Multimodal Deep Learning Model til Forudsigelse af Apnø-Hypopnø-Index ved Obstruktiv Søvnapnø

Baggrund: OSA er en almindelig søvnforstyrrelse, der er tæt forbundet med kardiovaskulære, metaboliske og neuropsykiatriske komorbiditeter. Den er kendetegnet ved gentagne kollaps af de øvre luftveje under søvn, hvilket fører til intermitterende hypoxi og søvnfragmentering. Selvom PSG forbliver den diagnostiske guldstandard for OSA, udgør dens høje omkostninger, kompleksitet og begrænsede tilgængelighed udfordringer for storskala screening og tidlig identifikation. Nylige fremskridt inden for ikke-invasive måleteknologier - såsom elektroniske stetoskoper, bærbare oximetre og tryksensorer under madrassen - har muliggjort løsninger til fysiologisk overvågning med lav belastning, hvilket giver nye muligheder for forenklet OSA-detektion.

Studiedesign: Single-center, prospektiv observationsstudie

Metoder: Dette studie vil rekruttere voksne patienter med mistanke om OSA, der gennemgår PSG. Under søvn vil synkroniserede data om respiratoriske lyde, SpO₂-ændringer og BCG-bølgeformer blive indsamlet. Disse multimodale data vil blive brugt til at udvikle og træne en dyb læringsmodel, der anvender CNN'er og transformer-baserede arkitekturer. Modellen vil udføre AHI-forudsigelse via multi-task læring og blive valideret ved hjælp af krydsvalideringsteknikker.

Effekt: Den foreslåede model forventes at forudsige AHI præcist og skelne OSA-sværhedsgrader, hvilket giver et ikke-invasivt, tilgængeligt og skalerbart screeningsværktøj med potentiale for både kliniske og hjemmebaserede applikationer.

Nøgleord: Obstruktiv Søvnapnø, Polysomnografi, Ballistokardiografi, Elektronisk Stetoskop, Iltmætning