Wielomodalny model głębokiego uczenia do przewidywania wskaźnika bezdechu i spłycenia oddechu w obturacyjnym bezdechu sennym

Tło: Obturacyjny bezdech senny (OSA) to powszechne zaburzenie snu ściśle związane z chorobami układu krążenia, metabolicznymi i neuropsychiatrycznymi. Charakteryzuje się powtarzającym się zapadaniem górnych dróg oddechowych podczas snu, prowadząc do przerywanego niedotlenienia i fragmentacji snu. Chociaż polisomnografia (PSG) pozostaje złotym standardem diagnostycznym w OSA, jej wysoki koszt, złożoność i ograniczona dostępność stanowią wyzwanie dla badań przesiewowych na dużą skalę i wczesnej identyfikacji. Ostatnie postępy w nieinwazyjnych technologiach czujników, takich jak elektroniczne stetoskopy, noszone pulsoksymetry i czujniki ciśnienia pod materacem, umożliwiły rozwiązania do monitorowania fizjologicznego o niskim obciążeniu, oferując nowe możliwości uproszczonego wykrywania OSA.

Projekt badania: Jednoośrodkowe, prospektywne badanie obserwacyjne

Metody: W badaniu zostaną zrekrutowani dorośli pacjenci z podejrzeniem OSA poddawani PSG. Podczas snu będą zbierane zsynchronizowane dane dotyczące dźwięków oddechowych, zmian SpO₂ i przebiegów BCG. Te wielomodalne dane zostaną wykorzystane do opracowania i trenowania modelu głębokiego uczenia wykorzystującego architektury oparte na CNN i transformatorach. Model będzie przewidywał AHI poprzez wielozadaniowe uczenie i zostanie zwalidowany przy użyciu technik walidacji krzyżowej.

Efekt: Oczekuje się, że proponowany model będzie dokładnie przewidywał AHI i rozróżniał poziomy ciężkości OSA, zapewniając nieinwazyjne, dostępne i skalowalne narzędzie przesiewowe z potencjałem zastosowań zarówno klinicznych, jak i domowych.

Słowa kluczowe: Obturacyjny bezdech senny, Polisomnografia, Ballistokardiografia, Elektroniczny stetoskop, Nasycenie tlenem