Ein Forscherteam unter der Leitung von Mount Sinai hat einen auf künstlicher Intelligenz (KI) basierenden Algorithmus zur Analyse von Videoaufzeichnungen klinischer Schlaftests verbessert und so die genaue Diagnose einer häufigen Schlafstörung verbessert, von der mehr als 80 Millionen Menschen auf der Welt betroffen sind. Die Ergebnisse der Studie wurden in der Fachzeitschrift veröffentlicht Annalen der Neurologie am 9. Januar.
Die REM-Schlafverhaltensstörung (RBD) ist eine Schlafstörung, die während der Phase der schnellen Augenbewegung (REM) zu abnormalen Bewegungen oder körperlichen Handlungen außerhalb von Träumen führt. Eine RBD, die bei ansonsten gesunden Erwachsenen auftritt, wird als „isolierte“ RBD bezeichnet. Es betrifft mehr als eine Million Menschen in den Vereinigten Staaten und ist in fast allen Fällen ein frühes Anzeichen der Parkinson-Krankheit oder Demenz.
RBD ist äußerst schwer zu diagnostizieren, da die Symptome unbemerkt bleiben oder mit anderen Krankheiten verwechselt werden können. Für eine endgültige Diagnose ist es erforderlich, dass eine Schlafstudie, ein sogenanntes Video-Polysomnogramm, von medizinischem Fachpersonal in einer Einrichtung mit Schlafüberwachungstechnologie durchgeführt wird. Die Daten sind zudem subjektiv und können aufgrund mehrerer und komplexer Variablen, einschließlich Schlafstadien und Ausmaß der Muskelaktivität, allgemein schwer zu interpretieren sein. Obwohl während eines Schlaftests routinemäßig Videodaten aufgezeichnet werden, werden sie selten überprüft und häufig nach der Interpretation des Tests gelöscht.
Begrenzte frühere Arbeiten in diesem Bereich deuteten darauf hin, dass möglicherweise forschungsfähige 3D-Kameras erforderlich sein könnten, um Bewegungen während des Schlafs zu erkennen, da Bettlaken oder Decken die Aktivität verdecken würden. Diese Studie ist die erste, die die Entwicklung einer automatisierten maschinellen Lernmethode beschreibt, die Videoaufzeichnungen analysiert, die routinemäßig mit einer 2D-Kamera während nächtlicher Schlaftests gesammelt werden. Diese Methode definiert auch zusätzliche „Klassifikatoren“ oder Merkmale von Bewegungen, was zu einer RBD-Erkennungsgenauigkeitsrate von fast 92 % führt.
Dieser automatisierte Ansatz könnte bei der Interpretation von Schlaftests in den klinischen Arbeitsablauf integriert werden, um die Diagnose zu verbessern und zu erleichtern und verpasste Diagnosen zu vermeiden. Diese Methode könnte auch verwendet werden, um Behandlungsentscheidungen auf der Grundlage der bei Schlaftests angezeigten Schwere der Bewegungen zu treffen und letztendlich Ärzten dabei zu helfen, Pflegepläne für jeden Patienten zu personalisieren. »
Emmanuel Durant, MD, Korrespondierender Autor, Außerordentlicher Professor für Neurologie (Bewegungsstörungen) und Medizin (Lungenmedizin, Intensivmedizin und Schlafmedizin) an der Icahn School of Medicine am Mount Sinai
Das Mount Sinai-Team hat einen Vorschlag für eine automatisierte maschinelle Lernanalyse von Bewegungen während Schlafstudien repliziert und erweitert, der von Forschern der Medizinischen Universität Innsbruck in Österreich erstellt wurde. Dieser Ansatz nutzt Computer Vision, einen Bereich der künstlichen Intelligenz, der es Computern ermöglicht, visuelle Daten, einschließlich Bilder und Videos, zu analysieren und zu verstehen. Aufbauend auf diesem Rahmen verwendeten Mount-Sinai-Experten 2D-Kameras, die häufig in klinischen Schlaflabors zu finden sind, um den Schlaf der Patienten während der Nacht zu überwachen. Der Datensatz umfasste die Analyse von Aufzeichnungen in einem Schlafzentrum von etwa 80 RBD-Patienten und einer Kontrollgruppe von etwa 90 Patienten ohne RBD, die entweder an einer anderen Schlafstörung oder keiner Schlafstörung litten. Ein automatisierter Algorithmus, der die Bewegung von Pixeln zwischen aufeinanderfolgenden Bildern in einem Video berechnete, konnte Bewegungen während des REM-Schlafs erkennen. Experten untersuchten die Daten, um die Geschwindigkeit, das Verhältnis, die Größe und Geschwindigkeit der Bewegungen sowie das Stillstandsverhältnis zu ermitteln. Sie analysierten diese fünf Merkmale kurzer Bewegungen und erreichten die höchste Genauigkeit, die Forscher jemals erreicht haben: 92 %.
Forscher der Eidgenössischen Technischen Hochschule Lausanne (École Polytechnique Fédérale de Lausanne) in Lausanne, Schweiz, trugen zu der Studie bei, indem sie ihr Fachwissen im Bereich Computer Vision teilten.
Related News :