Een nieuw deep learning-model, ontwikkeld door onderzoekers van de Universiteit van Oost-Finland, kan slaapstadia net zo nauwkeurig identificeren als een ervaren arts. Dit opent nieuwe wegen voor de diagnostiek en behandeling van slaapstoornissen, inclusief obstructieve slaapapneu.

Obstructieve slaapapneu (OSA) is een nachtelijke ademhalingsstoornis die een grote belasting vormt voor de openbare gezondheidszorg en de nationale economieën. Naar schatting lijden wereldwijd tot een miljard mensen aan obstructieve slaapapneu, en het aantal zal naar verwachting groeien als gevolg van de vergrijzing van de bevolking en de toegenomen prevalentie van obesitas. Wanneer onbehandeld, OSA verhoogt het risico op hart- en vaatziekten en diabetes, naast andere ernstige gevolgen voor de gezondheid.

De identificatie van slaapstadia is essentieel bij de diagnostiek van slaapstoornissen, inclusief obstructieve slaapapneu. traditioneel, slaap wordt handmatig ingedeeld in vijf fasen, die wakker zijn, snelle oogbeweging (REM)-slaap en drie stadia van niet-REM-slaap. Echter, handmatig scoren van slaapstadia is tijdrovend, subjectief en kostbaar.

Om deze uitdagingen te overwinnen, onderzoekers van de Universiteit van Oost-Finland gebruikten polysomnografische registratiegegevens van gezonde personen en personen met verdenking op OSA om een ​​nauwkeurig deep learning-model te ontwikkelen voor automatische classificatie van slaapstadia. In aanvulling, ze wilden weten hoe de ernst van OSA de nauwkeurigheid van de classificatie beïnvloedt.

Bij gezonde individuen, het model was in staat om slaapstadia te identificeren met een nauwkeurigheid van 83,7% bij gebruik van een enkel frontaal elektro-encefalografiekanaal (EEG), en met een nauwkeurigheid van 83,9% indien aangevuld met elektro-oculogram (EOG). Bij patiënten met verdenking op OSAS, het model behaalde een nauwkeurigheid van 82,9% (enkel EEG-kanaal) en 83,8% (EEG- en EOG-kanalen). De eenkanaals nauwkeurigheid varieerde van 84,5% voor personen zonder OSA tot 76,5% voor patiënten met ernstige OSA. De nauwkeurigheid die door het model wordt bereikt, is gelijk aan de correspondentie tussen ervaren artsen die handmatige slaapscores uitvoeren. Echter, het model heeft het voordeel dat het systematisch is en altijd hetzelfde protocol volgt, en het uitvoeren van de score in een kwestie van seconden.

Volgens de onderzoekers is deep learning maakt automatische slaapstadiëring mogelijk voor vermoedelijke OSA-patiënten met een hoge nauwkeurigheid. De studie is gepubliceerd in IEEE Journal of Biomedical and Health Informatics .