Multimodaal Deep Learning Model voor het Voorspellen van de Apneu-Hypopneu-index bij Obstructieve Slaapapneu

Achtergrond: OSA is een veelvoorkomende slaapstoornis die nauw verband houdt met cardiovasculaire, metabole en neuropsychiatrische comorbiditeiten. Het wordt gekenmerkt door herhaalde bovenste luchtwegcollaps tijdens de slaap, wat leidt tot intermitterende hypoxie en slaapfragmentatie. Hoewel PSG de diagnostische gouden standaard voor OSA blijft, vormen de hoge kosten, complexiteit en beperkte toegankelijkheid uitdagingen voor grootschalige screening en vroege identificatie. Recente vooruitgang in niet-invasieve sensortechnologieën - zoals elektronische stethoscopen, draagbare oximeters en onder-matras druksensoren - hebben laagbelastende fysiologische monitoringoplossingen mogelijk gemaakt, wat nieuwe kansen biedt voor vereenvoudigde OSA-detectie.

Studieopzet: Eéncentrum, prospectieve observationele studie

Methoden: Deze studie zal volwassen patiënten met vermoedelijke OSA die PSG ondergaan, werven. Tijdens de slaap zullen gesynchroniseerde gegevens over ademhalingsgeluiden, SpO₂-veranderingen en BCG-golfvormen worden verzameld. Deze multimodale gegevens zullen worden gebruikt om een deep learning-model te ontwikkelen en te trainen dat CNN's en transformer-gebaseerde architecturen gebruikt. Het model zal AHI-voorspelling uitvoeren via multi-task learning en worden gevalideerd met kruisvalidatietechnieken.

Effect: Het voorgestelde model wordt verwacht AHI nauwkeurig te voorspellen en OSA-ernstniveaus te onderscheiden, waardoor een niet-invasief, toegankelijk en schaalbaar screeninginstrument wordt geboden met potentieel voor zowel klinische als thuisapplicaties.

Trefwoorden: Obstructieve Slaapapneu, Polysomnografie, Ballistocardiografie, Elektronische Stethoscoop, Zuurstofverzadiging