2D + clínica: AUC 0,76, superior a STOP-BANG, NoSAS e Epworth isoladamente.
Por que importa: Identifica o segmento mandibular como mais preditivo — base para o gatilho de encaminhamento ao cirurgião bucomaxilofacial em casos de retrognatia.
He S, Li Y, Zhang C, et al. (2023). Deep learning technique to detect craniofacial anatomical abnormalities concentrated on middle and anterior of face in patients with sleep apnea. Sleep Medicine 112:12-20.
doi:10.1016/j.sleep.2023.09.025Por que importa: Mapas de atenção (XAI) mostram que a CNN foca em terço médio e anterior da face — coerente com os achados anatômicos clássicos de AOS.
Zhang Z, Feng Y, Li Y, Zhao L, Wang X, Han D (2022). Prediction of obstructive sleep apnea using deep learning in 3D craniofacial reconstruction. J Thorac Dis 15(1):90-100.
doi:10.21037/jtd-22-734Resultados-chave: AUC 0,882 em reconstrução 3D de TC de vias aéreas superiores.
Por que importa: Horizonte futuro (TC 3D fora do escopo do MVP). Reforça a coerência do método em modalidades de imagem distintas.
Interpretabilidade e aceitação
Contexto sobre IA explicável em medicina e percepção do público sobre tecnologias de sono assistidas por IA.
van der Velden BHM, Kuijf HJ, Gilhuijs KGA, Viergever MA (2022). Explainable artificial intelligence (XAI) in deep learning-based medical image analysis. Medical Image Analysis 79:102470.
doi:10.1016/j.media.2022.102470Por que importa: Revisão sistemática sobre métodos de explicabilidade em imagem médica por deep learning. Fundamenta a adoção de técnicas de atenção (attention maps) e análise de contribuição de features em ferramentas de suporte à decisão clínica, reforçando a transparência e a auditabilidade do processo diagnóstico.
Oh E, Kearns W, Laine M, Demiris G, Thompson HJ (2022). Perceptions of and Experiences with Consumer Sleep Technologies That Use Artificial Intelligence. Sensors 22(10):3621.
doi:10.3390/s22103621Por que importa: Levantamento sobre percepção de usuários de tecnologias de sono com IA. Oferece evidência sobre adesão e confiança do público em soluções de triagem não invasiva, relevante para a validação de aceitabilidade clínica de ferramentas de apoio ao diagnóstico.
Posicionamento honesto
Noktria é uma ferramenta educacional de triagem. A literatura citada sustenta o método combinado (foto + questionário) — não atribuímos à Noktria o desempenho específico de cada modelo publicado, cuja validação local depende de estudo dedicado. O diagnóstico definitivo de apneia obstrutiva do sono é clínico e depende de polissonografia, conduzida por médico do sono.