Informație

Senzor de respirație neîngreunat pentru studiul somnului?

Senzor de respirație neîngreunat pentru studiul somnului?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Lucrez la un proiect în care colectez semnalul ECG de la mai mulți voluntari, obțin respirația derivată ECG (EDR) din semnalul ECG marcat de timp și calculez corelația încrucișată dintre EDR și semnalele de respirație colectate de la dispozitivul NeuLog, care este tratat ca semnal de respirație de referință. Problema este că monitorul NeuLog, deși este utilizat pe scară largă pentru monitorizarea respirației, este foarte greoi și incomod de purtat de voluntari și restricționează respirația. Există dispozitive alternative de monitorizare a respirației care nu trebuie să fie prinse în jurul pieptului și mai puțin greoaie de purtat?

Următoarele sunt celelalte cerințe.

  1. Semnalul de respirație trebuie să fie marcat cu ora (pentru a se sincroniza cu semnalul ECG).
  2. Rata de eșantionare minimă de cel puțin 5sps.
  3. Ar trebui să colecteze date offline timp de cel puțin 10 ore cu o singură încărcare a bateriei.

Am găsit acest dispozitiv care pare a fi mai confortabil decât NeuLog, dar nu este clar dacă măsoară doar rata respirației sau poate înregistra și semnalele de respirație împreună cu marcajele de timp.

Dacă cineva cunoaște produse alternative care îndeplinesc cerințele de mai sus, vă rugăm să împărtășiți detaliile.


O metodă nouă de detectare a frecvenței respiratorii în somn pentru apneea obstructivă a somnului, bazată pe forma de undă caracteristică a momentului

Apneea obstructivă în somn (OSA) care afectează sănătatea umană este un fel de tulburări majore de somn legate de respirație și uneori duce la moarte nocturnă. Frecvența respiratorie (RR) a unui semnal sonor de respirație în somn este un semn vital important pentru monitorizarea OSA în timpul somnului pe tot parcursul nopții. În această lucrare este propusă o nouă detectare a frecvenței respiratorii în somn cu viteză de calcul ridicată, bazată pe metoda formei de undă a momentului caracteristic (CMW). Un dispozitiv de sunet portabil și purtabil este utilizat pentru a obține semnalul sonor de respirație. Și scăderea contrastului de amplitudine a fost făcută mai întâi. Apoi, CMW este extras cu parametri adecvați de scară de timp, iar valoarea RR de somn este calculată de punctele extreme ale CMW. Experimentele unui caz de OSA și cinci cazuri sănătoase sunt testate pentru a valida eficiența metodei de detectare a RR a somnului propusă. Conform numărării manuale, RR de somn poate fi detectat cu acuratețe prin metoda propusă. În plus, secțiunile de apnee pot fi detectate prin valorile RR de somn cu un prag dat, iar durata de timp a segmentării respirației poate fi calculată pentru evaluarea detaliată a stării de OSA. Metoda propusă este semnificativă pentru cercetarea continuă asupra semnalului sonor al respirației în somn.

1. Introducere

Oamenii petrec aproape 30% din timp dormind, iar calitatea somnului este foarte importantă pentru sănătatea umană. Tulburările de somn legate de respirație se caracterizează prin anomalii ale modelului respirator sau ale cantității de ventilație în timpul somnului [1]. Este considerată o boală cronică care necesită tratament și management pe termen lung. Apneea obstructivă în somn (OSA) este un fel de tulburări majore de somn legate de respirație și este descrisă prin ocluzia totală sau parțială a căilor aeriene superioare în timpul somnului, care poate produce desaturații repetate ale oxihemoglobinei și fragmentare a somnului [2]. OSA, care este considerat un factor de risc principal pentru bolile cardiovasculare, afectează sănătatea umană și uneori duce la moarte nocturnă [3, 4].

OSA este definită în mod obișnuit ca o pauză de respirație cu interval de minim 10 s. Indicele de apnee-hipopnee (AHI) este descris prin numărul de evenimente de apnee și hipopnee pe oră pentru a evalua severitatea OSA. AHI de 5–15 indică OSA uşoară 15–30, moderată şi peste 30, severă [5].

Frecvența respiratorie în somn (RR) este un indicator important al bolilor grave [6], în special pentru monitorizarea OSA. RR a adulților sănătoși într-o stare de relaxare este de aproximativ 12-20 de ori pe minut. Cu toate acestea, RR va fi anormal pentru cazul OSA în timp ce respirația în somn devine încetinită sau oprită de apnee [7]. Prin urmare, somnul RR este un indicator precoce și vital pentru pacienții cu OSA.

Polisomnografia (PSG) este adesea folosită pentru a detecta OSA în clinică care dobândește o serie de indici de monitorizare, inclusiv RR. Dar PSG cu mulți senzori nu este doar costisitor, ci și complicat pentru pacienții obișnuiți [8]. Mai mult, este incomod pentru testeri în timpul somnului, astfel încât rezultatele PSG vor fi influențate de somnul în cantitate redusă al testerilor. Odată cu dezvoltarea unui dispozitiv portabil inteligent, mai mulți cercetători au interese în detectarea RR prin semnale acustice.

Semnalele acustice provin în principal din două aspecte, semnalele sonore respiratorii ale nasului și gurii [9] și semnalele traheale din gât [10] și crestătura suprasternală [6, 11]. Pentru detectarea RR printr-un semnal traheal, transformata Hilbert a fost aplicată pentru extragerea anvelopei sonore și a fost aplicată wavelet pentru descompunerea conținutului de frecvență cu o rată de succes de 96% pentru voluntarii sănătoși și 85% pentru pacienții care suferă de boli pulmonare cronice [10]. O metodă de segmentare a fazei respiratorii bazată pe un algoritm genetic a fost aplicată pentru a monitoriza RR, care a fost îmbunătățită prin exploatarea redundanței semnalului [11]. Transformarea Fourier de scurtă durată, entropia Shannon și autocorelația au fost calculate pentru a detecta valoarea RR [6]. Se constată că metodele anterioare de detectare a RR se bazează în principal pe semnalul traheal, iar achiziția semnalului traheal nu este convenabilă ca semnal sonor de respirație în somn. Iar selectarea unei valori de prag care joacă un rol important în extracția plicului se va schimba însoțită de viteza de respirație pentru diferiți indivizi. Așadar, adaptarea valorilor de prag, adică a parametrilor scalei de timp, va afecta acuratețea detectării RR a somnului și ar trebui rezolvată pentru cercetări ulterioare. Monitorizarea OSA ar trebui să fie finalizată toată noaptea, iar rezultatele detectării RR în somn trebuie să fie transferate într-un sistem de analiză corect și în timp util. În cercetările anterioare, a fost propusă estimarea RR prin găsirea celor mai mari vârfuri spectrale ale analizei spectrale de putere autoregresive [9]. Și ratele de succes pentru detectarea RR a pacienților prin sunetul respirator din gură și nas au fost de 85%, respectiv 84% [10]. Ele nu sunt eficiente pentru cazul OSA cu apnee și nu sunt mulțumite de cererea practică. În această lucrare, este propusă o metodă de detectare a RR printr-un semnal sonor de respirație în somn bazat pe forma de undă caracteristică a momentului.

Această lucrare este împărțită în 6 secțiuni. Secțiunea 2 prezintă achiziția semnalului sonor de respirație în somn. Secțiunea 3 descrie detaliile metodei de extracție a formei de undă de moment caracteristic. Secțiunea 4 oferă introducerea metodei de detectare a somnului RR. Rezultatele și analiza sunt dezvăluite în secțiunea 5, iar concluziile vor fi trase în secțiunea 6.

2. Respirația în somn Achiziția și preprocesarea semnalului sonor

2.1. Sistemul de achiziție a semnalului sonor de respirație în somn

Semnalul sonor de respirație în somn este colectat de un dispozitiv de achiziție portabil și purtabil pentru o calitate înaltă a somnului, inclusiv un telefon inteligent cu un sistem Android și un microfon fără fir. Scopul cercetării noastre este de a dezvolta un sistem de monitorizare a somnului ieftin și ușor de utilizat pentru uz casnic, astfel încât căștile fără fir comerciale (cum ar fi PTM 165) să fie o alegere mai bună pentru cercetarea noastră. În comparație cu pozițiile de achiziție deduse, microfonul este fixat lângă nas printr-un fel de bandă de machiaj pentru a obține un semnal de respirație stabil în timpul somnului pe tot parcursul nopții. Mediul de achiziție a datelor este prezentat în Figura 1. Frecvența de eșantionare inițială este de 44,1 kHz.


Materiale și metode

Măsurarea biomișcării folosind senzorul de radiofrecvență

Principiul măsurării poziției și vitezei obiectelor folosind unde radio reflectate stă la baza sistemelor radar și este utilizat pe scară largă în domenii precum aviația și apărarea. Încă din anii 1970, s-a dezvoltat interesul pentru adaptarea acestei tehnologii de măsurare pentru utilizarea în aplicații medicale sau fiziologice, cu un interes specific în măsurarea mișcărilor respiratorii. De exemplu, un senzor de radiofrecvență a fost folosit pentru măsurarea apneei în 1971 (Caro și Bloice, 1971), un sistem de monitorizare a sugarului bazat pe aceleași principii a fost descris de Franks. et al. (1976). Aceste dezvoltări timpurii nu au fost adoptate în practica clinică, deoarece sistemele originale erau voluminoase, relativ puternice și costisitoare. Odată cu progresele în miniaturizare, îmbunătățiri ale performanței dispozitivelor semiconductoare și îmbunătățiri ale costului și vitezei de calcul, mulți cercetători au revizuit astfel de sisteme în anii care au trecut (de exemplu, Lin, 1992).

În acest studiu, folosim un senzor de radiofrecvență bazat pe o arhitectură propusă pentru prima dată de McEwan și colegii (Azevedo și McEwan, 1996). Sistemul de senzori se numește SleepMinder™ (BiancaMed, Dublin, Irlanda) și a fost dezvoltat special pentru a măsura mișcarea subiecților umani adormiți. Acest senzor funcționează prin transmiterea a două impulsuri scurte de energie de radiofrecvență la 5,8 GHz (fiecare impuls are o lungime de aproximativ 5 ns). Primul impuls acționează ca impuls de transmisie principal, iar al doilea impuls este pulsul mixerului. Primul impuls se reflectă asupra obiectelor din apropiere pentru a crea un impuls de ecou care este recepționat înapoi în senzor. Prin înmulțirea („amestecare”) impulsul de ecou cu impulsul mixerului în interiorul receptorului, este generat un semnal proporțional cu orice defazare a impulsului de ecou. Obiectele în mișcare (cum ar fi o persoană care respiră) generează o schimbare de fază variabilă care poate fi detectată de electronica din circuit.

În plus, folosim o tehnică pentru a depăși o limitare bine-cunoscută în detectarea radiofrecvenței numită efect de corelare a intervalului (Droitcour et al., 2003), care se referă la faptul că, dacă un obiect în mișcare este supus unor mișcări mici centrate în jurul unei locații cu o relație fixă ​​de fază cu senzorul, atunci mișcările vor fi detectate slab. Tehnica, denumită detecție în cuadratura, înseamnă efectiv că există două moduri de transmisie, ceea ce duce la două estimări ale mișcării, numite canale I și Q.

Semnalele de mișcare primite în acest dispozitiv conțin un amestec de toate mișcările din câmpul senzorului. De exemplu, dacă o persoană își mișcă atât brațele, cât și capul, semnalul primit va reflecta componentele tuturor celor trei mișcări. Din fericire, în timpul somnului, cea mai mare parte a mișcării este legată de efortul respirator, care este cheia utilității sale în monitorizarea somnului.

Senzorul este, de asemenea, proiectat să fie direcțional (măsoară doar mișcarea în fața senzorului) și cu rază limitată (răspunde doar la obiectele care se află la 2,5 m de senzor). Sistemul funcționează la putere scăzută (puterea medie totală emisă este de 0,25 mW), pentru a respecta regulile de siguranță și reglementări pentru dispozitivele cu radiofrecvență. Pentru a plasa acest lucru în context, un telefon mobil poate emite în intervalul 750-1000 mW în timpul convorbirii active.

Sistemul de senzori emite două semnale analogice de tensiune, care reprezintă semnalele I și Q ale senzorului. Aceste semnale pot fi introduse direct într-un sistem PSG, permițând sincronizarea perfectă cu alte semnale din montajul PSG.

Fig. 1 ilustrează înregistrătorul de date biomotion fără contact, așa cum ar putea fi utilizat în practica clinică. Utilizatorul îl așează la cel mult 1 m de pat, între 0,25 și 0,5 m deasupra înălțimii saltelei, și cu fața spre trunchiul subiectului.

Unitatea de înregistrare a datelor biomotion fără contact pentru înregistrarea activității și tiparelor de respirație, care arată dimensiunile aproximative și poziționarea față de pat.

Pentru a fi complet, observăm că o serie de alți cercetători iau în considerare utilizarea senzorilor de biomișcare cu radiofrecvență. Droitcour et al. (2009) au descris rezultatele sistemului lor de măsurare a frecvenței respirației la pacienții spitalizați, în timp ce Lin și colegii au descris un sistem similar la 5,8 GHz pentru măsurarea potențială a respirației și a frecvenței cardiace (Li et al., 2006 ).

Subiecți și protocol de colectare a datelor

Datele au fost colectate în două etape – un set de instruire a fost adunat mai întâi într-un mediu de laborator pe un eșantion de voluntari normali sănătoși. Acesta a fost folosit pentru a dezvolta un algoritm de evaluare a somnului, care ar putea fi apoi testat prospectiv pe un set de date de testare independente dobândite într-un mediu spitalicesc. Motivul pentru această abordare în două etape a fost menținerea unei separări complete a datelor utilizate pentru dezvoltarea algoritmilor și evaluarea sistemului și, prin urmare, furnizarea de măsuri imparțiale ale performanței sistemului.

Setul de date de antrenament inițial a fost colectat de la șase voluntari cu o sănătate bună auto-raportată și modele normale de somn. Subiecților li s-a cerut să se abțină de la cofeină în ziua anterioară studiului și să se prezinte la laborator cu aproximativ 1 oră înainte de ora lor normală de culcare (pentru a permite timp pentru aranjare și aclimatizare). Subiecții nu aveau tulburări de somn cunoscute. Tabelul 1 oferă datele demografice și de profil de somn pentru setul de date de antrenament. Aceste studii au fost aprobate de comitetul de aprobare pentru etică umană a University College Dublin și toți participanții au furnizat consimțământul informat. Semnalul de date de biomișcare fără contact a fost achiziționat simultan cu EEG, EOG, ECG și efortul respirator al cutiei toracice folosind sistemul de achiziție de date Biopac MP100 (Biopac Systems, Goleta, CA, SUA) (detalii furnizate în Tabelul 2). După achiziție, datele au fost convertite în format EDF pentru procesare ulterioară. Analiza ulterioară a semnalului a fost efectuată utilizând MATLAB 6.5 (The Mathworks, Natick, MA, SUA). Punctajul obiectiv al semnalelor studiului somnului a fost realizat prin utilizarea software-ului Somnolyzer într-un mod total automat (The Siesta Group Schlafanalyse GmbH, Viena, Austria) pentru a nota semnalele PSG înregistrate (Anderer). et al., 2005 ).

grup Număr (L/F) Varsta (ani) IMC Eficiența somnului (PSG) Timp total de somn (h) Diagnostic AHI
Set de date de antrenament Toate 6 (5/1) 29 ± 5 25 ± 3 89 ± 8% 7.4 ± 0.4 N / A
Set de date de testare Toate 113 (94/19) 53 ± 13 30.6 ± 5.3 71 ± 17% 4.8 ± 1.2 21.9 ± 24.2
IAH scăzut (≤15) 50 (47/3) 50 ± 14 29.6 ± 5.0 73 ± 17% 4.9 ± 1.2 6.6 ± 3.8
AHI ridicat (>15) 63 (47/16) 57 ± 12 31.9 ± 5.3 69 ± 18% 4.6 ± 1.2 41.3 ± 25.2
  • Datele sunt exprimate ca valori medii ± abatere standard.
  • IMC, indicele de masă corporală PSG, polisomnograma AHI, indicele apnee-hipopnee.
Senzor – semnale Rata de eșantionare a setului de date de antrenament (Hz) Rata de eșantionare a setului de date de testare (Hz)
Biomișcare fără contact
eu 100 64
Q 100 64
EEG
C4/A1 125 128
C3/A2 125 128
EOG
Ochiul stang 125 64
Ochiul drept 125 64
EMG
Bărbie 250 64
ECG
Plumb modificat II 100 128
Respirator
Cutia toracică 10 8
Abdomen N / A 8
Sumă N / A 8
curgere N / A 8
Sforăit N / A 8
SpO2 N / A 8

Setul independent de date de validare (setul „de testare”) a fost ulterior colectat folosind senzorul de biomișcare cu radiofrecvență descris mai sus în paralel cu un montaj complet PSG în timpul studiilor de somn peste noapte efectuate la Spitalul Universitar St Vincent, Dublin. Studiul a fost aprobat de IRB spital, iar toți participanții au furnizat consimțământul informat. O sută treisprezece subiecți au fost aleși secvenţial, în funcție de comoditate, dintre cei trimiși la laboratorul de somn din spital pentru suspiciune de apnee în somn (în special, pe perioada studiului subiecților ale căror studii de somn au fost repartizate în camera în care a fost instalat echipamentul). au fost invitați să participe). Tabelul 1 prezintă, de asemenea, informațiile demografice pentru subiecții care au participat la acest studiu. PSG peste noapte a fost efectuat folosind sistemul Jaeger-Toennies (Erich Jaeger GmbH, Hoechberg, Germania). EEG (C4/A1, C3/A2), EOG bilateral, electromiograma submentală și ECG (derivația modificată V2) au fost înregistrate folosind electrozi de suprafață. Respirația a fost măsurată prin flux oronazal (termistor) și mișcări toracice și abdominale (pletismografie cu inductanță necalibrată). Saturația de oxigen a fost măsurată folosind pulsoximetria degetului. Sforăitul a fost înregistrat folosind un microfon de suprafață atașat deasupra crestăturii sternului și poziția corpului a fost, de asemenea, monitorizată. Toate studiile au fost efectuate în laboratorul de somn și supravegheate pe tot parcursul de către un tehnolog experimentat în somn. Notarea completă a stării respiratorii și a somnului a fost efectuată de un specialist în domeniul respirației. Semnalele dobândite și ratele de eșantionare sunt prezentate și în Tabelul 2. Din motive tehnice, ratele de eșantionare diferă pentru mai multe semnale între sistemul de achiziție de date Biopac și sistemul Jaeger-Toennies PSG – deoarece în toate cazurile semnalele sunt supraeșantionate pentru analiza interesului aceasta nu are niciun efect asupra vreunei interpretări ulterioare.

În Rezultate, vom lua în considerare performanța algoritmului nostru pe două grupuri largi: cei cu și fără apnee în somn moderată până la severă. Definim un grup cu indice de apnee-hipopnee (AHI) scăzut ca acei subiecți cu un IAH mai mic sau egal cu 15, iar cei cu IAH >15 sunt definiți ca grupul IAH ridicat.

Dezvoltarea unui algoritm de clasificare somn/veghe bazat pe biomișcare

Am dezvoltat algoritmul pentru a eticheta automat o epocă de 30 de secunde înregistrată de senzorul de biomișcare ca fiind somn sau veghe. Credem că este plauzibil din punct de vedere fiziologic că există suficiente informații în semnalul de biomișcare pentru a permite o clasificare rezonabil de precisă a somnului/veghei din următoarele motive.

Mișcările mari (de exemplu, de câțiva cm în dimensiune) pot fi recunoscute cu ușurință în semnalul fără contact.

Mișcarea corporală oferă informații semnificative despre starea de somn a unui subiect și a fost utilizată pe scară largă în actigrafie pentru a determina starea de somn/veghe.

Senzorul detectează, de asemenea, în mod clar mișcarea respiratorie, ceea ce ne permite să stabilim dacă un subiect este de fapt prezent și să ajutăm la determinarea stării de somn/veghe.

Pentru a transmite acest lucru grafic, Fig. 2 ilustrează câteva mostre ale semnalelor senzorului de biomișcare, precum și semnalele de efort respirator toracic și abdominal pe o perioadă de 30 de secunde în care mișcarea (Fig. 2a), un eveniment obstructiv (Fig. 2b) iar modelele de respirație variabile (Fig. 2c) pot fi văzute. Mișcările corporale apar în semnalele de biomișcare ca explozii scurte de activitate neregulată. Senzorul de biomișcare poate capta foarte bine rata și amplitudinile relative ale mișcărilor respiratorii în perioadele de mișcare scăzută, pe lângă identificarea episoadelor de mișcări ale corpului.

Exemple de semnale înregistrate de senzorul de biomișcare fără contact pe o perioadă de 40 de secunde, în comparație cu măsurile de mișcare respiratorie înregistrate cu ajutorul pletismografelor de inductanță respiratorie abdominală (Abdo) și toracică (Torace). Canalele I și Q ale SleepMinder sunt etichetate ca NC-I și, respectiv, NC-Q. (a) Respirație constantă punctată de o mișcare a corpului. Mișcarea este văzută ca un artefact atât în ​​pletismograma inductanței, cât și în semnalele SleepMinder. Rețineți că există o întârziere în revenirea la valoarea de bază în semnalul SleepMinder. De asemenea, rețineți că amploarea mișcării respiratorii este mai mică în canalul NC-Q datorită efectului de corelare a intervalului menționat în text. (b) Un exemplu de efort respirator în timpul unui eveniment marcat ca un eveniment obstructiv.Reducerea semnificativă a amplitudinii efortului respirator poate fi observată la ambii senzori. (c) Exemplu de modele de respirație variabile în timpul somnului în stadiul de mișcare rapidă a ochilor (REM), în care variabilitatea amplitudinii și frecvenței poate fi văzută în ambii senzori.

Fig. 3 prezintă o diagramă de flux a algoritmului de clasificare pe care l-am dezvoltat, care utilizează atât datele respiratorii, cât și cele de mișcare de la senzor pentru a forma o decizie compozită privind starea de somn/veghe și prezența sau absența unui subiect. Cele două semnale în cuadratura eu(t) și Q(t) sunt procesate separat pentru o mare parte a procesului și apoi combinate în diferite etape de clasificare („Clasificator de repaus/trezire” și „Combinator de clasificator”). La un nivel înalt procesarea se desfășoară după cum urmează. Primul pas este o etapă de „detector de mișcare”, în care se ia o decizie inițială dacă există sau nu o mișcare semnificativă. Detectarea mișcării este realizată prin filtrarea trece-bandă a semnalului pentru a elimina o parte din respirația și zgomotul electronic de înaltă frecvență, urmată de estimarea puterii în semnalul rezultat. Pentru acest pas este folosit un filtru trece-bandă de la 0,05 la 2 Hz. Dacă această putere este peste un anumit prag, determinăm că persoana se mișcă și setăm un steag de mișcare m(t) la unitatea egală (steagul de mișcare este setat la zero atunci când singura mișcare este de la respirație sau persoana este absentă).

Algoritm de clasificare pentru determinarea parametrilor de somn/trezire de la senzorul de biomișcare fără contact.

În plus față de indicatorul de mișcare, este, de asemenea, util să aveți o estimare a mărimii și duratei mișcării, deoarece aceasta conține și informații importante (adică o mișcare mare susținută este mai probabil să fie asociată cu trezi decât o mișcare mică scurtă). Actigrafia folosește același concept de „numărarea activității” în care un semnal brut de accelerare este procesat într-un singur număr pentru a indica magnitudinea totală a mișcării pe o perioadă de timp definită.

Determinăm un număr de activități utilizând următorii pași. The eu(t) și Q(t) semnalele sunt filtrate cu trecere de bandă așa cum s-a menționat mai sus și apoi eliminăm nivelul de energie asociat cu puterea medie de respirație (acest lucru se face prin filtrarea mediană a semnalului general pentru a găsi un nivel de energie de bază, care este apoi scăzut din semnal). Apoi estimăm energia din semnal utilizând un filtru maxim și adăugăm energia pe segmente de 2 s într-un singur număr pentru a forma o estimare a numărului de activități la o rezoluție de 2 s.

Această prelucrare este ilustrată în Fig. 4, în care prezentăm semnalele brute eu(t) și Q(t) peste o epocă de 130 de secunde în timpul somnului. Această epocă a fost aleasă deoarece ilustrează mișcări mici și semnale respiratorii văzute în timpul somnului ușor. Semnalul steagului de mișcare m(t) este prezentată în partea de jos a Fig. 4a și valori diferite de zero ale m(t) corespund vizual cu modelele neregulate din semnalele brute. Fig. 4b prezintă numărul de activitate produs pe baza analizei eu(t) semnal în acest caz. Rețineți că calculăm un semnal total de numărare a activității prin mediarea semnalelor de numărare a activității produse de eu și Q canale.

(a) Ilustrarea cartografierii din semnalele brute de biomișcare eu(t) și Q(t) la un semnal de mișcare m(t) așa cum se vede în partea de jos a panoului. (b) Ilustrarea mapării la activitate se bazează pe o rezoluție de timp de 2 secunde. Numărul de activități este măsurat în unități arbitrare (a.u.).

Indicatorul de mișcare și semnalele de numărare a activității sunt acum folosite pentru a recunoaște perioadele de somn și trezire folosind funcții de mișcare numai pentru fiecare epocă de 30 de secunde („Clasificator de somn/trezire”).

Este posibil să se obțină caracteristici fără mișcare deoarece nu există nicio persoană prezentă în câmpul senzorului, așa cum s-ar putea întâmpla dacă subiectul a mers la baie în timpul nopții. Pentru a ține seama de asta, avem și un detector simplu de prezență/absență, care verifică prezența unui semnal de respirație. Acest lucru se realizează prin efectuarea unei analize spectrale a semnalului în perioadele de nemișcare. Puterea absolută și fracțiunea de putere conținută în frecvențele benzii respiratorii (aproximativ 0,1–0,35 Hz) sunt apoi utilizate pentru a determina dacă există o persoană prezentă în câmpul senzorului. Acesta este notat în Fig. 3 ca „Detectorul de prezență de respirație”. Pentru fiecare epocă, clasificatorul emite valorile „Prezentă” (dacă puterea este prezentă în mod clar în banda respiratorie) sau „Necunoscută” (care va corespunde în mare parte perioadelor în care persoana este absentă, dar ocazional unei respirații cu amplitudine foarte mică).

Ieșirile celor trei clasificatoare sunt procesate cu un „Combinator de clasificatori” și apoi pragizate cu un prag de probabilitate de 0,5 pentru a produce o hipnogramă brută. Hipnograma brută este netezită conform regulilor propuse de Lötjönen et al. (2003), în care excitațiile scurte sunt reetichetate ca somn, iar fragmentele scurte de somn sunt reetichetate ca „Trez”. În plus, dacă un fragment de somn de 5 minute sau mai puțin este înconjurat de perioade clasificate ca „Necunoscute” de „Detectorul de prezență respiratorie”, atunci epocile sunt reetichetate ca „Necunoscute”. În cele din urmă, secvențele de 15 minute sau mai mult din „Necunoscut” sunt reetichetate ca „Absent”. Diferența dintre necunoscut și absent este că, în perioada în care o persoană se pregătește de culcare, ea este adesea prezentă și se plimbă prin dormitor și, prin urmare, poate fi detectată intermitent de senzorul de mișcare. În scopul rezultatelor raportate în această lucrare, tratăm „Necunoscut” ca „absent” și raportăm doar clasificarea somn/veghe.

Antrenamentul inițial al algoritmului de clasificare

Secțiunea anterioară a descris cum poate fi determinat un set de caracteristici de mișcare pentru fiecare epocă a datelor. Presupunem că o combinație liniară a acestor caracteristici conține informații care ne permit să diferențiem corect epocile de somn și de veghe. Pentru a dezvolta un algoritm automat, am folosit „învățare supravegheată” în care un subset de date este folosit pentru a antrena algoritmul de clasificare – acesta se numește setul de date de antrenament. Algoritmul rezultat poate fi apoi testat pe un set de date reținut (numit „setul de testare”) pentru a oferi o estimare reprezentativă a performanței sistemului. Metoda noastră de clasificare s-a bazat pe discriminanți liniari (Ripley, 1996). Am folosit datele caracteristicilor din cele șase înregistrări de antrenament pentru a antrena clasificatorul liniar discriminant. Ieșirea clasificatorului a fost o adnotare pentru fiecare epocă care a fost fie „Sleep”, „Wake” sau „Absent/Necunoscut”. Probabilitățile anterioare ale stărilor de somn și de veghe au fost stabilite la 0,5, respectiv. Deoarece clasificatorii liniari se comportă cel mai bine cu caracteristici cu o distribuție Gaussiană aproximativă, am preprocesat caracteristicile de mișcare pentru a le face mai asemănătoare cu distribuția Gaussiană.

Măsurile de performanță utilizate pentru a evalua performanța clasificatorului de somn/veghe au fost: (i) acuratețea clasificării generale (procentul epocilor totale clasificate corect) (ii) sensibilitatea somnului (care se referă la numărul de epoci reale de somn detectate ca somn) și valoarea predictivă pozitivă (care se referă la procentul de epoci de somn etichetate cu algoritm care au fost de fapt epoci de somn adevărate) și (iii) sensibilitatea de veghe (care se referă la numărul de epoci de veghe adevărate detectate ca trezi) și valoarea predictivă negativă (care se referă la procentul de epoci de trezire etichetate cu algoritm care au fost de fapt epoci de trezire adevărate). Sensibilitatea de trezire ar putea fi, de asemenea, denumită în mod mai convențional specificitatea sistemului. Raportăm, de asemenea, coeficientul kappa al lui Cohen, eroarea medie de eficiență a somnului și abaterea standard a erorii de eficiență a somnului. Coeficientul kappa al lui Cohen este o măsură care ține cont de frecvența relativă de apariție a fiecărei clase de epocă și oferă o măsură mai perspicace a performanței sistemului decât acuratețea clasificării. Eficiența somnului este definită ca timpul total de somn (TST) ca procent din timpul total petrecut în pat. Estimările eficienței somnului sunt derivate din rezultatele sistemului cu două clase (S versus W). Eroarea de eficiență a somnului este definită aici ca estimarea sistemului automat al eficienței somnului minus estimarea expertului a eficienței somnului. Luăm în considerare, de asemenea, estimarea generală a TST.

Diagramele Bland și Altman sunt folosite pentru a oferi o vedere grafică a performanței sistemelor de clasificare, deoarece reprezintă diferențe între valorile estimate și reale ale parametrilor precum TST și eficiența somnului într-un mod mai semnificativ decât coeficientul de corelație simplu (Pearson).

În cazul nostru, standardul de aur pentru adnotarea somn/veghe a fost scorul determinat de tehnicianul PSG. Stadializarea somnului a fost efectuată folosind PSG complet de către un singur tehnolog experimentat în somn, care a urmat îndeaproape recomandările de punctare ale Academiei Americane de Medicină a Somnului (AASM, 2007) pe baza lucrării originale a lui Rechtschaffen și Kales (1968). Epocile pot fi etichetate în unul din trei moduri: Somn [S1–S4 și somn REM], Wake (W) sau Artefact (contact slab al electrodului, mișcare excesivă a pacientului, pacient absent din cauza pauzei de toaletă sau a mișcării excesive a tehnicianului). ).


Rezultate

Performanța clasificării somn/veghe

Înainte de a lua în considerare performanța clasificatorului, este util să comentați unele dintre măsurătorile generale ale somnului ale grupului, așa cum sunt evaluate prin scorul PSG (rezumat în Tabelul 1). În cele ce urmează, când datele sunt raportate ca A ± b, asta înseamnă că A este valoarea medie a unui set de date și b este abaterea standard, dacă nu este menționat altfel. Timpul petrecut în pat în timpul înregistrărilor PSG a fost de 6,7 ± 0,7 ore, iar un TST de 4,8 ± 1,2 ore a fost observat în grup, indicând o eficiență medie a somnului de 71%. Grupul cu AHI ridicat a avut un TST mediu de 4,6 ore, în timp ce grupul cu AHI scăzut a avut un TST mediu puțin mai lung de 4,9 ore, deși această diferență nu a fost semnificativă statistic la P < nivel 0,05. Grupul cu AHI ridicat a avut, de asemenea, o eficiență medie a somnului puțin mai mică (69,1% față de 73,3%) decât grupul cu AHI scăzut, deși din nou acest lucru nu a fost semnificativ statistic.

Tabelul 3 ilustrează tabelul de contingență pentru toate epocile din cei 113 subiecți din setul de date test. Adnotarea somn/veghe a scorului expert poate produce una dintre cele trei etichete pentru fiecare epoca de 30 de secunde: S (somn), W (veghe), A (artefact). De asemenea, sistemul automat poate produce una dintre cele trei etichete: S, W sau A (absent) (după cum s-a menționat mai sus, categoria „necunoscută” este mapată ca absentă în scopul acestei analize). În general, „absent” pentru sistemul automat apare atunci când un subiect merge la baie în timpul nopții, acesta este etichetat ca A în adnotarea PSG. Artefactele „de mișcare” pot apărea și în PSG atunci când un tehnician reglează senzorii, când electrozii sunt slăbiți. , sau mișcarea unei persoane determină pierderea temporară a semnalelor. Rețineți că numărul epocilor artefactelor reprezintă <1% din durata totală a înregistrării.

Adnotare expert
Trezi Dormi Artefact
Adnotare algoritm
Trezi 13 510 7736 154
Dormi 11 875 56 238 18
Absent 0 3 121

Algoritmul automat a fost utilizat pentru a calcula TST și eficiența somnului pentru cei 113 subiecți din studiu. Fig. 5a prezintă o diagramă Bland și Altman a TST-urilor estimate de PSG și algoritmul automat. A existat o supraestimare medie a TST de către algoritmul automatizat de 19 minute – aceasta a fost semnificativă statistic la P < 0,05, ceea ce indică faptul că sistemul automatizat tinde să depășească ușor somnul. Fig. 5b prezintă o diagramă Bland și Altman a eficienței somnului estimate de PSG și algoritmul automat. A existat o supraestimare medie a eficienței somnului cu 4,8% folosind algoritmul automat. Acest lucru a fost semnificativ statistic la P < 0,05 nivel de semnificație.

Bland și Altman diagrame pentru (a) timpul total de somn (TST) și (b) eficiența somnului. În ambele cazuri, cel X-axa este cifra medie atât din punctajul expert PSG, cât și din algoritmul SleepMinder. Diferența este exprimată ca cifra estimată minus cifra expertului. Linia întreruptă indică distorsiunea medie dintre estimări, iar liniile punctate indică distorsiunea ± 1,96 × SD (care oferă o estimare a limitelor de acord pentru 95% din cazuri) Există o distorsiune de +19 min pentru TST și 4,8% pentru eficiența somnului (adică sistemul SleepMinder va supraestima ușor somnul). AHI, indice de apnee-hipopnee.

Tabelul 4 oferă o defalcare mai detaliată a performanței clasificatorului de somn/veghe. Precizia generală de epocă la toți subiecții a fost de 77,9% (când toate cele 89 655 de epoci de la toți subiecții sunt considerate împreună), ceea ce corespundea unei acuratețe de epocă pe bază de subiect de 78 ± 11% (adică sistemul a fost semnificativ mai mult/mai puțin). precise la unele materii decât la altele). Sistemul a fost mai precis la subiecții cu AHI scăzut (precizia mediană a fost de 83%) față de grupul cu IAH ridicat (unde acuratețea mediană a fost de 75%). Acest lucru este prezentat în Fig. 6 și pare să indice inițial că sistemul funcționează mai rău la subiecții cu IAH ridicat. Cu toate acestea, o mare parte din această discrepanță în ceea ce privește acuratețea se datorează eficienței mai scăzute a somnului la subiecții cu IAH ridicate. Fig. 7 ilustrează o diagramă a eficienței somnului versus acuratețea pe subiect și se poate observa că există o corelație semnificativă între eficiența și acuratețea somnului (P < 0,001). Când ne-am uitat la acuratețea sistemului la subiecții cu eficiență a somnului >75% numai, diferența de precizie a sistemului dintre subiecții AHI scăzut (precizia medie de 85,2%) și subiecții IAH ridicat (78,5%) a persistat, dar nu a mai fost semnificativă statistic la P = 0,05 nivel. De asemenea, am verificat că nu a existat o variație semnificativă statistic a preciziei sistemului cu indicele de masă corporală al subiectului.

Precizie generală (%) Kappa κ al lui Cohen SeDORMI SeTREZI PPV VPN Eroare de eficiență a somnului Eroare totală de timp de somn
Toate 78.0 ± 11.1% 0.38 ± 0.19 87.3 ± 13.6% 50.1 ± 19.8% 81.4 ± 13.9% 66.1 ± 24.3% +4.8 ± 14.4% +19.0 ± 58.6
AHI scăzut 81.3 ± 10.0% 0.45 ± 0.17 92.0 ± 9.2% 51.1 ± 19.1% 83.3 ± 13.6% 72.4 ± 21.4% +7.0 ± 14.1% +27.6 ± 57.7
AHI ridicat 74.8 ± 10.5% 0.30 ± 0.20 81.1 ± 15.8% 48.8 ± 20.8% 78.9 ± 14.2% 57.9 ± 25.5% +1.9 ± 14.4% +8.2 ± 58.6
  • SeDORMI, sensibilitatea la somn (procentul epocilor reale de somn care sunt etichetate ca somn de către clasificator) SeTREZI, sensibilitate de trezire (procentul epocilor de trezire reale care sunt etichetate ca trezi de către clasificator) PPV, valoare predictivă pozitivă (procentul de epoci etichetate ca somn care sunt etichetate corect) NPV, valoare predictivă negativă (procentul de epoci etichetate ca trezi care sunt etichetate corect) ).

Un grafic al indicelui de apnee-hipopnee (AHI) punctat de experți în funcție de acuratețea epocii pe bază de subiect. Există o tendință de scădere a preciziei odată cu creșterea IAH, astfel încât acuratețea la subiecții fără SDB este de peste 80%, dar precizia scade la aproximativ 70% la cei cu IAH ridicat. Linia punctată indică cea mai bună potrivire liniară a acelei tendințe.

Eficiența somnului versus acuratețea epocii per subiect pentru cei 113 subiecți din setul de date de testare [cu indicele de apnee-hipopnee (AHI) scăzut și IAH ridicat sunt indicate separat pentru comoditate]. Rețineți că există o tendință de scădere a preciziei sistemului cu eficiența somnului. Linia punctată indică cea mai bună potrivire liniară a acelei tendințe.

Tabelul 4 oferă, de asemenea, cifra kappa a lui Cohen pentru clasificator, care este o medie de 0,38 ± 0,19 pentru toți subiecții. O valoare de zero pentru kappa lui Cohen corespunde ghicirii bazate doar pe cunoașterea probabilităților anterioare, astfel încât această cifră de merit este adesea un ghid mai bun pentru performanță în cazurile în care o clasă domină, ca în acest caz în care probabilitatea anterioară a unei epoci de somn este aproximativ 0,7. Valoarea medie kappa este mai mare pentru grupul cu AHI scăzut (0,45) decât pentru grupul cu AHI ridicat (0,30). Tabelul 4 raportează, de asemenea, sensibilitatea sistemului la recunoașterea stării de somn – aceasta este de 87,3 ± 13,6% la toți subiecții. Sensibilitatea pentru trezire este de 50,1 ± 19,8% în rândul subiecților, ceea ce este o consecință a probabilității generale mai mari a stării de somn în date și a alegerii noastre pentru un clasificator discriminant liniar, care ponderează erorile în mod egal. Intuitiv, sistemul de clasificare va avea o părtinire puternică de a eticheta epocile marginale ca somn, nu trezire. Prin urmare, în practică, multe stări de veghe de scurtă durată sau cu mișcare redusă sunt clasificate drept somn. Tabelul 4 oferă, de asemenea, valorile predictive pozitive și valorile predictive negative ale sistemului pentru somn și veghe ca 81,4 ± 13,9 și, respectiv, 66,1 ± 24,3%. În cele din urmă, eroarea de eficiență a somnului este de +4,8 ± 14,4% (clasificatorul automat supraestimează somnul), iar eroarea medie TST este de +19 ± 58,6 min. Nu este surprinzător că majoritatea erorilor de sistem apar în clasificarea greșită a epocilor de somn REM, trezire și Etapa 1 – Tabelul 5 ilustrează acuratețea sistemului în funcție de stadiul de somn și arată că acuratețea recunoașterii stărilor de somn profund este foarte mare (>95%), în timp ce stările de trezire și etapa 1 au cea mai scăzută precizie.


Somn și Big Data: valorificarea datelor, tehnologiei și analizelor pentru monitorizarea somnului și îmbunătățirea diagnosticului, predicției și intervențiilor - o eră pentru Somn-Omics?

Susan Redline, Shaun M Purcell, Somn și Big Data: valorificarea datelor, tehnologiei și analizelor pentru monitorizarea somnului și îmbunătățirea diagnosticului, predicției și intervențiilor - o eră pentru Somn-Omics?, Dormi, Volumul 44, Numărul 6, iunie 2021, zsab107, https://doi.org/10.1093/sleep/zsab107

În ultimii 30 de ani, s-au înregistrat progrese impresionante în caracterizarea bazelor fiziologice ale somnului și a ritmurilor circadiene și variația acestora între populații și rezultatele sănătății. Maturarea remarcabilă a cercetării în domeniul somnului și al biologiei circadiane este exemplificată de o creștere exponențială a publicațiilor peer-review axate pe somn și faptul că un recent premiu Nobel a fost acordat pentru elucidarea mașinilor circadiene subliniază importanța somnului și a științei circadiene.

În medicina clinică a somnului, au existat îmbunătățiri în definirea tulburărilor de somn - cu linii directoare bazate pe dovezi pentru screening-ul, tratarea și gestionarea apneei în somn, insomniei, sindromul picioarelor neliniştite, narcolepsia, ritmul circadian și alte tulburări de somn. Centrele de somn acreditate – care oferă îngrijiri de somn bazate pe ghiduri – au crescut constant, reducând diferența dintre numărul de persoane care suferă de o tulburare de somn față de cei tratați corespunzător. Recunoașterea sănătății somnului ca prioritate a sănătății publice este reflectată de includerea obiectivelor de sănătate a somnului în raportul Healthy People 2020 al Centrului pentru Controlul Bolilor.

Cu toate acestea, rămân lacune fundamentale de cunoștințe. În special, este nevoie de a înțelege mai bine funcțiile de bază ale somnului, precum și modul de modulare a somnului ca o intervenție clinică nouă pentru îmbunătățirea cogniției, dispoziției și longevității. Provocările critice în optimizarea tratamentului tulburărilor de somn includ eterogenitatea substanțială a endotipurilor fiziologice, simptomelor, comorbidităților, răspunsurilor la tratament, prognozelor și factorilor de risc genetici în rândul persoanelor etichetate cu același cod de diagnostic.În calitate de clinicieni, uneori nu reușim să găsim tratamente care rezolvă în mod adecvat somnolența experimentată de mulți pacienți cu apnee în somn sau care îmbunătățesc atât simptomele pe timp de noapte, cât și pe timp de zi pe care le experimentează pacienții cu insomnie și ar putea avea dificultăți să identifice cauzele și strategiile eficiente de tratament pentru pacienți. etichetat cu „hipersomnie idiopatică”. Instrumentele noastre de diagnostic suferă de o dependență excesivă de cuantificarea manuală și subiectiv verificată a „evenimentelor” individuale în timpul înregistrărilor de somn (apnee și excitări) și abordări prea simpliste pentru a rezuma fenomenele fiziologice continue în categorii discrete (de exemplu, epocile de somn). Abordările tradiționale de diagnosticare — dezvoltate folosind o bază de cunoștințe veche de peste 50 de ani — nu numai că limitează bogăția datelor despre somn culese în mod obișnuit în ore, dacă nu zile, dar contribuie și la costuri și ineficiențe care ar putea fi îmbunătățite prin utilizarea mai inteligentă a procedurilor mai automate și mai sensibile. .

Împreună, aceste lacune indică o nevoie critică de a folosi seturi mai mari de date pe mai multe niveluri mai cuprinzător și mai riguros pentru a defini mai bine procesele complexe și dinamice care stau la baza stărilor de somn și veghe, a căror dereglare duce la tulburări legate de somn. O altă nevoie este de a defini mai bine subgrupurile de boli, care în cele din urmă pot duce la intervenții personalizate care să îndeplinească obiectivele medicinei de precizie. Instrumentele de calcul și analitice avansate deschid posibilitatea de a interoga probleme fiziologice și clinice complexe la o scară și cu o precizie și o putere care nu erau posibile anterior, iar aceste instrumente sunt deosebit de relevante pentru abordarea nevoilor medicinei somnului.

„Datele mari” sunt acum valorificate în mod obișnuit în scopuri vaste, de la marketingul consumatorilor și detectarea fraudelor, la biologie moleculară, imagistica medicală și diagnosticarea cancerului. Aceste abordări au potențialul nu doar de a automatiza procedurile manuale existente, ci, poate mai fundamental, de a identifica și modele noi, tendințe longitudinale, interacțiuni, semnături de diagnosticare, subgrupuri și alte fațete ale sănătății somnului care sunt ascunse în prezent. În acest scop, Academia Americană de Medicină a Somnului a încărcat recent un grup de lucru pentru inteligența artificială (AI) pentru a aborda rolul AI în medicina somnului. Cele două lucrări inițiale ale sale au rezumat oportunitățile ca medicina somnului să beneficieze de aplicarea AI – în special instrumentele de învățare automată (ML) – care necesită seturi de date de obicei cu 1.000, dacă nu 10.000 de observații [1, 2]. Grupul de lucru a evidențiat informațiile bogate, dar subutilizate conținute în oscilațiile semnalelor de somn, cardiace și respiratorii: mai ales atunci când sunt cuplate cu date demografice, comportamentale, genetice și alte date biologice, psihosociale și stil de viață, aceste metode pot oferi noi abordări pentru diagnostic și managementul pacienților și impactul asupra sănătății populației. Rapoartele AASM au evidențiat cinci domenii: (1) îmbunătățirea clasificării și diagnosticării tulburărilor de somn (2) prezicerea bolii și prognosticul tratamentului (3) caracterizarea subtipurilor de boli (4) îmbunătățirea notării somnului prin automatizare și (5) valorificarea descărcărilor PAP nocturne pentru o aderență îmbunătățită sprijin si interventie.

Pe parcursul anului trecut, DORMI a urmărit să catalizeze și mai mult interesul față de rolul instrumentelor noi de ML și al procesării avansate a semnalului a seturilor mari de date pentru a „informa și transforma cercetarea și practica clinică translațională și clinică a somnului/circadian”. Autorii au fost invitați să trimită manuscrise riguroase bazate pe date folosind seturi mari de date care abordează mai multe subiecte. În total, au fost publicate 18 lucrări în volumele 43 și 44 din DORMI. In curent DORMI Problemă virtuală https://academic.oup.com/sleep/pages/big-data-vi, evidențiem 10 dintre aceste lucrări, selectându-le pe cele care oferă exemple de răspunsuri la următoarele subiecte:

Noi perspective derivate din seturi mari de date obiective despre somn (adică PSG, actigrafie) pentru a înțelege fiziologia somnului sănătos și patofiziologia tulburărilor de somn.

Sunt evidențiate două lucrări, ambele descriind modificări ale somnului legate de vârstă și sex. În Hartmann et al. [3] descriu un algoritm de detectare automatizat pentru modelul alternant ciclic (CAP), aplicat pentru a evalua micro-arhitectura somnului la aproape 3.500 de bărbați și femei în vârstă din două cohorte comunitare. În plus față de demonstrarea fezabilității algoritmului de procesare a semnalului, studiul a arătat că ratele CAP și markerii sincroniei EEG au variat în funcție de vârstă, sex și calitatea somnului. În mod remarcabil, în timp ce femeile au avut mai mult somn cu unde lente decât bărbații, au avut mai puține cicluri CAP A1, ceea ce sugerează mecanisme pentru o frecvență mai mare a preocupărilor subiective legate de somn la femei, comparativ cu bărbații.

Jonasdottir și colab. [ 4] a prezentat date despre peste 11 milioane de nopți de date de monitorizare a activității purtabile (precum și informații contextuale dintr-o aplicație pentru telefonul mobil) de la aproape 70.000 de adulți din 47 de țări. Folosind un set de grafice extrem de eficiente care rezumă datele privind durata și momentul somnului (inclusiv variabilitatea medie și în ziua săptămânii/wept de săptămână) și trezirea după debutul somnului (WASO) în funcție de vârstă și sex, autorii demonstrează modificări caracteristice în multiple fațete ale somnului, atât în ​​funcție de vârstă, cât și de gen și interacțiuni notabile de vârstă și gen. De exemplu, la vârste mai tinere (< 44 de ani), femeile au mai mult WASO, dar durează mai mult somn decât bărbații, diferențele se reduc la vârste mai înaintate (> 55 de ani). Au fost observate și alte modificări ale tiparelor de somn de-a lungul vieții, cum ar fi o mai mare variabilitate în timpul și durata somnului și jetlag social în rândul adulților mai tineri și o frecvență mai mare a duratei mai scurte a somnului și a trezirilor nocturne la adulții mai în vârstă. Informațiile legate de aplicație au sugerat un rol pentru îngrijirea în somnul perturbat al femeilor. Deși este probabilă o anumită clasificare greșită a somnului cu utilizarea unui dispozitiv purtabil, setul de date extrem de mare, abordarea analitică riguroasă și comparabilitatea rezultatelor cu estimările din seturi de date externe care au folosit măsurători mai tradiționale susțin valoarea acestei abordări la scară largă.

Îmbunătățirea acurateței diagnosticului tulburărilor de somn.

Sunt evidențiate cinci articole: două raportează rezultatele stadiilor de somn bazate pe date - unul instruit pe senzori EEG tradiționali și celălalt care a folosit senzori ECG și respiratori [5, 6] un studiu a raportat rezultatele unui model de stadializare a somnului dezvoltat special pentru pacienți cu apnee în somn [7] un raport a fost despre o abordare ML pentru detectarea apneei obstructive în somn [8] și un raport a oferit un exemplu de detector de caracteristici automate (pentru complexe K) [9]. În Olesen și colab., a fost dezvoltat un model de rețea neuronală profundă folosind 15.684 de studii polisomnografice din cinci cohorte care au fost evaluate într-o serie de scenarii [6]. Autorii au descoperit că cele mai înalte niveluri de acuratețe au fost pentru modelele care au folosit date din toate cohortele (de exemplu, precizie 0,869 ± 0,064 kappa lui Cohen de 0,799 ± 0,098), cu performanțe mai slabe atunci când antrenăm algoritmul doar pe o singură cohortă. Aceste rezultate au evidențiat necesitatea accesului la seturi de date mari și diverse pentru antrenament și testare automată a stagărilor de somn. În studiul efectuat de Sun și colab., o rețea neuronală profundă antrenată doar pe canalele ECG și de efort respirator a arătat o concordanță bună pentru clasificarea stadiului de somn (kappa Cohen 0,585), deși acuratețea a fost mai mică în comparație cu modelele antrenate pe semnale EEG [5]. În mod remarcabil, nu a fost observată nicio pierdere de precizie în funcție de vârstă sau prezența apneei în somn, ceea ce sugerează utilitatea evaluărilor fazei de somn în mediile clinice în care EEG nu este ușor de colectat. Provocarea stadializării somnului, unde interesul principal este în evaluarea respirației tulburări de somn, a fost abordată de Korkalainen și colegii [7]. Folosind doar fotopletismograma (PPG) capturată de la un pulsoximetru cu degetul, autorii au arătat capacitatea unui model de învățare profundă de a diferenția stadiile de somn (precizie epocă cu epocă de 80,1%). Lucrarea lor a evidențiat potențialul neexploatat al semnalelor colectate în mod obișnuit, dar nu extrase complet pentru îmbunătățirea informațiilor de diagnosticare a apneei în somn disponibile cu dispozitive de testare a apneei în somn cu canale limitate. Mai exact, oximetria cu PPG este utilizată pe scară largă în studiile de apnee în somn la domiciliu, unde lipsa datelor privind durata somnului poate duce la subestimarea indicelui evenimentelor respiratorii (REI). Includerea datelor PPG ar putea îmbunătăți estimarea REI, oferind, de asemenea, o estimare a severității apneei în somnul REM - un subfenotip de apnee în somn deosebit de comun la femei [10], precum și unul asociat cu riscul de hipertensiune arterială [11]. Huang a abordat în continuare dacă apneea în somn ar putea fi prezisă folosind o combinație de date demografice colectate în mod obișnuit, simptome de somn, date antropometrice și clinice. Folosind un model de predicție bazat pe un vector de suport și o validare încrucișată de cinci ori într-un eșantion de clinică de somn din China, autorii au raportat că un model construit cu două (vârsta, circumferința taliei) până la șase caracteristici a prezis un IAH ≥5/h, ≥15. /h și ≥30/h cu o sensibilitate de 74%, 75% și 70% și specificitate 75%, 69% și, respectiv, 70% [8]. Abordarea lor bazată pe date a depășit alte instrumente de screening bazate pe chestionare publicate din eșantionul lor, totuși, această abordare necesită o validare externă suplimentară. În cele din urmă, Lechat și colegii au aplicat o rețea neuronală profundă și un proces gaussian pentru a identifica complexele K, arătând că o procedură automată a avut o discriminare excelentă pentru detectarea acestei caracteristici a somnului și a excitării N2 și a fost capabilă să caracterizeze morfologia și densitatea complexului K [9] . Autorii au raportat modificări caracteristice ale densității și morfologiei complexului K în funcție de ciclul de somn și de vârstă și au sugerat că detectarea automată a caracteristicilor EEG poate oferi atât o perspectivă asupra mecanismelor de somn, cât și instrumente pentru utilizare în controlul calității notării somnului.

Utilizarea datelor mari pentru a înțelege și a prezice mai bine absorbția, răspunsul și aderarea la tratamente.

Wickwire și colegii [12] au analizat datele de la 29.072 de beneficiari Medicare adulți în vârstă diagnosticați cu apnee obstructivă în somn, identificând 7.111 (24,5%) care au inițiat CPAP, dintre care 3.229 aveau vârsta de 65 de ani și mai mult. Doar 44% din ultimul eșantion au menținut posesia aparatelor CPAP până la 13 luni, eligibilitatea Medicaid (un proxy pentru SES mai scăzut) fiind cel mai puternic predictor al aderenței scăzute. Provocările persistente în optimizarea utilizării CPAP în rândul pacienților cu apnee în somn subliniază necesitatea unor cercetări suplimentare pentru a identifica pârghii pentru îmbunătățirea aderenței la tratament. Există o nevoie critică ca cantitățile uriașe de date privind aderarea care sunt colectate în mod obișnuit să fie legate de alte date cheie la nivel individual și să fie mai ușor disponibile pentru cercetare atât în ​​timp real (pentru a promova intervenția timpurie), cât și prin descărcări statice.

Utilizarea datelor mari pentru a identifica subgrupuri distincte de pacienți sau grupuri de trăsături.

Subfenotiparea grupurilor eterogene de pacienți în funcție de caracteristicile endotipului fiziologic de bază a fost limitată de cerințele tehnice impuse de colectarea de date aprofundate privind respirația și excitarea, care apoi sunt analizate folosind algoritmi complexi de procesare a semnalului. Finnsson și colegul prezintă și validează o metodă pentru calcularea endotipurilor fiziologice cheie - câștigul buclei, pragul de excitare și câțiva alți parametri ventilatori, arătând că metoda de endo-fenotipizare prin polisomnografie a doctorului Scott Sands și colab. poate fi implementat într-un mediu bazat pe cloud [13].

Utilizarea parametrilor de somn/circadian ca predictori ai sănătății fizice și mentale viitoare.

Într-un studiu epidemiologic longitudinal, Williamson și colegii au aplicat modelarea ecuațiilor structurale la aproape 5.000 de copii cu vârste cuprinse între 5 și 13 ani, măsurate în mai multe valuri de colectare de date [14]. Au fost colectate date repetate despre problemele comportamentale ale somnului copiilor, simptomele de internalizare și externalizare și calitatea vieții legate de sănătate (HRQoL). Folosind acest design bogat, autorii au testat potențialele asocieri bidirecționale, constatând că datele lor erau cel mai în concordanță cu problemele comportamentale de somn, care prognozează HRQoL psihosocial și fizic mai rău. În timp ce analizele longitudinale sunt critice pentru înțelegerea istoriei naturale a tulburărilor de somn și disecarea asociațiilor cauzale, există o lipsă nefericită de seturi de date cu măsurători repetate ale somnului. Sunt necesare eforturi de realizare a unor studii prospective cu măsurători cuprinzătoare și repetate pentru a realiza parametrii de somn/circadian ca predictori ai rezultatelor viitoare.

În general, din aceste lucrări, vedem promisiunea modelelor ML pentru prezicerea stadiilor de somn, microarhitectura somnului, caracteristicile individuale ale EEG și apneea în somn, adesea de succes cu analiza doar a unui set redus de semnale sau date, sporind fezabilitatea la scară mai mare. colectare de date. De asemenea, vedem potențialul pentru extragerea în continuare a seturilor de date administrative, clinice și epidemiologice și utilizarea senzorilor portabili pe scară largă pentru monitorizarea somnului, cu oportunități de a crește cunoașterea factorilor care contribuie la disparitățile de sănătate, pentru a caracteriza mai bine eterogenitatea tulburărilor de somn, pentru a identifica eficacitatea intervențiilor alternative de somn, pentru a descoperi mecanismele moleculare care stau la baza trăsăturilor somnului și pentru a prezice rezultatele legate de somn. Cu toate acestea, în acest apel pentru lucrări, am primit puține sau deloc răspunsuri la câteva dintre aceste subiecte. Mai exact, următoarele domenii au fost subreprezentate: (1) Utilizarea datelor mari pentru a informa și îmbunătăți tratamentul și gestionarea tulburărilor de somn și circadiene (2) Utilizarea datelor mari și a tehnologiilor „omice” (de exemplu, epigenomica, genomica, metabolomica, microbiomica). , transcriptomică și proteomică) în științele somnului și circadiene și (3) Implementarea terapiilor de somn în lumea reală, inclusiv factori legați de pacienți, furnizori și sistemul de îngrijire a sănătății care influențează utilizarea terapiilor de somn eficiente, utilizarea și costul asistenței medicale a tulburărilor de somn tratate versus netratate. Lipsa răspunsului se poate datora provocărilor actuale în integrarea completă a datelor despre somn cu datele clinice și genomica din lumea reală. Am văzut exemple de puterea modelelor de învățare profundă de a produce predicții precise, precum și limitările rezultatelor „cutiei negre” din aceste modele, care adesea nu dezvăluie caracteristicile care conduc predicția, limitând interpretabilitatea și împiedicând identificarea biologică. mecanisme. Modelele de învățare profundă raportate au fost în general compuse din mai puțin de 10.000 de observații, în timp ce cele mai robuste rețele neuronale necesită de obicei seturi de date masive care nu sunt disponibile pentru majoritatea datelor de somn.

Această problemă virtuală a DORMI subliniază, de asemenea, potențialul pentru Somn-Omics. În timp ce sufixul omics a fost adoptat inițial pentru studiile asupra datelor moleculare care definesc interrelații biologice structurale și funcționale complexe, au apărut și alte omice, cum ar fi „spiro-omics” (biologia plămânilor) și „food-omics” (hrană și nutriție). Mai precis, omics își propune să obțină o înțelegere îmbunătățită a unui fenomen dat prin aplicarea mai multor niveluri de analiză la numeroase fluxuri de date, fiecare de multe ori de scară și conținut diferit. Se poate argumenta că polisomnografia reprezintă un exemplu timpuriu de omică prin integrarea semnalelor fiziologice multiple colectate de-a lungul orelor și în diferite stadii de somn. O înțelegere îmbunătățită a naturii complexe și a impactului tulburărilor de somn și de somn poate fi realizată în continuare printr-o abordare „Sleep-Omics” care integrează mai cuprinzător informații despre mai multe expuneri genetice și de mediu relevante din amonte, comportamente și inputuri fiziologice (de exemplu, tensiunea arterială peste noapte ), precum și date despre efectele în aval ale somnului asupra expresiei genelor, metilare, comportamente și rezultatele clinice și fiziologice. În plus față de polisomnografie, sursele de date pentru aceste analize pe mai multe niveluri pot include date de la dispozitive purtabile, dispozitive medicale utilizate atât pentru tratamente pentru somn (PAP), cât și pentru alte scopuri care colectează întâmplător date relevante (de exemplu, defibrilatoare cardiace implantabile), zonă geografică date, dosare medicale, date de sondaj privind rezultatele raportate de pacient, markeri imagistici ai funcției de somn/creier și biomarkeri și markeri multi-genomici și altele.

În timp ce articolele din numărul virtual arată mai multe aplicații promițătoare ale datelor mari, în special în legătură cu scorarea automată a somnului, niciun studiu nu a abordat întreaga gamă de aplicații potențiale Sleep-Omics (de exemplu, cu integrarea genomică/imagistica) și au existat doar exemple limitate de date derivate din surse clinice sau aplicate sănătății populației. Eșantioanele analizate adesea au fost cu o magnitudine mai mică decât cea optimă pentru algoritmii ML (creind îngrijorări cu privire la supraajustare). Unele studii nu au raportat validarea încrucișată în eșantioane independente, așa cum este necesar pentru a evalua generalizarea și transportabilitatea. O altă problemă critică este că „datele mari” în medicina somnului nu necesită doar acces la seturi mari de date, ci și instrumente analitice robuste și reproductibile care pot fi implementate la scară și sunt deschise, transparente și accesibile comunității. În viitor, publicațiile despre metodele nou propuse ar fi, în mod ideal, adesea asociate cu implementări software utilizabile, care vor avea, de asemenea, efectul secundar virtuos de a îmbunătăți rigoarea și reproductibilitatea muncii metodologice.

Cum mergem mai departe pentru a genera depozitele de date necesare pentru un cadru Sleep-Omics? Societățile noastre profesionale ar trebui să solicite colectarea de rutină a datelor cheie standardizate despre somn în setările clinice (datele vor varia în funcție de îngrijirea primară față de clinica/laboratorul de somn, dar pot include formulare scurte de aport de date despre somn și scale standardizate, precum și studiile reale despre somn) și solicită ca aceste date să fie integrate în fișa medicală electronică în formate care pot fi citite de mașină. Este inacceptabil ca multe centre de îngrijire a sănătății să îngroape în mod obișnuit studiile de somn colectate în dosarele clinice, folosind formate greu de găsit și de căutat. În mod similar, este nevoie ca datele de aderență a PAP și testele de somn la domiciliu, care sunt gestionate de platformele cloud deținute de industrie, să fie puse la dispoziție mai general ca date de cercetare, găsind soluții pentru problemele logistice și de confidențialitate. Pe măsură ce pacienții folosesc din ce în ce mai mult dispozitive portabile, acele date ar trebui, de asemenea, să fie mai ușor integrate și accesibile în dosarele clinice, profitând de instrumentele și abordările recente dezvoltate de All of US și de alte programe.

De asemenea, comunitatea de somn trebuie să sprijine mai mult colaborativ și mai agresiv implementarea strategică a inițiativelor internaționale de schimb de date despre somn pentru a crea seturi de date mari și diverse, bine etichetate și documentate, accesibile comunității de cercetare. Codirecționăm Resursa națională de cercetare a somnului (NSRR sleepdata.org), susținută de NHLBI, care afișează mulți termeni de date despre somn cu proveniența și metadatele corespunzătoare, alături de instrumente de vizualizare și software de analiză a somnului open-source pentru a completa depozitul său în creștere de polisomnografie și dosare de actigrafie.În prezent, NSRR partajează peste 2 TB de date despre somn pe săptămână cu o comunitate diversă de utilizatori (studenți, investigatori și industrie), folosind un mecanism de aprobare/acces la date controlat, dar ușor de utilizat. De fapt, 4 din cele 10 articole din acest număr au folosit date NSRR. Datele NSRR ar putea fi valorificate mai puternic pentru Sleep-Omics prin extinderea în continuare a legăturilor cu alte date covariabile, rezultate longitudinale și date genomice. Pentru a atinge ultimele obiective, NSRR intenționează să migreze și să interopereze cu platforma emergentă bazată pe cloud a NHLBI, BioData Catalyst, care, sperăm, va oferi un ecosistem de date puternic care combină diverse date de cercetare din mai multe cohorte. Pe măsură ce aceste seturi de date sunt asamblate, va fi esențial ca toate eforturile să fie depuse pentru a asigura diversitatea datelor (instruirea pe seturi limitate de date poate propaga disparitățile de sănătate), precum și ca etichetele utilizate pentru „antrenarea” datelor să fie corecte și că datele sunt actualizate în mod regulat pentru a aborda schimbările temporale în managementul bolii și îngrijirea clinică și alte influențe longitudinale.

Dacă reușește, integrarea extinsă și mai sistematică a datelor despre somn în înregistrările clinice - combinată cu cercetarea privind integrarea „de nouă generație” a datelor concentrate pe somn cu date clinice imagistice, moleculare și longitudinale - va oferi comunității instrumentele și datele necesare pentru descoperă potențial misterele somnului și stabilește baza de cunoștințe pentru îmbunătățirea îngrijirii pacienților și a sănătății populației.


4. DISCUTIE

Apneea obstructivă în somn este foarte răspândită și subdiagnosticată (Arnardottir, Bjornsdottir, Olafsdottir, Benediktsdottir, & Gislason, 2016 Flemons, Douglas, Kuna, Rodenstein, & Wheatley, 2004 Heinzer et al., 2015), iar datele noastre indică faptul că dispozitivul SleepMinder™ oferă o metodă viabilă de screening pentru tulburare. Dispozitivul este cel mai precis în cazurile severe, iar avantajele includ lipsa contactului fizic cu pacientul adormit. În timp ce PSG are avantaje, inclusiv capacitatea de a măsura în mod direct durata somnului, echipamentul și împrejurimile necunoscute pot afecta negativ calitatea somnului.

Datele prezente indică faptul că AHI derivat din SleepMinder se compară mai strâns cu valorile PSG simultane decât AHI derivat din studiile la domiciliu. Acest lucru reflectă probabil variabile din mediul acasă care pot include un partener de pat, factori de stil de viață, cum ar fi consumul de alcool, care pot afecta negativ calitatea somnului (Scanlan, Roebuck, Little, Redman și Naughton, 2000) și impactul necuantificabil al altor factori. cum ar fi poziția de dormit în casă în comparație cu laboratorul de somn. În mod liniștitor, corelația puternică dintre valorile SleepMinder™ AHI în timpul măsurării simultane cu studiul pentru pacienți internați este în concordanță cu datele publicate anterior de la grupul nostru (Zaffaroni et al., 2013) și susține opinia că corelația mai slabă în mediul acasă este mai mult o consecință a altor factori decât precizia dispozitivului în sine. Într-adevăr, s-ar putea argumenta că înregistrările la domiciliu pe parcursul a 7 nopți oferă o imagine mai precisă a adevăratei naturi a SDB a pacientului. Cohorta de hipertensivi din protocolul 2, formată din subiecți fără suspiciune clinică anterioară de AOS, a avut mai multe cazuri ușoare și mai puține severe de AOS decât cohorta clinicii de somn din protocolul 1, care fusese îndrumată la o clinică de somn cu simptome sugestive de AOS. Descoperirile noastre actuale și anterioare cu privire la acuratețea comparativă a SleepMinder™ în comparație cu PSG indică faptul că dispozitivul are performanțe mai bune la niveluri mai ridicate de AHI, ceea ce ar fi putut contribui la comparația inferioară a monitorizării la domiciliu cu testele de laborator de somn în cohorta de hipertensivi. Diferențele de gen în acuratețea SleepMinder indică faptul că dispozitivul poate fi cel mai potrivit ca instrument de screening la bărbați.

Un caz din cohorta clinicii de somn oferă o perspectivă interesantă asupra capacităților dispozitivului. Subiectul a avut un IAH derivat din PSG de 44 și un IAH median pentru SleepMinder la domiciliu de 4,5, rezultând o etichetare greșită a bolii ușoare atunci când testele standard de aur au sugerat OSA severă. Cu toate acestea, testarea simultană SleepMinder™ pentru pacientul internat a înregistrat un IAH de 36, indicând OSA severă. O posibilă explicație pentru discrepanța este că acest pacient a fost înregistrat ca dormind aproape exclusiv în decubit dorsal în timpul PSG, ceea ce ar putea fi exacerbat severitatea OSA în timpul studiului în spital, comparativ cu testarea la domiciliu.

Studiul de față a permis evaluarea variabilității AHI măsurată de SleepMinder™ pe parcursul a 7 nopți, ceea ce poate oferi informații suplimentare despre tulburarea pacientului. Se știe puțin despre variabilitatea așteptată a AHI în acest interval de timp, deoarece aceasta ar fi foarte dificil de realizat într-un cadru clinic de laborator de somn. Variabilitatea AHI în timpul evaluării de 7 nopți în casă a fost mai mare în intervalul inferior AHI, ceea ce ar putea fi rezultatul tehnologiei SleepMinder™ care măsoară numai mișcările corpului. Acest lucru poate duce la dificultăți în clasificarea corectă a unor mișcări, cu un impact mai mare în consecință la valori mai mici AHI. Alternativ, subiecții cu OSA mai severă ar fi putut avea evenimente apneice mai pronunțate sau prelungite, care au fost mai ușor de clasificat de către SleepMinder™. Anterior, grupul nostru a demonstrat că SleepMinder™ a determinat OSA ușoară în controale cu risc scăzut, non-apneice (Zaffaroni et al., 2013). Deoarece pacienții trimiși cu OSA suspectată pot avea somn perturbat cu mișcările corpului asociate din alte motive, această tulburare a somnului poate fi interpretată greșit de SleepMinder™ ca SDB.

Această precizie mai scăzută în OSA uşoară este probabil un factor important în performanţa mai slabă a dispozitivului în cohorta de hipertensivi, care a avut mai multe cazuri de OSA uşoară. OSA severă (după cum se arată în Figura A2 Anexa I). Vor fi necesare studii suplimentare pentru a evalua rolul variabilității noapte-noapte în evaluarea generală a OSA, iar un alt raport recent a demonstrat, de asemenea, o variabilitate semnificativă de la noapte la noapte la o treime dintre pacienți, care a fost asociată semnificativ cu OSA în decubit dorsal. (Alshaer, Ryan, Fernie și Bradley, 2018).

O atracție practică importantă a dispozitivului SleepMinder™ este simplitatea instalării, astfel încât subiecții din acest studiu ar putea urma instrucțiuni simple scrise și este de remarcat faptul că toate studiile SleepMinder™ nesupravegheate acasă au produs rezultate viabile, cu excepția a unui pacient. O limitare a protocolului 2 este că subiecții din cohorta hipertensive SleepMinder™ au fost supuși unui studiu PG cardiorespirator supravegheat de pacient internat, mai degrabă decât PSG, care a fost o consecință a constrângerilor de capacitate în serviciu. PG are dezavantajul că nu evaluează ciclul de somn sau de veghe în timpul testării și, astfel, subestimează AHI într-o măsură variabilă care reflectă cantitatea de perioade de timp petrecute treaz în timpul studiului peste noapte (Escourrou et al., 2015). Acest factor contribuie probabil la o variație mai mare a PG decât valorile PSG AHI în comparație cu valorile SleepMinder™, mai ales pentru că analiza SleepMinder™ include o estimare a eficienței somnului în calculul AHI care se compară bine cu actigrafia (Pallin și colab. , 2014). În plus, în acest caz au fost utilizate diferite linii directoare de scor, care ar fi putut influența și analiza (Collop și colab., 2007).


1. Introducere

Înțelegerea noastră despre somn avansează rapid, dar fiecare etapă atinsă în studierea structurii și funcției acestui fenomen intrigant dezvăluie un nou strat de complexitate. Multe particularități legate de somn sunt, cel puțin parțial, moștenite (O’Hara și Mignot, 2000 Franken și Tafti, 2003). Prin urmare, se așteaptă ca disecția genetică folosind fenotipuri animale să ofere informații fundamentale asupra somnului și stării de veghe. Dintre mamifere, șoarecii au cele mai bune resurse genetice și genomice pentru a găsi genele care contribuie la fiecare trăsătură de somn și sunt din ce în ce mai folosiți pentru a caracteriza comportamentul pentru studii genetice și de droguri. De exemplu, analiza locusului de trăsătură cantitativă (QTL) (Hunter și Crawford 2008) este o tehnică care a fost utilizată pentru identificarea regiunilor genomului asociate cu trăsăturile poligenice care pot fi cuantificate pe o scară continuă, cum ar fi durata medie a crizelor de somn. Cu toate acestea, descoperirea genelor legate de somn implică screening-ul unor cohorte mari pentru a corela comportamentul observat cu profilul genetic, ceea ce necesită mult timp.

Metoda standard de aur pentru analiza somnului la mamifere este polisomnografia, un panou de măsurători fiziologice simultane care cuprinde cel puțin o electroencefalogramă (EEG) și electromiogramă (EMG) (Steriade 2000). Trei stări majore de vigilență sunt definite la șoareci pe baza aspectului EEG/EMG: 1. Trezire (Trezi), caracterizat prin EEG de bandă largă de amplitudine scăzută și EMG variabil de mare putere 2. Somn paradoxal sau cu mișcări oculare rapide (REM), caracterizat printr-un ritm EEG theta (6-9 Hz) și EMG suprimat (cu excepția contracțiilor musculare ocazionale) și 3. Somn non-REM (NREM), uneori denumit somn cu undă lentă, caracterizat prin oscilații EEG delta de frecvență joasă, amplitudine mare (0,5-4 Hz) și EMG tonic scăzut. Măsurarea EEG/EMG la rozătoare este un proces invaziv și consumatoare de resurse, o barieră critică în calea descoperirii genelor legate de somn. În timp ce singura modalitate acceptabilă de a discrimina cu precizie starea de vigilență este prin notarea manuală sau automată a semnalelor EEG/EMG, efortul necesar (operație, recuperare etc.) limitează utilizarea EEG/EMG în experimentele pe scară largă necesare pentru genetică. analiza comportamentului rozătoarelor. În plus, o legătură este adesea necesară pentru achiziția semnalului, ceea ce poate restricționa comportamentul natural și poate face dificilă screeningul simultan a mai multor animale. Sistemele telemetrice nelegate există, dar încă necesită implantarea invazivă a electrozilor, a acumulatorului, a preamplificatorului și a transmițătorului, care pot modifica din nou comportamentul și pot împiedica mișcarea, în special la animalele mici precum șoarecele.

Multe sisteme de fenotipizare comportamentală neinvazivă au fost concepute pentru animalele mici care utilizează urmărirea video (Publicover et al. 2009), rularea roților (Wisor și colab. 2009), ruperea fasciculului luminos (Nairizi et al. 2009) și accelerometria (Venkatraman și colab. 2009). . 2010 Brodkin și colab. 2014) pentru a distinge comportamentele de trezie grosolane și subtile, cum ar fi îngrijirea, hrănirea, locomoția, creșterea, învârtirea în cerc și chiar trezirea liniștită din somn. Deși aceste tehnologii au potențial de utilizare de mare debit, ele efectuează în principal actigrafie: niciuna dintre ele nu separă în mod fiabil somnul în componentele sale, și anume REM și NREM, și niciuna nu a fost utilizată eficient în studiile de mare debit. Un sistem complet neinvaziv care face discriminări între REM și NREM la șoareci, la fel de fiabil ca EEG/EMG ar facilita foarte mult screening-ul de mare debit pentru descoperirea genelor relevante pentru somn și tulburări legate de somn.

Diferențele fiziologice în REM reglementarea ne ajută să-l distingem de NREM. Tonusul mușchilor scheletici, deja scăzut în somn, este și mai mult inhibat în timpul REM conducând la o postură vizibil flască în comparație cu NREM. Fezabilitatea detectării acestei schimbări de aspect în timpul REM utilizarea analizei de imagini videografice a fost investigată recent (McShane et al. 2012) și pare promițătoare, dar nu a fost considerată fezabilă în alte studii video (Fisher și colab. 2012) și este mai greu de realizat cu un randament ridicat. Paralizia mușchilor scheletici nu este singura particularitate asociată cu REM totuși: mentalitatea și activitatea autonomă neregulată pot produce mișcări balistice ale ochilor (de unde și numele REM), frecvența cardiacă variabilă (Calasso și Parmeggiani 2008), respirația neregulată (Friedman și colab. 2004), contracțiile musculare fazice (Geisler și colab. 1987) și chiar activitatea mușchilor urechii medii (Benson și Zarcone 1979). Observația căreia respirația regulată este asociată cu NREM devine neregulat în REM (Friedman et al. 2004) sugerează că un senzor de contact care răspunde la mișcarea ventilatorie ar putea fi util pentru a le deosebi. De fapt, un senzor piezoelectric plasat pe podeaua cuștii șoarecelui este cunoscut pentru a detecta variațiile de presiune asociate cu efortul respirator atunci când animalul este relativ nemișcat (Flores et al. 2007). Semnalul “piezo” cvasiritmic rezultat diferențiază somnul de veghea liniștită sau activă cu o acuratețe comparabilă cu cea a unui observator uman (Donohue et al. 2008). Mang şi colab. (2014) au descoperit că statistica de decizie utilizată de același clasificator pentru a distinge somnul de veghe (Donohue et al. 2008) pare să se schimbe în valoare după REM-NREM tranzițiile de asemenea. Sato et al. (2010) au folosit un traductor piezoelectric pentru a monitoriza șoarecii și au documentat creșteri rapide ale ritmului respirator în timpul somnului cu postură atonă, probabil în REM. Ulterior, au folosit acest sistem piezoelectric pentru a se diferenția REM din NREM și Trezi, dar pe baza imobilității și a semnalelor de ritm cardiac percepute, într-un eșantion mic de șoareci de tip sălbatic (Sato et al. 2014).

Literatura citată mai sus sugerează cu tărie că piezo-ul ar putea detecta episoade de REM la șoareci, pe baza modificărilor semnalului asociate cu ritmul respirator neregulat, dar nu ne spune dacă aceste modificări respiratorii măsurate apar în REM singur. Scopul prezentei investigații este de a determina cât de bine corespund stărilor comportamentale care sunt separabile din punct de vedere al tonusului muscular și al ritmului respirator (cuantificate prin semnalul piezo) stărilor de vigilență distincte electrofiziologic: și anume Trezește-te, NREM, și REM. Pentru a răspunde la această întrebare, primele caracteristici ale semnalului piezo care indică regularitatea respirației și tonusul muscular sunt extrase din înregistrările de 24 de ore la fiecare dintre cei 20 de șoareci în epoci secvențiale. Fiecare serie temporală de caracteristici ale semnalului piezo este segmentată automat folosind un clasificator nesupravegheat model Markov (HMM) ascuns în stări care formează grupuri naturale în spațiul caracteristic în ceea ce privește regularitatea respirației și tonusul muscular. Stările identificate de HMM sunt comparate cu adevăratele stări de vigilență (Trezește-te, NREM, și REM) determinată prin notarea manuală a măsurătorilor EEG/EMG dobândite simultan. Concordanța dintre scorurile de stare piezo-derivate și scorurile manuale este evaluată și analizată pentru potențiale surse de eroare. În cele din urmă, se trag concluzii cu privire la fezabilitatea utilizării senzorului piezo pentru a stadializa în mod neinvaziv somnul la șoareci, ceea ce se așteaptă să reducă nevoia de analiză EEG/EMG în screening-ul pe eșantioane mari a fenotipurilor de somn.


Tipul IV

Aceste dispozitive sunt numite dispozitive cu bioparametru continuu cu un singur sau dublu. Dispozitivele de monitorizare înregistrează una sau două variabile și pot fi utilizate fără un tehnician. De obicei, canalele includ:

Noul sistem de clasificare a testelor la domiciliu

(Așa cum se vede în Sleep Review – The Journal for Sleep Specialists)

Un nou sistem de clasificare care detaliază tipul de semnale măsurate de dispozitivele de testare a somnului la domiciliu pentru diagnosticarea apneei obstructive în somn (OSA) apare în cel mai recent număr al Journal of Clinical Sleep Medicine.

Sistemul propus clasifică dispozitivele de testare a somnului acasă, numite dispozitive de testare în afara centrului (OOC). în lucrare, pe baza măsurătorilor de Sdormi, Ccardiovasculare, Oximetria, Ppoziție, Eefort, și Rrespirator (SCOPER) parametrii. Sunt prezentate și criteriile de evaluare a dispozitivelor, pe baza probabilităților pre-test și post-test.

Primul sistem de clasificare utilizat pe scară largă pentru descrierea dispozitivelor de testare a somnului a fost publicat de Academia Americană de Medicină a Somnului (AASM) în 1994. “Au fost o multitudine de dispozitive de testare dezvoltate de atunci, care nu se încadrează bine în schema de clasificare originală. ,” a spus Nancy Collop, MD, președinte al AASM și autor principal al articolului de revizuire. “Metoda de clasificare acceptată anterior a devenit nepotrivită. Un nou sistem de clasificare, SCOPER, este propus în această lucrare.

Anul trecut, consiliul de administrație AASM a comandat un grup de lucru pentru a determina o metodă mai specifică și mai incluzivă de clasificare și evaluare a dispozitivelor de testare a somnului, altele decât polisomnografia (PSG), utilizate ca ajutoare în diagnosticarea apneei obstructive în somn (OSA) în setarea OOC. Sfera de aplicare a activității comisiei a fost limitată la clasificarea și evaluarea caracteristicilor de performanță, și nu utilizarea tehnologiei în ghiduri de practică, standarde de acreditare sau principii de management.

Collop a spus că lucrarea este menită să fie primul pas într-un proces cuprinzător de evaluare și, ulterior, de a face recomandări cu privire la modul de utilizare a dispozitivelor de testare a somnului la domiciliu într-o populație ambulatorie. Următoarea lucrare este de așteptat să abordeze problemele importante de determinare a probabilității pretestare, interpretarea rezultatelor studiului și dezvoltarea algoritmilor de testare și deciziilor de tratament.

Ghid SCOPER

Scoruri SleepView SCOPER
Sleep – 3*
Ccardiovasculare – 4
Oximetria – 1
Ppozitia – 2
Eefort – 2
REspirația – 1
*(cu portal web)

Scoruri SleepScout SCOPER
Sleep – 2
Ccardiovasculare – 3
Oximetria – 1
Ppozitia – 2
Eefort – 1
REspirația – 1

Ghid clinice pentru utilizarea monitoarelor portabile nesupravegheate în diagnosticarea apneei obstructive de somn la pacienții adulți

(Următoarele extrase au fost preluate direct din Journal of Clinical Sleep Medicine, Vol. 3, No. 7, 2007)


Thomas RJ. Dioxidul de carbon în medicina somnului: următoarea frontieră pentru măsurare, manipulare și cercetare. J Clin Sleep Med 201410(5):523-526.

1 Nattie E Julius H. Comroe, Jr., prelegere distinsă: chemorecepția centrală: atunci... și acum . J Appl Physiol 2011 110:1-8(1985), 21071595.

2 Blain GM, Smith CA, Henderson KS, Dempsey JA Contribuția chemoreceptorilor corpului carotidian la ventilația eupneică la câinele intact, neanesteziat. J Appl Physiol 2009 106:1564-73, 19246650.

3 Smith CA, Chenuel BJ, Henderson KS, Dempsey JA Pragul apneic în timpul somnului non-REM la câini: sensibilitatea corpului carotidian față de chemoreceptorii centrali. J Appl Physiol 2007 103:578-86, 17495123.

4 Margel D, White DP, Pilon G Expunerea intermitentă de lungă durată la CO2 ambiental ridicat provoacă tulburări respiratorii în timpul somnului la submarine . Cufăr 2003 124:1716-23, 14605040.

5 Harrison JR, Smith DJ Pericole de CO2 ambiental ridicat în spațiu închis. J R Nav Med Serv 1981 67:138-46, 6801259.

6 Davies DM, Morris JE Efectele dioxidului de carbon și ale vitaminei D asupra metabolismului calciului la submarinele nucleare: o revizuire. Submarin Biomed Res 1979 6 Suppl: S71-80, 41353.

7 Pingree BJ Modificări acido-bazice și respiratorii după expunerea prelungită la 1% dioxid de carbon . Clin Sci Mol Med 1977 52:67-74, 606465.

8 Davies DM Efectele hipercapniei extinse . Proc R Soc Med 1972 65:796-7, 4404405.

9 Schindler U, Betz E Influența hipercapniei severe asupra metabolismului cortical cerebral, concentrațiilor de electroliți LCR și EEG la pisică . Bull Eur Fiziopatol Respir 1976 12:277-84, 138459.

10 Halpern P, Neufeld MY, Sade K et al. Viteza fluxului arterei cerebrale medii scade și modificările electroencefalogramei (EEG) apar pe măsură ce hipercapnia acută se inversează. Intens Care Med 2003 29:1650-5.

11 Hall EL, Driver ID, Croal PL et al. Efectul hipercapniei asupra semnalelor MEG induse de repaus și stimul. NeuroImage 2011 58:1034-43, 21762783.

12 Wang D, Piper AJ, Wong KK și colab. Somnul cu undă lentă la pacienții cu insuficiență respiratorie. Sleep Med 2011 12:378-83, 21377420.

13 Zappe AC, Uludag K, Oeltermann A, Ugurbil K, Logothetis NK Influența hipercapniei moderate asupra activității neuronale la primatele neumane anesteziate. Cortexul cerebral 2008 18:2666-73, 18326521.

14 Xu F, Uh J, Brier MR și colab. Influența dioxidului de carbon asupra activității creierului și metabolismului la oamenii conștienți. J Cereb Blood Flow Metab 2011 31:58-67, 20842164.

15 Vohwinkel CU, Lecuona E, Sun H et al. Nivelurile crescute de CO(2) cauzează disfuncții mitocondriale și afectează proliferarea celulară. J Biol Chem 2011 286:37067-76, 21903582.

16 Douglas RM, Ryu J, Kanaan A et al. Moartea neuronală în timpul hipoxiei/hipercapniei intermitente combinate se datorează disfuncției mitocondriale. Am J Physiol Cell Physiol 2010 298:C1594-602, 20357179.

17 Borel JC, Roux-Lombard P, Tamisier R et al. Disfuncția endotelială și inflamația specifică în sindromul hipoventilației obezității. Plus unu 2009 4:e6733, 19701463.

18 Wang D, Piper AJ, Yee BJ și colab. Hipercapnia este o corelație cheie a activării EEG și a somnolenței diurne la pacienții cu tulburări de respirație în somn hipercapnic. J Clin Sleep Med 2014 10:517-22.

19 Gilmartin G, McGeehan B, Vigneault K și colab. Tratamentul instabilității respiratorii asociate tratamentului cu presiune pozitivă a căilor respiratorii cu spațiu de respirație expirator îmbunătățit (EERS). J Clin Sleep Med 2010 6:529-38, 21206741.

20 Xie A, Teodorescu M, Pegelow DF et al. Efectele stabilizării sau creșterii puterii motorii respiratorii asupra apneei obstructive de somn. J Appl Physiol 2013 115:22-33, 23599393.

21 Thomas RJ, Daly RW, Weiss JW Dioxidul de carbon cu concentrație scăzută este un adjuvant eficient al presiunii pozitive a căilor respiratorii în tratamentul respirației refractare mixte centrale și obstructive cu tulburări de somn. Dormi 2005 28:69-77, 15700722.


Priveste filmarea: POLISSONOGRAFIA DOMICILIAR (August 2022).