En ny modell för djupinlärning som utvecklats av forskare vid Östra Finlands universitet kan identifiera sömnstadier lika exakt som en erfaren läkare. Detta öppnar nya vägar för diagnostik och behandling av sömnstörningar, inklusive obstruktiv sömnapné.

Obstruktiv sömnapné (OSA) är en nattlig andningssjukdom som orsakar en stor börda för offentliga hälso- och sjukvårdssystem och nationella ekonomier. Det uppskattas att upp till en miljard människor världen över lider av obstruktiv sömnapné, och antalet förväntas öka på grund av befolkningens åldrande och ökad förekomst av fetma. När den inte behandlas, OSA ökar risken för hjärt -kärlsjukdomar och diabetes, bland andra allvarliga hälsokonsekvenser.

Identifieringen av sömnstadier är avgörande för diagnostik av sömnstörningar, inklusive obstruktiv sömnapné. Traditionellt, sömn klassificeras manuellt i fem steg, som är vakna, snabb ögonrörelse (REM) sömn och tre steg av icke-REM sömn. Dock, manuell poängsättning av sömnstadier är tidskrävande, subjektivt och dyrt.

För att övervinna dessa utmaningar, forskare vid Östra Finlands universitet använde polysomnografiska registreringsdata från friska individer och personer med misstänkt OSA för att utveckla en noggrann djupinlärningsmodell för automatisk klassificering av sömnstadier. Dessutom, de ville ta reda på hur svårighetsgraden av OSA påverkar klassificeringsnoggrannheten.

Hos friska individer, modellen kunde identifiera sömnstadier med 83,7% noggrannhet vid användning av en enda frontal elektroencefalografisk kanal (EEG), och med en 83,9% noggrannhet när den kompletteras med elektrookulogram (EOG). Hos patienter med misstänkt OSA, modellen uppnådde noggrannheter på 82,9% (enkel EEG -kanal) och 83,8% (EEG- och EOG -kanaler). Enkanalens noggrannheter varierade från 84,5% för individer utan OSA till 76,5% för allvarliga OSA-patienter. De noggrannheter som modellen uppnår motsvarar korrespondensen mellan erfarna läkare som utför manuell sömnpoäng. Dock, modellen har fördelen av att vara systematisk och alltid följa samma protokoll, och gör poängen på några sekunder.

Enligt forskarna, djupinlärning möjliggör automatisk sömninställning för misstänkta OSA -patienter med hög noggrannhet. Studien publicerades i IEEE Journal of Biomedical and Health Informatics .