{"id":6051,"date":"2023-10-01T17:23:54","date_gmt":"2023-10-01T17:23:54","guid":{"rendered":"https:\/\/dailyai.com\/?p=6051"},"modified":"2023-10-01T17:24:41","modified_gmt":"2023-10-01T17:24:41","slug":"ai-uses-night-vision-camera-to-diagnose-sleep-apnoea-from-home","status":"publish","type":"post","link":"https:\/\/dailyai.com\/nb\/2023\/10\/ai-uses-night-vision-camera-to-diagnose-sleep-apnoea-from-home\/","title":{"rendered":"AI bruker nattkamera for \u00e5 diagnostisere s\u00f8vnapn\u00e9 hjemmefra"},"content":{"rendered":"

Obstruktiv s\u00f8vnapn\u00e9 (OSA), der pusten avbrytes under s\u00f8vnen, kan snart identifiseres ved hjelp av en AI-drevet modell hjemme i stua.<\/b><\/p>\n

Forskere fra Seoul National University, Seoul National University College of Medicine og Columbia University, New York, <\/span>utviklet et kamerasystem<\/span><\/a> for \u00e5 diagnostisere OSA ut fra s\u00f8vnregistreringer.\u00a0<\/span><\/p>\n

Tradisjonelt sett stilles OSA-diagnosen ved hjelp av polysomnografi (PSG). Dette krever vanligvis sykehusinnleggelse over natten og p\u00e5setting av opptil 20 sensorer p\u00e5 pasienten.\u00a0<\/span><\/p>\n

Dataene fra disse sensorene konsolideres deretter til en apn\u00e9-hypopn\u00e9-indeks (AHI), som m\u00e5ler antall apn\u00e9er - tilfeller av pustestopp - per time for \u00e5 vurdere tilstandens alvorlighetsgrad.<\/span><\/p>\n

I tillegg til \u00e5 v\u00e6re langsom og tungvint har PSG ogs\u00e5 sine mangler. Som Hyung-Sin Kim fra Seoul National University i S\u00f8r-Korea uttalte: \"Mange sier at de ikke f\u00e5r sove godt under PSG p\u00e5 grunn av ulempene. A<\/span>n\u00f8yaktig testing krever observasjon av naturlig s\u00f8vn over flere netter for \u00e5 redusere s\u00f8vnvariasjoner fra natt til natt og f\u00f8rste-natt-effekten, noe som er nesten umulig \u00e5 gjennomf\u00f8re med PSG i praksis.\"<\/span><\/p>\n

For \u00e5 l\u00f8se disse problemene introduserte Kim og teamet hans et system der en person som mistenkes for OSA, blir observert med et infrar\u00f8dt kamera under s\u00f8vn. AI-verkt\u00f8yet deres, SlAction, kan deretter diagnostisere lidelsen ut fra videoen.\u00a0<\/span><\/p>\n

For \u00e5 trene opp den kunstige intelligensen brukte forskerne videoopptak av en rekke personer, hver p\u00e5 ca. 6 timer, samlet inn fra tre sykehus.\u00a0<\/span><\/p>\n

Disse videoene, som var merket med profesjonelle diagnoser, gjorde det mulig for den kunstige intelligensen \u00e5 l\u00e6re seg \u00e5 identifisere visuelle tegn p\u00e5 OSA, for eksempel hyppige oppv\u00e5kninger eller gisping. <\/span>I evalueringene identifiserte systemet OSA med en n\u00f8yaktighetsgrad p\u00e5 88%.<\/span><\/p>\n

Hvordan studien fungerte<\/span><\/h2>\n