Multimodální model hlubokého učení pro predikci indexu apnoe-hypopnoe při obstrukční spánkové apnoe

Pozadí: OSA je běžná porucha spánku úzce spojená s kardiovaskulárními, metabolickými a neuropsychiatrickými komorbiditami. Charakterizuje ji opakované kolapsy horních cest dýchacích během spánku, které vedou k přerušované hypoxii a fragmentaci spánku. Přestože PSG zůstává zlatým standardem diagnostiky OSA, její vysoká cena, složitost a omezená dostupnost představují výzvy pro plošný screening a včasnou identifikaci. Nedávný pokrok v neinvazivních senzorových technologiích – jako jsou elektronické stetoskopy, nositelné oxymetry a podmatracové tlakové senzory – umožnil monitorovací řešení s nízkou zátěží, což nabízí nové příležitosti pro zjednodušenou detekci OSA.

Design studie: Jednostředová, prospektivní observační studie

Metody: Tato studie získá dospělé pacienty s podezřením na OSA podstupující PSG. Během spánku budou synchronně sbírána data o dýchacích zvucích, změnách SpO₂ a vlnových formách BCG. Tato multimodální data budou použita k vývoji a trénování modelu hlubokého učení využívajícího CNN a architektury založené na transformerech. Model bude provádět predikci AHI prostřednictvím víceúkolového učení a bude validován pomocí technik křížové validace.

Efekt: Očekává se, že navržený model bude přesně předpovídat AHI a rozlišovat úrovně závažnosti OSA, čímž poskytne neinvazivní, dostupný a škálovatelný screeningový nástroj s potenciálem pro klinické i domácí aplikace.

Klíčová slova: Obstrukční spánková apnoe, Polysomnografie, Ballistokardiografie, Elektronický stetoskop, Nasycení krve kyslíkem