Wielosygnałowy system monitorowania hipersomni OUN

Nadmierna senność w ciągu dnia (EDS) jest częstym objawem w populacji ogólnej. Częstość występowania waha się od 5% do 30%. A senność w ciągu dnia często przynosi negatywne skutki, a nawet codzienne funkcjonowanie i jakość życia są upośledzone z powodu tych hipersomnii. W niektórych ciężkich przypadkach może dojść do wielu wypadków zagrażających życiu. Obecna trzecia edycja Międzynarodowej Klasyfikacji Zaburzeń Snu (ICSD 3) wyraźnie sklasyfikowała „Zaburzenia ośrodkowego układu nerwowego związane z nadmierną sennością” jako narkolepsję typu 1 i typu 2; idiopatyczna nadmierna senność (IH) i zespół Kleinego-Levina (KLS). Jednak jak dotąd, z wyjątkiem narkolepsji typu 1, która ma stosunkowo wyraźny mechanizm patologiczny związany ze zmniejszonym wydzielaniem hipokretyny, innych zaburzeń hipersomnii, takich jak narkolepsja typu 2, IH i KLS, nie ma jasnego standardu diagnostyki neurofizjologicznej oraz mechanizm tych chorób wciąż nie jest jasny. Dlatego diagnoza może opierać się wyłącznie na objawach klinicznych i doświadczeniu klinicznym lekarzy. Dlatego diagnostyka tych chorób wciąż napotyka na duże trudności i wyzwania. Dlatego, aby diagnoza była dokładniejsza, badacze muszą znaleźć „biomarkery biologiczne i neurofizjologiczne” dla tych chorób. I pozwól pacjentom szybko otrzymać właściwe leczenie.

Cele tego badania są następujące:

1. Głównym celem jest wykorzystanie systemu monitorowania opartego na wielu sygnałach w celu połączenia z danymi obrazu mózgu i przeprowadzenia porównania krzyżowego w celu znalezienia możliwych patologicznych mechanizmów tych hipersomni OUN.
2. Skorzystaj z systemu monitorowania wielosygnałowego, aby połączyć się z danymi obrazu mózgu i przeprowadzić porównanie krzyżowe, aby dokładniej przeszukać te klinicznie istotne biomarkery hipersomni OUN i znaleźć idealne i dokładne biomarkery fizjologiczne, które mogą monitorować przebieg choroby.
3. Wykorzystaj te dokładnie monitorowane biomarkery do śledzenia zmian w biomarkerach i długoterminowego przebiegu tych hipersomni OUN oraz oceniaj efekt leczenia i rokowanie.
4. Wykorzystaj komputerowe uczenie maszynowe i inne algorytmy do analizowania i konstruowania różnorodnych, szybszych i dokładniejszych modeli przewidywania tych hipersomni OUN, osiągając w ten sposób cel medycyny prewencyjnej.

Metoda badań:

Jest to retrospektywne i prospektywne badanie kohortowe. Zebranych zostanie 600 osób (w wieku 9-45 lat). Osoby te zostaną podzielone na pięć grup: (1) grupa eksperymentalna (narkolepsja typu 1, 300 osób); (2) grupa eksperymentalna (narkolepsja typu 2, 100 osób); oraz (3) grupa eksperymentalna (KLS, 100 osób); oraz (4) grupa eksperymentalna (IH, 50 osób); oraz (5) zdrowa grupa kontrolna (dopasowane pod względem wieku i płci zdrowe osoby, 50 osób). Badacze zbiorą wszystkie dane kliniczne każdego pacjenta, w tym charakterystykę kliniczną, dane z badania snu, aktygrafię, typowanie HLA i dane z obrazowania mózgu.

Metoda analizy danych:

Korzystaj z wielu sygnałów fizjologicznych, aby generować algorytmy ilościowe w czasie rzeczywistym i znajdować fizjologiczne biomarkery związane z hipersomnią. Użyj wyżej wymienionych danych, które zostały skategoryzowane i pogrupowane poprzez analizę danych opartą na uczeniu maszynowym, sieci neuronowej i innych algorytmach. Następnie badacze zbudują model predykcyjny na podstawie wyników, sporządzą raport medyczny i opublikują go.