Ny dyb læringsmodel kan nøjagtigt identificere søvnstadier

En ny dyb læringsmodel udviklet af forskere ved University of Eastern Finland kan identificere søvnstadier lige så præcist som en erfaren læge. Dette åbner op for nye veje til diagnostik og behandling af søvnforstyrrelser, herunder obstruktiv søvnapnø.

Obstruktiv søvnapnø (OSA) er en natlig vejrtrækningsforstyrrelse, der forårsager en stor byrde på offentlige sundhedssystemer og nationale økonomier. Det anslås, at op mod en milliard mennesker verden over lider af obstruktiv søvnapnø, og antallet forventes at vokse på grund af befolkningens aldring og øget forekomst af fedme. Når ubehandlet, OSA øger risikoen for hjerte-kar-sygdomme og diabetes, blandt andre alvorlige helbredsmæssige konsekvenser.

Identifikationen af ​​søvnstadier er afgørende i diagnostik af søvnforstyrrelser, herunder obstruktiv søvnapnø. Traditionelt, søvn inddeles manuelt i fem stadier, som er vågne, rapid eye movement (REM) søvn og tre stadier af non-REM søvn. Imidlertid, manuel scoring af søvnstadier er tidskrævende, subjektivt og dyrt.

For at overkomme disse udfordringer, forskere ved University of Eastern Finland brugte polysomnografiske registreringsdata fra raske individer og personer med mistanke om OSA til at udvikle en nøjagtig dyb læringsmodel til automatisk klassificering af søvnstadier. Ud over, de ønskede at finde ud af, hvordan sværhedsgraden af ​​OSA påvirker klassificeringsnøjagtigheden.

Hos raske personer, modellen var i stand til at identificere søvnstadier med en nøjagtighed på 83,7 % ved brug af en enkelt frontal elektroencefalografikanal (EEG), og med en nøjagtighed på 83,9 %, når det suppleres med elektrookulogram (EOG). Hos patienter med mistanke om OSA, modellen opnåede nøjagtigheder på 82,9 % (enkelt EEG-kanal) og 83,8 % (EEG- og EOG-kanaler). Enkeltkanalsnøjagtigheden varierede fra 84,5 % for personer uden OSA til 76,5 % for patienter med svær OSA. Den nøjagtighed, som modellen opnår, svarer til korrespondancen mellem erfarne læger, der udfører manuel søvnscoring. Imidlertid, modellen har fordelen af ​​at være systematisk og altid følge den samme protokol, og udføre scoringen i løbet af få sekunder.

Ifølge forskerne, dyb læring muliggør automatisk søvnstadieinddeling for mistænkte OSA-patienter med høj nøjagtighed. Undersøgelsen blev offentliggjort i IEEE Journal of Biomedical and Health Informatics .