Un sistema di monitoraggio basato su più segnali per le ipersonnie del SNC

L'eccessiva sonnolenza diurna (EDS) è un sintomo comune nella popolazione generale. La prevalenza varia dal 5% al ​​30%. E la sonnolenza diurna porta spesso effetti negativi, e anche la funzione quotidiana e la qualità della vita sono compromesse a causa di queste ipersonnie. In alcuni casi gravi, possono verificarsi molti incidenti che mettono in pericolo la vita. L'attuale terza edizione della Classificazione Internazionale dei Disturbi del Sonno (ICSD 3) classifica specificamente i "Disturbi del sistema nervoso centrale da ipersonnolenza" come Narcolessia di tipo 1 e di tipo 2; ipersonnia idiopatica (IH) e sindrome di Kleine-Levin (KLS). Tuttavia, finora, ad eccezione della narcolessia di tipo 1, che ha un meccanismo patologico relativamente chiaro correlato alla ridotta secrezione di ipocretina, altri disturbi dell'ipersonnia come la narcolessia di tipo 2, IH e KLS, che non rappresentano uno standard diagnostico neurofisiologico chiaro, e il meccanismo di queste malattie non è ancora chiaro. Pertanto, la diagnosi può basarsi solo sui sintomi clinici e sull'esperienza clinica dei medici. Ecco perché la diagnosi di queste malattie presenta ancora grandi difficoltà e sfide. Pertanto, al fine di rendere la diagnosi più accurata, gli investigatori devono scoprire i "biomarcatori biologici e neurofisiologici" per queste malattie. E consentire ai pazienti di ricevere rapidamente il trattamento corretto.

Gli scopi di questo studio sono i seguenti:

1. Lo scopo principale è utilizzare il sistema di monitoraggio basato su multisegnale per collegarsi con i dati delle immagini cerebrali ed eseguire confronti incrociati per scoprire possibili meccanismi patologici di queste ipersonnie del SNC.
2. Utilizzare il sistema di monitoraggio basato su multisegnale per collegarsi ai dati delle immagini cerebrali ed eseguire un confronto incrociato per escludere ulteriormente questi biomarcatori clinicamente significativi per le ipersonnie del SNC e per trovare biomarcatori fisiologici ideali e accurati in grado di monitorare il decorso della malattia.
3. Utilizzare questi biomarcatori monitorati con precisione per tenere traccia dei cambiamenti nei biomarcatori e del decorso a lungo termine di queste ipersonnie del sistema nervoso centrale e valutare l'effetto del trattamento e la prognosi.
4. Utilizzare l'apprendimento automatico del computer e altri algoritmi per analizzare e costruire una varietà di modelli di previsione più rapidi e accurati per queste ipersonnie del SNC, raggiungendo così l'obiettivo della medicina preventiva.

Metodo di ricerca:

Questo è uno studio di coorte retrospettivo e prospettico. Saranno raccolti 600 soggetti (età 9-45). Questi soggetti saranno divisi nei cinque gruppi: (1) gruppo sperimentale (narcolessia Tipo 1, 300 soggetti); (2) gruppo sperimentale (narcolessia Tipo 2, 100 soggetti); e (3) gruppo sperimentale (KLS, 100 soggetti); e (4) gruppo sperimentale (IH, 50 soggetti); e (5) gruppo di controllo sano (soggetti sani abbinati per età e sesso, 50 soggetti). Gli investigatori raccoglieranno tutti i dati clinici per ciascun soggetto, comprese le caratteristiche cliniche, i dati sull'esame del sonno, l'attigrafia, la tipizzazione HLA e i dati di imaging cerebrale.

Metodo di analisi dei dati:

Utilizza più segnali fisiologici per generare algoritmi quantitativi in ​​tempo reale e trovare biomarcatori fisiologici correlati alle ipersonnie. Utilizzare i dati di cui sopra sono stati classificati e raggruppati attraverso l'analisi dei dati basata su apprendimento automatico del computer, rete neurale e altri algoritmi. Quindi gli investigatori costruiranno un modello predittivo basato sui risultati, scriveranno un referto medico e lo pubblicheranno.