Et multi-signalbasert overvåkingssystem for CNS hypersomnier

Overdreven søvnighet på dagtid (EDS) er et vanlig symptom i befolkningen generelt. Prevalensen varierer fra 5 % til 30 %. Og døsighet på dagtid gir ofte negative effekter, og til og med den daglige funksjonen og livskvaliteten er svekket på grunn av disse hypersomniene. I noen alvorlige tilfeller kan mange ulykker skje og sette liv i fare. Den nåværende tredje utgaven av International Classification of Sleep Disorders (ICSD 3) klassifiserte spesifikt "Central nervous system disorders of hypersomnolens" som narkolepsi type 1 og type 2; idiopatisk hypersomni (IH) og Kleine-Levin syndrom (KLS). Men så langt, bortsett fra narkolepsi type 1, som har en relativt klar patologisk mekanisme som er relatert til redusert sekresjon av hypokretin, andre hypersomniforstyrrelser som narkolepsi type 2, IH og KLS, er det ingen klar nevrofysiologisk diagnosestandard, og mekanismen for disse sykdommene er fortsatt ikke klar. Derfor kan diagnosen bare stole på de kliniske symptomene og de kliniske erfaringslegene. Derfor har diagnostiseringen av disse sykdommene fortsatt store vanskeligheter og utfordringer. Derfor, for å gjøre diagnosen mer nøyaktig, må etterforskerne finne ut de "biologiske og nevrofysiologiske biomarkørene" for disse sykdommene. Og la pasientene få riktig behandling raskt.

Formålet med denne studien er som følger:

1. Hovedformålet er å bruke Multi-Signal Based Monitoring System for å koble til hjernebildedata og utføre krysssammenligning for å finne ut mulige patologiske mekanismer for disse CNS-hypersomniene.
2. Bruk Multi-Signal Based Monitoring System for å koble til hjernebildedata og utføre krysssammenligning for ytterligere å sile ut disse klinisk signifikante biomarkørene for CNS-hypersomnier, og for å finne ideelle og nøyaktige fysiologiske biomarkører som kan overvåke sykdomsforløpet.
3. Bruk disse nøyaktig overvåkede biomarkørene for å spore endringer i biomarkørene og det langsiktige forløpet til disse CNS-hypersomniene, og evaluer behandlingseffekten og prognosen.
4. Bruk datamaskinlæring og andre algoritmer til å analysere og konstruere en rekke raskere og mer nøyaktige prediksjonsmodeller for disse CNS-hypersomniene, og derved oppnå målet om forebyggende medisin.

Forskningsmetode:

Dette er en retrospektiv og prospektiv kohortstudie. Det er 600 emner (9-45 år) som vil bli samlet inn. Disse fagene vil bli delt inn i de fem gruppene: (1) eksperimentell gruppe (narkolepsi type 1, 300 personer); (2) eksperimentell gruppe (narkolepsi type 2, 100 personer); og (3) eksperimentell gruppe (KLS, 100 forsøkspersoner); og (4) eksperimentell gruppe (IH, 50 personer); og (5) sunn kontrollgruppe (alder og kjønn samsvarte med friske personer, 50 personer). Etterforskerne vil samle inn alle kliniske data for hvert individ, inkludert kliniske egenskaper, søvnundersøkelsesdata, aktigrafi, HLA-typing og hjerneavbildningsdata.

Dataanalysemetode:

Bruk flere fysiologiske signaler for å generere kvantitative sanntidsalgoritmer og finne fysiologiske biomarkører relatert til hypersomnier. Bruk de nevnte dataene ble kategorisert og gruppert gjennom dataanalyse basert på datamaskinlæring, nevrale nettverk og andre algoritmer. Deretter skal etterforskerne bygge en prediktiv modell basert på resultatene og skrive en medisinsk rapport og publisere den.