Bærbar teknologi for påvisning og evaluering av søvnrelaterte pusteforstyrrelser (ReSTech)

De siste årene har søvnforstyrrelser fått betydning på grunn av deres høye utbredelse og innvirkning på dagliglivet, noe som påvirker menneskers evne til å utføre daglige gjøremål og reduserer livskvaliteten. Disse lidelsene inkluderer vanskeligheter med å sovne, respirasjonsavbrudd og dårlig søvnkvalitet, med søvnrelaterte pusteforstyrrelser (SRBD), som obstruktiv søvnapné (OSA), som er spesielt betydelige. OSA, som involverer gjentatte luftveisobstruksjoner under søvn, er spesielt vanlig hos eldre voksne, personer med fedme og menn, men det er fortsatt ofte underdiagnostisert.

SRBD forstyrrer ikke bare søvnen, men øker også risikoen for kroniske tilstander som diabetes, hypertensjon og slag, samtidig som det skaper en økonomisk belastning på grunn av høyere etterspørsel etter medisinske ressurser. Effektene deres på fysisk og mental helse fører til tretthet, redusert produktivitet, arbeidsulykker og til og med funksjonshemming, noe som understreker behovet for mer effektive diagnose- og styringsverktøy.

Mens polysomnografi (PSG) er gullstandarden for å diagnostisere søvnforstyrrelser, begrenser dens høye kostnader og invasive natur tilgjengeligheten. Bærbare enheter, som armbånd og klokker, tilbyr et mer tilgjengelig og ikke-invasivt alternativ, og gir sanntidsdata om søvn, hjertefrekvens og aktivitet. Selv om de er lovende, krever disse enhetene fortsatt forskning for å bekrefte nøyaktigheten deres når det gjelder å oppdage SRBD. Dette prosjektet tar sikte på å evaluere effektiviteten til wearables som komplementære verktøy for å diagnostisere og håndtere disse lidelsene. Spesifikt har den følgende spesifikke mål: (1) Å vurdere nøyaktigheten, spesifisiteten og sensitiviteten til bærbare enheter, som armbånd og klokker, ved måling av oksygenmetning, hjertefrekvens og aktivitet i blodet, sammenlignet med nattlig polygrafi. (2) Å analysere effektiviteten til disse enhetene for å identifisere individer med potensielle søvnrelaterte pusteforstyrrelser (SRBD) ved bruk av uovervåket læringsteknikker. (3) For å evaluere virkningen og ytelsen til en kunstig intelligensmodell for å oppdage og klassifisere potensiell SRBD.