Multimodal dyp læringsmodell for å forutsi apné-hypopné-indeksen ved obstruktiv søvnapné

Bakgrunn: OSA er en vanlig søvnforstyrrelse som er nært knyttet til kardiovaskulære, metabolske og nevropsykiatriske komorbiditeter. Den kjennetegnes ved gjentatt kollaps av øvre luftveier under søvn, noe som fører til intermitterende hypoksi og søvnfragmentering. Selv om PSG forblir den diagnostiske gullstandarden for OSA, utgjør dens høye kostnad, kompleksitet og begrensede tilgjengelighet utfordringer for storskala screening og tidlig identifikasjon. Nylige fremskritt innen ikke-invasiv sensorteknologi – som elektroniske stetoskoper, bærbare oksimetere og trykksensorer under madrass – har muliggjort løsninger for fysiologisk overvåking med lav belastning, og tilbyr nye muligheter for forenklet OSA-deteksjon.

Studiedesign: Enkelt-senter, prospektiv observasjonsstudie

Metoder: Denne studien vil rekruttere voksne pasienter med mistenkt OSA som gjennomgår PSG. Under søvn vil synkroniserte data om pustelyder, SpO₂-endringer og BCG-bølgeformer bli samlet inn. Disse multimodale dataene vil bli brukt til å utvikle og trene en dyp læringsmodell som benytter CNNs og transformator-baserte arkitekturer. Modellen vil utføre AHI-prediksjon via fler-oppgave læring og bli validert ved bruk av kryssvalideringsteknikker.

Effekt: Den foreslåtte modellen forventes å nøyaktig forutsi AHI og skille OSA-alvorlighetsgrader, og dermed tilby et ikke-invasivt, tilgjengelig og skalerbart screeningverktøy med potensiale for både kliniske og hjemmebaserte anvendelser.

Nøkkelord: Obstruktiv Søvnapné, Polysomnografi, Ballistokardiografi, Elektronisk Stetoskop, Oksygenmetning