Il nuovo modello di apprendimento può identificare con precisione le fasi del sonno

Un nuovo modello di apprendimento profondo sviluppato dai ricercatori dell’Università della Finlandia orientale può identificare le fasi del sonno con la stessa precisione di un medico esperto. Questo apre nuove strade per la diagnostica e il trattamento dei disturbi del sonno, inclusa l’apnea ostruttiva del sonno. L’apnea ostruttiva notturna (OSA) è un disturbo respiratorio notturno che causa un grave onere per i sistemi di sanità pubblica e le economie nazionali. Si stima che fino a un miliardo di persone in tutto il mondo soffrano di apnea ostruttiva del sonno e si prevede che il numero aumenterà a causa dell’invecchiamento della popolazione e della maggiore prevalenza dell’obesità. Se non trattato, l’OSA aumenta il rischio di malattie cardiovascolari e diabete, tra le altre gravi conseguenze per la salute. L’identificazione delle fasi del sonno è essenziale nella diagnostica dei disturbi del sonno, inclusa l’apnea ostruttiva del sonno. Tradizionalmente, il sonno viene classificato manualmente in cinque fasi, che sono veglia, sonno a movimento rapido degli occhi (REM) e tre fasi di sonno non REM. Tuttavia, il punteggio manuale delle fasi del sonno richiede tempo, lavoro soggettivo e costoso. Per superare queste sfide, i ricercatori dell’Università della Finlandia orientale hanno utilizzato i dati di registrazione polisonnografica di individui sani e individui con sospetto OSA per sviluppare un modello di apprendimento profondo accurato per la classificazione automatica delle fasi del sonno. Inoltre, hanno voluto scoprire in che modo la gravità dell’OSA influisce sull’accuratezza della classificazione. In soggetti sani, il modello è stato in grado di identificare le fasi del sonno con un’accuratezza dell’83,7% quando si utilizza un singolo canale di elettroencefalografia frontale (EEG) e con un’accuratezza dell’83,9% se integrato con l’elettroculogramma (EOG). Nei pazienti con sospetto OSA, il modello ha raggiunto una precisione dell’82,9% (singolo canale EEG) e dell’83,8% (canali EEG ed EOG). Le accuratezze a canale singolo variavano dall’84,5% per gli individui senza OSA al 76,5% per i pazienti con OSA grave. Le accuratezze raggiunte dal modello sono equivalenti alla corrispondenza tra medici esperti che eseguono il punteggio manuale del sonno. Tuttavia, il modello ha il vantaggio di essere sistematico e di seguire sempre lo stesso protocollo e di produrre il punteggio in pochi secondi. Secondo i ricercatori, l’apprendimento profondo consente la stadiazione automatica del sonno per i pazienti con sospetto di OSA con un’alta precisione. Lo studio è stato pubblicato sull’IEEE Journal of Biomedical and Health Informatics. Il gruppo di tecnologia e analisi del sonno, STAG, presso l’Università della Finlandia orientale, risolve le sfide della diagnostica del sonno utilizzando una varietà di approcci diversi. I metodi sviluppati dal gruppo si basano su sensori indossabili, non intrusivi, migliori parametri diagnostici e moderne soluzioni computazionali basate sull’intelligenza artificiale. I nuovi metodi sviluppati dal gruppo dovrebbero migliorare significativamente la valutazione della gravità dell’OSA, promuovere una pianificazione del trattamento personalizzata e una previsione più affidabile dei sintomi e delle comorbidità diurne correlate all’OSA.

Daniele Corbo

Bibliografia: “Accurate Deep Learning-Based Sleep Staging in a Clinical Population with Suspected Obstructive Sleep Apnea”. Henri Korkalainen et al. IEEE Journal of Biomedical and Health Informatics

Immagine: When you sleep (Jana Ficová)

Rispondi

Inserisci i tuoi dati qui sotto o clicca su un'icona per effettuare l'accesso:

Logo di WordPress.com

Stai commentando usando il tuo account WordPress.com. Chiudi sessione /  Modifica )

Google photo

Stai commentando usando il tuo account Google. Chiudi sessione /  Modifica )

Foto Twitter

Stai commentando usando il tuo account Twitter. Chiudi sessione /  Modifica )

Foto di Facebook

Stai commentando usando il tuo account Facebook. Chiudi sessione /  Modifica )

Connessione a %s...

Questo sito utilizza Akismet per ridurre lo spam. Scopri come vengono elaborati i dati derivati dai commenti.