Multimodales Deep-Learning-Modell zur Vorhersage des Apnoe-Hypopnoe-Index bei obstruktiver Schlafapnoe

Hintergrund: OSA ist eine häufige Schlafstörung, die eng mit kardiovaskulären, metabolischen und neuropsychiatrischen Komorbiditäten verbunden ist. Sie ist gekennzeichnet durch wiederholten Kollaps der oberen Atemwege während des Schlafs, was zu intermittierender Hypoxie und Schlaffragmentierung führt. Obwohl die PSG weiterhin der diagnostische Goldstandard für OSA bleibt, stellen ihre hohen Kosten, Komplexität und begrenzte Verfügbarkeit Herausforderungen für groß angelegte Screening- und Früherkennungsmaßnahmen dar. Jüngste Fortschritte bei nicht-invasiven Sensortechnologien – wie elektronische Stethoskope, tragbare Pulsoximeter und Drucksensoren unter der Matratze – haben Lösungen für die physiologische Überwachung mit geringer Belastung ermöglicht, was neue Möglichkeiten für eine vereinfachte OSA-Erkennung bietet.

Studiendesign: Einzelzentrum, prospektive Beobachtungsstudie

Methoden: Diese Studie wird erwachsene Patienten mit Verdacht auf OSA rekrutieren, die sich einer PSG unterziehen. Während des Schlafs werden synchronisierte Daten zu Atemgeräuschen, SpO₂-Veränderungen und BCG-Wellenformen erfasst. Diese multimodalen Daten werden verwendet, um ein Deep-Learning-Modell zu entwickeln und zu trainieren, das CNNs und transformerbasierte Architekturen einsetzt. Das Modell wird eine AHI-Vorhersage mittels Multi-Task-Learning durchführen und mit Kreuzvalidierungstechniken validiert werden.

Effekt: Es wird erwartet, dass das vorgeschlagene Modell AHI genau vorhersagt und OSA-Schweregrade unterscheidet, wodurch es ein nicht-invasives, zugängliches und skalierbares Screening-Werkzeug mit Potenzial für klinische und häusliche Anwendungen bietet.

Schlüsselwörter: Obstruktive Schlafapnoe, Polysomnographie, Ballistokardiographie, Elektronisches Stethoskop, Sauerstoffsättigung