Ett multisignalbaserat övervakningssystem för CNS-hypersomni

Överdriven sömnighet under dagen (EDS) är ett vanligt symptom i den allmänna befolkningen. Prevalensen varierar från 5 % till 30 %. Och dåsighet på dagarna ger ofta negativa effekter, och till och med den dagliga funktionen och livskvaliteten försämras på grund av dessa hypersomnier. I vissa svåra fall kan många olyckor inträffa och utgöra livsfara. Den nuvarande tredje upplagan av den internationella klassificeringen av sömnstörningar (ICSD 3) klassificerade specifikt "Centrala nervsystemets störningar av hypersomnolens" som narkolepsi typ 1 och typ 2; idiopatisk hypersomni (IH) och Kleine-Levins syndrom (KLS). Men än så länge, förutom narkolepsi typ 1, som har en relativt tydlig patologisk mekanism som är relaterad till den minskade utsöndringen av hypokretin, andra hypersomnisjukdomar som narkolepsi typ 2, IH och KLS, är det ingen tydlig neurofysiologisk diagnosstandard, och mekanismen för dessa sjukdomar är fortfarande inte klarlagd. Därför kan diagnosen bara förlita sig på de kliniska symtomen och den kliniska erfarenheten av läkare. Det är därför som diagnosen av dessa sjukdomar fortfarande har stora svårigheter och utmaningar. Därför, för att göra diagnosen mer exakt, måste utredarna ta reda på de "biologiska och neurofysiologiska biomarkörerna" för dessa sjukdomar. Och låt patienterna få rätt behandling snabbt.

Syftet med denna studie är följande:

1. Huvudsyftet är att använda Multi-Signal Based Monitoring System för att länka till hjärnbildsdata och utföra korsjämförelser för att ta reda på möjliga patologiska mekanismer för dessa CNS-hypersomnier.
2. Använd det multisignalbaserade övervakningssystemet för att länka till hjärnbildsdata och utföra korsjämförelser för att ytterligare sålla bort dessa kliniskt signifikanta biomarkörer för CNS-hypersomni, och för att hitta idealiska och korrekta fysiologiska biomarkörer som kan övervaka sjukdomsförloppet.
3. Använd dessa exakt övervakade biomarkörer för att spåra förändringar i biomarkörerna och det långsiktiga förloppet av dessa CNS-hypersomnier, och utvärdera behandlingseffekt och prognos.
4. Använd datormaskininlärning och andra algoritmer för att analysera och konstruera en mängd snabbare och mer exakta prediktionsmodeller för dessa CNS-hypersomnier, och därigenom uppnå målet med förebyggande medicin.

Forskningsmetod:

Detta är en retrospektiv och prospektiv kohortstudie. Det finns 600 ämnen (ålder 9-45) kommer att samlas in. Dessa ämnen kommer att delas in i de fem grupperna: (1) experimentgrupp (narkolepsi typ 1, 300 ämnen); (2) experimentell grupp (narkolepsi typ 2, 100 försökspersoner); och (3) experimentgrupp (KLS, 100 försökspersoner); och (4) experimentgrupp (IH, 50 försökspersoner); och (5) frisk kontrollgrupp (ålder och kön matchade friska försökspersoner, 50 försökspersoner). Utredarna kommer att samla in alla kliniska data för varje individ, inklusive kliniska egenskaper, sömnundersökningsdata, aktigrafi, HLA-typning och hjärnavbildningsdata.

Dataanalysmetod:

Använd flera fysiologiska signaler för att generera kvantitativa algoritmer i realtid och hitta fysiologiska biomarkörer relaterade till hypersomnier. Använd ovannämnda data kategoriserades och grupperades genom dataanalys baserad på datormaskininlärning, neurala nätverk och andra algoritmer. Sedan ska utredarna bygga en prediktiv modell utifrån resultaten och skriva en medicinsk rapport och publicera den.