Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Le modèle apprenant profond neuf active l'échafaudage automatique de sommeil avec de grande précision

Un modèle apprenant profond neuf développé par des chercheurs à l'université de la Finlande orientale peut recenser des étapes de sommeil aussi exactement qu'un médecin expérimenté. Ceci ouvrent les horizons neufs pour la diagnose et la demande de règlement des troubles du sommeil, y compris l'apnée du sommeil obstructive.

Le modèle apprenant profond neuf active l

L'apnée du sommeil obstructive (OSA) est un trouble de respiration nocturne qui entraîne un fardeau important sur les systèmes de santé publics et les économies nationales. On l'estime que jusqu'à un milliard de personnes mondiales souffrent de l'apnée du sommeil obstructive, et on s'attend à ce que le numéro se développe dû au vieillissement de population et à la prévalence accrue de l'obésité. Si non traité, OSA augmente le risque de maladies cardio-vasculaires et de diabète, entre d'autres conséquences sévères de santé.

L'identification des étapes de sommeil est essentielle dans la diagnose des troubles du sommeil, y compris l'apnée du sommeil obstructive. Traditionnellement, le sommeil est manuellement classifié dans cinq étapes, qui sont sillage, sommeil (REM) de mouvement oculaire rapide et trois étapes de non-REM dorment. Cependant, une vingtaine manuelle d'étapes de sommeil est longue, subjective et coûteuse.

Pour surmonter ces défis, les chercheurs à l'université de la Finlande orientale avaient l'habitude des caractéristiques polysomnographic d'enregistrement des personnes en bonne santé et des personnes avec OSA soupçonné pour développer un modèle apprenant profond précis pour la catégorie automatique des étapes de sommeil. De plus, ils ont voulu découvrir comment la gravité d'OSA affecte l'exactitude de catégorie.

Dans les personnes en bonne santé, le modèle pouvait recenser des étapes de sommeil avec une exactitude 83,7% à l'aide d'une glissière de face unique d'électroencéphalographie (EEG), et avec une exactitude 83,9% une fois complété avec l'électro-oculogramme (EOG). Dans les patients avec OSA soupçonné, le modèle a réalisé des exactitudes de 82,9% (glissière unique d'EEG) et de 83,8% (des glissières d'EEG et d'EOG). Les exactitudes à canal unique se sont échelonnées de 84,5% pour des personnes sans OSA à 76,5% pour les patients sévères d'OSA. Les exactitudes réalisées par le modèle sont équivalentes à la correspondance entre les médecins expérimentés exécutant des rayures manuelles de sommeil. Cependant, le modèle a l'avantage d'être systématique et toujours suivant le même protocole, et de conduire les rayures en quelques secondes.

Selon les chercheurs, apprendre profondément active l'échafaudage automatique de sommeil pour les patients soupçonnés d'OSA avec un de grande précision. L'étude était publiée en tourillon d'IEEE de l'informatique biomédicale et de santé.

La technologie et l'analytique le groupe, MÂLE de sommeil, à l'université de la Finlande orientale résout des défis de diagnose de sommeil à l'aide d'un grand choix de différentes approches. Les méthodes développées par le groupe sont basées sur les détecteurs portables et non-intrusifs, les meilleurs paramètres diagnostiques et les solutions de calcul modernes qui sont basés sur l'artificial intelligence. On s'attend à ce qu'améliorent de manière significative l'évaluation de gravité d'OSA, introduit les méthodes neuves développées par le groupe la planification de demande de règlement personnalisée et la prévision plus fiable des sympt40mes et des comorbidités de jour liés OSA

Source:
Journal reference:

Korkalainen, H., et al. (2019) Accurate Deep Learning-Based Sleep Staging in a Clinical Population with Suspected Obstructive Sleep Apnea. IEEE J Biomed Health Inform. doi.org/10.1109/JBHI.2019.2951346.