Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Il nuovo modello d'apprendimento profondo permette all'organizzazione automatica di sonno con l'alta precisione

Un nuovo modello d'apprendimento profondo sviluppato dai ricercatori all'università di Finlandia orientale può identificare esattamente le fasi di sonno come medico con esperienza. Ciò apre i nuovi viali per i sistemi diagnostici ed il trattamento dei disordini di sonno, compreso apnea nel sonno ostruttiva.

Il nuovo modello d

L'apnea nel sonno ostruttiva (OSA) è un disordine respirante notturno che causa un carico importante sui sistemi e sulle economie nazionali di sanità pubblica. È stimato che fino a un miliardo genti universalmente soffrano da apnea nel sonno ostruttiva ed il numero si pensa che si sviluppi dovuto invecchiamento della popolazione e prevalenza aumentata dell'obesità. Una volta non trattato, OSA aumenta il rischio di malattie cardiovascolari e di diabete, tra altre conseguenze severe di salubrità.

L'identificazione delle fasi di sonno è essenziale nei sistemi diagnostici dei disordini di sonno, compreso la apnea ostruttiva di sonno. Tradizionalmente, il sonno è classificato manualmente in cinque fasi, che sono risveglio, sonno del movimento di occhio (REM) rapido e tre fasi di sonno non-REM. Tuttavia, la segnatura manuale delle fasi di sonno è che richiede tempo, soggettiva e costosa.

Per sormontare queste sfide, i ricercatori all'università di Finlandia orientale hanno usato i dati polysomnographic della registrazione dalle persone in buona salute e dalle persone con OSA sospettato per sviluppare un modello d'apprendimento profondo accurato per la classificazione automatica delle fasi di sonno. Inoltre, hanno voluto scoprire come la severità di OSA pregiudica l'accuratezza di classificazione.

In persone in buona salute, il modello poteva identificare le fasi di sonno con un'accuratezza 83,7% quando per mezzo di singolo canale frontale dell'elettroencefalografia (elettroencefalogramma) e con un'accuratezza 83,9% una volta completato con il electrooculogram (EOG). In pazienti con OSA sospettato, il modello ha raggiunto le accuratezze di 82,9% (singolo canale di elettroencefalogramma) e di 83,8% (canali di EOG e di elettroencefalogramma). Le accuratezze mono-canale hanno variato da 84,5% per le persone senza OSA a 76,5% per i pazienti severi di OSA. Le accuratezze raggiunte dal modello sono equivalenti alla corrispondenza fra i medici con esperienza che realizzano la segnatura manuale di sonno. Tuttavia, il modello ha il vantaggio di essere sistematico e sempre seguente lo stesso protocollo e di conduzione della segnatura nel giro di pochi secondi.

Secondo i ricercatori, in profondità imparare permette all'organizzazione automatica di sonno per i pazienti sospettati di OSA con un'alta precisione. Lo studio è stato pubblicato in giornale di IEEE del Biomedical e dell'informatica di salubrità.

La tecnologia di sonno e l'analisi dei dati il gruppo, MASCHIO, all'università di Finlandia orientale risolve le sfide di sistemi diagnostici di sonno usando vari approcci differenti. I metodi messi a punto dal gruppo sono basati sui sensori portabili e non intrusivi, sui migliori parametri diagnostici e sulle soluzioni di calcolo moderne che sono basati su intelligenza artificiale. I nuovi metodi messi a punto dal gruppo si pensano che significativamente migliorino la valutazione della severità di OSA, promuovono la programmazione del trattamento individualizzata e la previsione più affidabile dei sintomi e dei comorbidities di giorno in relazione con 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.