Obstruktiv søvnapnø (OSA), hvor vejrtrækningen afbrydes under søvnen, kan snart identificeres ved hjælp af en AI-drevet model hjemmefra.
Forskere fra Seoul National University, Seoul National University College of Medicine og Columbia University, New York, udviklede et kamerasystem at diagnosticere OSA ud fra søvnoptagelser.
Traditionelt udføres OSA-diagnose via polysomnografi (PSG). Det kræver typisk en overnatning på hospitalet og påsætning af op til 20 sensorer på patienten.
Data fra disse sensorer samles derefter i apnø-hypopnø-indekset (AHI), som måler antallet af apnøer - tilfælde af vejrtrækningsstop - pr. time for at vurdere tilstandens sværhedsgrad.
Ud over at være langsom og besværlig har PSG også sine mangler. Som Hyung-Sin Kim fra Seoul National University i Sydkorea sagde: "Mange mennesker siger, at de ikke kan sove godt under PSG på grund af ulemperne. Anøjagtig testning kræver observation af naturlig søvn over flere nætter for at mindske søvnvariationen fra nat til nat og effekten af den første nat, hvilket næsten er umuligt med PSG i praksis."
For at løse disse problemer introducerede Kim og hans team et system, hvor en person, der mistænkes for OSA, observeres med et infrarødt kamera under søvnen. Deres AI-værktøj, SlAction, kan derefter diagnosticere lidelsen ud fra videoen.
For at træne den kunstige intelligens brugte forskerne videooptagelser af mange personer, hver på ca. 6 timer, indsamlet fra tre hospitaler.
Disse videoer, der var markeret med professionelle diagnoser, gjorde det muligt for AI'en at lære at identificere OSA's visuelle tegn, såsom hyppige opvågninger eller gisp. I evalueringerne identificerede systemet OSA med en nøjagtighedsgrad på 88%.
Sådan fungerede undersøgelsen
- Introduktion af SlAction: En gruppe forskere har udviklet "SlAction", et innovativt system, der er designet til at opdage obstruktiv søvnapnø (OSA) hos enkeltpersoner. Det bruger infrarøde videoer til ikke-påtrængende at overvåge søvnmønstre, hvilket giver et nyt perspektiv på OSA-diagnose.
- Begrænsninger ved polysomnografi (PSG): I øjeblikket diagnosticeres OSA overvejende ved hjælp af polysomnografi, en metode, der involverer en overnatning på et specialiseret hospital med flere sensorer fastgjort til patienten. Denne metode er tilbøjelig til at være unøjagtig, primært på grund af "første-nat-effekten", hvor de uvante omgivelser og ubehaget ved sensorerne kan påvirke søvnmønstrene.
- Centralt forskningsfokus: Holdets primære forskningsspørgsmål var, om vejrtrækningshændelser i forbindelse med OSA afspejles tydeligt i menneskers bevægelser under søvn. De analyserede et omfattende søvnvideodatasæt på over 5.098 timer for at besvare dette. Deres resultater bekræftede, at der faktisk var bemærkelsesværdige sammenhænge mellem begivenheder, der tyder på OSA, og mindre menneskelige bevægelser under søvnen.
- Teknisk tilgang: SlAction er designet til at bruge en lav billedhastighed (2,5 FPS) til at optage videoer og anvender en stor vinduesstørrelse til glidende vinduesanalyse. Denne tilgang sikrer, at systemet fanger langsomme, langvarige bevægelser, der er relateret til OSA. En bemærkelsesværdig funktion er den lokale behandling af alle videostrømme, hvilket sikrer privatlivets fred for enkeltpersoner.
- Resultater: Foreløbige tests af SlAction-systemet viste en F1-score på 87,6% i forhold til at opdage OSA på tværs af forskellige miljøer.
AI-understøttet OSA-diagnose slutter sig til en lang række andre medicinske teknologiske fremskridt i år, der dækker alt fra genskabe tale og bevægelse til slagtilfælde, neurodegenerative sygdomme og ulykkesofre, udvikling af nye lægemidlerog Diagnosticering af Parkinsons sygdom fra øjenbilleder.
