Obstruktiv sömnapné (OSA), som innebär att andningen avbryts under sömnen, kan snart identifieras med hjälp av en AI-driven modell från hemmets lugna vrå.
Forskare från Seoul National University, Seoul National University College of Medicine och Columbia University, New York, utvecklat ett kamerasystem för att diagnostisera OSA från sömnregistreringar.
Traditionellt utförs OSA-diagnostik med hjälp av polysomnografi (PSG). Detta kräver vanligtvis sjukhusvistelse över natten och att upp till 20 sensorer fästs på patienten.
Data från dessa sensorer sammanställs sedan till ett apné-hypopné-index (AHI), som mäter antalet apnéer - andningsuppehåll - per timme för att bedöma tillståndets svårighetsgrad.
Förutom att vara långsam och besvärlig har PSG sina brister. Som Hyung-Sin Kim från Seoul National University i Sydkorea konstaterade: "Många säger att de inte kan sova gott under PSG på grund av besväret. Accurate-testning kräver observation av naturlig sömn under flera nätter för att minska sömnvariationen från natt till natt och effekten av den första natten, vilket är nästan omöjligt med PSG i praktiken."
För att lösa dessa problem introducerade Kim och hans team ett system där en individ som misstänks ha OSA observeras med en infraröd kamera under sömnen. Deras AI-verktyg, SlAction, kan sedan diagnostisera störningen från videon.
För att träna AI:n använde forskarna videofilmer av ett stort antal personer, var och en cirka 6 timmar lång, som samlats in från tre sjukhus.
Dessa videor, som var märkta med professionella diagnoser, gjorde det möjligt för AI att lära sig att identifiera OSA:s visuella tecken, som t.ex. frekventa uppvaknanden eller flämtningar. Vid utvärderingarna identifierade systemet OSA med en träffsäkerhet på 88%.
Hur studien fungerade
- Introduktion av SlAction: En grupp forskare har utvecklat "SlAction", ett innovativt system som är utformat för att upptäcka obstruktiv sömnapné (OSA) hos individer. Systemet använder infraröda videor för att övervaka sömnmönster på ett icke-invasivt sätt, vilket ger ett nytt perspektiv på OSA-diagnos.
- Begränsningar av polysomnografi (PSG): För närvarande diagnostiseras OSA främst med hjälp av polysomnografi, en metod som innebär en övernattning på ett specialiserat sjukhus med flera sensorer kopplade till patienten. Denna metod är behäftad med felaktigheter, främst på grund av "första-natten-effekten", där den ovana miljön och obehaget med sensorerna kan påverka sömnmönstret.
- Centralt forskningsfokus: Teamets primära forskningsfråga var om andningshändelser i samband med OSA på ett märkbart sätt återspeglas i mänskliga rörelser under sömnen. För att besvara denna fråga analyserade de ett omfattande dataset med sömnvideor omfattande över 5 098 timmar. Deras resultat bekräftade att det verkligen fanns anmärkningsvärda korrelationer mellan händelser som tyder på OSA och mindre mänskliga rörelser under sömnen.
- Tekniskt tillvägagångssätt: SlAction är utformat för att använda en låg bildfrekvens (2,5 FPS) för att fånga videor, med en stor fönsterstorlek för glidande fönsteranalys. Detta tillvägagångssätt säkerställer att systemet fångar upp långsamma, långsiktiga rörelser som är relaterade till OSA. En anmärkningsvärd funktion är den lokala bearbetningen av alla videoströmmar, vilket säkerställer integritet för individer.
- Resultat: Preliminära tester av SlAction-systemet visade en F1-poäng på 87,6% för att upptäcka OSA i olika miljöer.
AI-stödd OSA-diagnostik sällar sig till en lång rad andra medicintekniska framsteg i år, som omfattar allt från återställande av tal och rörelse till stroke, neurodegenerativa sjukdomar och olycksoffer, utveckla nya läkemedel, och diagnostisering av Parkinsons sjukdom från ögonbilder.
