Obstruktiv søvnapné (OSA), der pusten avbrytes under søvnen, kan snart identifiseres ved hjelp av en AI-drevet modell hjemme i stua.
Forskere fra Seoul National University, Seoul National University College of Medicine og Columbia University, New York, utviklet et kamerasystem for å diagnostisere OSA ut fra søvnregistreringer.
Tradisjonelt sett stilles OSA-diagnosen ved hjelp av polysomnografi (PSG). Dette krever vanligvis sykehusinnleggelse over natten og påsetting av opptil 20 sensorer på pasienten.
Dataene fra disse sensorene konsolideres deretter til en apné-hypopné-indeks (AHI), som måler antall apnéer - tilfeller av pustestopp - per time for å vurdere tilstandens alvorlighetsgrad.
I tillegg til å være langsom og tungvint har PSG også sine mangler. Som Hyung-Sin Kim fra Seoul National University i Sør-Korea uttalte: "Mange sier at de ikke får sove godt under PSG på grunn av ulempene. Anøyaktig testing krever observasjon av naturlig søvn over flere netter for å redusere søvnvariasjoner fra natt til natt og første-natt-effekten, noe som er nesten umulig å gjennomføre med PSG i praksis."
For å løse disse problemene introduserte Kim og teamet hans et system der en person som mistenkes for OSA, blir observert med et infrarødt kamera under søvn. AI-verktøyet deres, SlAction, kan deretter diagnostisere lidelsen ut fra videoen.
For å trene opp den kunstige intelligensen brukte forskerne videoopptak av en rekke personer, hver på ca. 6 timer, samlet inn fra tre sykehus.
Disse videoene, som var merket med profesjonelle diagnoser, gjorde det mulig for den kunstige intelligensen å lære seg å identifisere visuelle tegn på OSA, for eksempel hyppige oppvåkninger eller gisping. I evalueringene identifiserte systemet OSA med en nøyaktighetsgrad på 88%.
Hvordan studien fungerte
- Introduksjon av SlAction: En gruppe forskere har utviklet "SlAction", et innovativt system som er utviklet for å oppdage obstruktiv søvnapné (OSA) hos enkeltpersoner. Systemet bruker infrarøde videoer for å overvåke søvnmønsteret på en ikke-påtrengende måte, noe som gir et nytt perspektiv på diagnostisering av OSA.
- Begrensninger ved polysomnografi (PSG): I dag diagnostiseres OSA hovedsakelig ved hjelp av polysomnografi, en metode som innebærer en overnatting på et spesialsykehus med flere sensorer festet til pasienten. Denne metoden er utsatt for unøyaktigheter, først og fremst på grunn av "første-natt-effekten", der det uvante miljøet og ubehaget ved sensorene kan påvirke søvnmønsteret.
- Kjerneforskningens fokus: Teamets primære forskningsspørsmål var om respirasjonshendelser forbundet med OSA gjenspeiles i menneskers bevegelser under søvn. De analyserte et omfattende søvnvideodatasett bestående av over 5 098 timer for å svare på dette. Funnene deres bekreftet at det faktisk var en bemerkelsesverdig sammenheng mellom hendelser som tyder på OSA og mindre menneskelige bevegelser under søvn.
- Teknisk tilnærming: SlAction er utviklet for å bruke en lav bildefrekvens (2,5 FPS) for videoopptak, med en stor vindusstørrelse for glidende vindusanalyse. Denne tilnærmingen sikrer at systemet fanger opp langsomme, langsiktige bevegelser relatert til OSA. En bemerkelsesverdig funksjon er den lokale behandlingen av alle videostrømmer, noe som sikrer personvernet for enkeltpersoner.
- Resultater: Foreløpige tester av SlAction-systemet viste en F1-score på 87,6% når det gjaldt å oppdage OSA i ulike miljøer.
AI-støttet OSA-diagnose føyer seg inn i rekken av andre medisinsk-teknologiske fremskritt dette året, som omfatter alt fra gjenopprette tale og bevegelse til hjerneslag, nevrodegenerative sykdommer og ulykkesofre, utvikling av nye legemidler, og diagnostisering av Parkinsons sykdom fra øyebilder.
