Puettava tekniikka uneen liittyvien hengityshäiriöiden havaitsemiseen ja arviointiin (ReSTech)

Viime vuosina unihäiriöiden merkitys on kasvanut niiden suuren esiintyvyyden ja arkielämään vaikuttavien vaikutusten vuoksi, jotka vaikuttavat ihmisten kykyyn suorittaa päivittäisiä tehtäviä ja heikentävät elämänlaatua. Näitä häiriöitä ovat nukahtamisvaikeudet, hengityskatkokset ja huono unen laatu, ja uneen liittyvät hengityshäiriöt (SRBD), kuten obstruktiivinen uniapnea (OSA), ovat erityisen merkittäviä. OSA, johon liittyy toistuvia hengitysteiden tukkeumia unen aikana, on erityisen yleistä vanhemmilla aikuisilla, liikalihavilla henkilöillä ja miehillä, mutta se jää usein alidiagnosoiduksi.

SRBD ei vain häiritse unta, vaan lisää myös kroonisten sairauksien, kuten diabeteksen, verenpainetaudin ja aivohalvausten, riskiä samalla, kun se luo taloudellista taakkaa lääketieteellisten resurssien lisääntyneen kysynnän vuoksi. Niiden vaikutukset fyysiseen ja henkiseen terveyteen johtavat väsymykseen, tuottavuuden laskuun, työtapaturmiin ja jopa vammautumiseen, mikä korostaa tehokkaampien diagnostiikka- ja hallintatyökalujen tarvetta.

Vaikka polysomnografia (PSG) on kultainen standardi unihäiriöiden diagnosoinnissa, sen korkeat kustannukset ja invasiivinen luonne rajoittavat sen saatavuutta. Puettavat laitteet, kuten rannekkeet ja kellot, tarjoavat helpomman ja ei-invasiivisen vaihtoehdon ja tarjoavat reaaliaikaista tietoa unesta, sykkeestä ja aktiivisuudesta. Vaikka nämä laitteet ovat lupaavia, ne vaativat edelleen lisätutkimusta varmistaakseen niiden tarkkuuden SRBD:n havaitsemisessa. Tämän projektin tavoitteena on arvioida puettavien vaatteiden tehokkuutta täydentävinä työkaluina näiden häiriöiden diagnosoinnissa ja hallinnassa. Sillä on erityisesti seuraavat erityiset tavoitteet: (1) Arvioida puettavien laitteiden, kuten rannekkeiden ja kellojen, tarkkuutta, spesifisyyttä ja herkkyyttä veren happisaturaation, sykkeen ja aktiivisuuden mittaamisessa verrattuna yölliseen polygrafiaan. (2) Analysoida näiden laitteiden tehokkuutta yksilöiden tunnistamisessa, joilla on potentiaalisia uneen liittyviä hengityshäiriöitä (SRBD) käyttämällä valvomattomia oppimistekniikoita. (3) Arvioi tekoälymallin vaikutusta ja suorituskykyä mahdollisen SRBD:n havaitsemiseen ja luokitteluun.