Bærbar teknologi til påvisning og evaluering af søvnrelaterede vejrtrækningsforstyrrelser (ReSTech)

I de senere år har søvnforstyrrelser fået betydning på grund af deres høje udbredelse og indvirkning på dagligdagen, hvilket påvirker menneskers evne til at udføre daglige opgaver og reducerer livskvaliteten. Disse lidelser omfatter vanskeligheder med at falde i søvn, respiratoriske afbrydelser og dårlig søvnkvalitet, hvor søvnrelaterede vejrtrækningsforstyrrelser (SRBD), såsom obstruktiv søvnapnø (OSA), er særligt signifikante. OSA, som involverer gentagne luftvejsobstruktioner under søvn, er især almindelig hos ældre voksne, personer med fedme og mænd, men det forbliver ofte underdiagnosticeret.

SRBD forstyrrer ikke kun søvnen, men øger også risikoen for kroniske tilstande som diabetes, hypertension og slagtilfælde, mens det skaber en økonomisk byrde på grund af større efterspørgsel efter medicinske ressourcer. Deres indvirkning på fysisk og mental sundhed fører til træthed, nedsat produktivitet, arbejdsulykker og endda handicap, hvilket understreger behovet for mere effektive diagnostiske og styringsværktøjer.

Mens polysomnografi (PSG) er guldstandarden for diagnosticering af søvnforstyrrelser, begrænser dens høje omkostninger og invasive karakter dens tilgængelighed. Bærbare enheder, såsom armbånd og ure, tilbyder et mere tilgængeligt og ikke-invasivt alternativ, der giver realtidsdata om søvn, puls og aktivitet. Selvom de er lovende, kræver disse enheder stadig yderligere forskning for at bekræfte deres nøjagtighed ved detektering af SRBD. Dette projekt har til formål at evaluere effektiviteten af ​​wearables som komplementære værktøjer til at diagnosticere og håndtere disse lidelser. Specifikt har den følgende specifikke formål: (1) At vurdere nøjagtigheden, specificiteten og følsomheden af ​​bærbare enheder, såsom armbånd og ure, ved måling af blodets iltmætning, hjertefrekvens og aktivitet sammenlignet med natlig polygrafi. (2) At analysere effektiviteten af ​​disse enheder til at identificere personer med potentielle søvnrelaterede vejrtrækningsforstyrrelser (SRBD) ved hjælp af uovervågede læringsteknikker. (3) At evaluere virkningen og ydeevnen af ​​en kunstig intelligensmodel til påvisning og klassificering af potentiel SRBD.