Informacija

Senzor disanja koji nije glomazan za proučavanje sna?

Senzor disanja koji nije glomazan za proučavanje sna?



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.

Radim na projektu u kojem prikupljam EKG signal od više volontera, izvodim EKG izvedeno disanje (EDR) iz EKG signala s vremenskim oznakama i izračunavam međusobnu korelaciju između EDR i signala disanja prikupljenih s NeuLog uređaja koji se tretira kao referentni signal disanja. Problem je u tome što je NeuLog monitor, iako se široko koristi za praćenje disanja, vrlo glomazan i neudoban za nošenje dobrovoljaca te ograničava disanje. Postoji li neki alternativni uređaj za praćenje disanja koji se ne mora vezati oko prsa i koji je manje glomazan za nošenje?

Sljedeći su drugi zahtjevi.

  1. Signal disanja treba imati vremenski žig (za sinkronizaciju s EKG signalom).
  2. Minimalna brzina uzorkovanja od najmanje 5 sps.
  3. Trebao bi prikupljati podatke izvan mreže najmanje 10 sati s jednim punjenjem baterije.

Pronašao sam ovaj uređaj koji se čini ugodnijim od NeuLog-a, ali nije jasno mjeri li samo stopu disanja ili također može bilježiti signale disanja zajedno s vremenskim oznakama.

Ako netko zna neke alternativne proizvode koji ispunjavaju gore navedene zahtjeve, molimo da podijelite detalje.


Nova metoda otkrivanja brzine disanja u snu za opstruktivnu apneju u snu na temelju karakterističnog valnog oblika trenutka

Opstruktivna apneja za vrijeme spavanja (OSA) koja utječe na zdravlje ljudi vrsta je velikih poremećaja spavanja povezanih s disanjem i ponekad dovodi do noćne smrti. Brzina disanja (RR) zvučnog signala disanja u snu važan je ljudski vitalni znak za praćenje OSA tijekom cjelonoćnog spavanja. U ovom je radu predložena nova detekcija brzine disanja u snu s velikom brzinom računanja na temelju metode karakterističnog momenta valnog oblika (CMW). Za dobivanje zvučnog signala disanja koristi se prijenosni i nosivi zvučni uređaj. I prvo je učinjeno smanjenje kontrasta amplitude. Zatim se CMW ekstrahira s odgovarajućim parametrima vremenske skale, a vrijednost RR spavanja izračunava se po ekstremnim točkama CMW. Eksperimenti jednog slučaja OSA i pet zdravih slučajeva testirani su kako bi se potvrdila učinkovitost predložene metode otkrivanja RR spavanja. Prema ručnom brojanju, RR spavanja može se točno detektirati predloženom metodom. Osim toga, sekcije apneje mogu se detektirati prema vrijednostima RR spavanja s zadanim pragom, a vremensko trajanje segmentacije daha može se izračunati za detaljnu procjenu stanja OSA. Predložena metoda je značajna za nastavak istraživanja zvučnog signala disanja u snu.

1. Uvod

Ljudi provode gotovo 30% vremena spavajući, a kvaliteta sna je vrlo važna za ljudsko zdravlje. Poremećaji spavanja povezani s disanjem karakterizirani su abnormalnostima respiratornog obrasca ili količine ventilacije tijekom spavanja [1]. Smatra se kroničnom bolešću koja zahtijeva dugotrajno liječenje i liječenje. Opstruktivna apneja za vrijeme spavanja (OSA) je vrsta glavnih poremećaja spavanja povezanih s disanjem, a opisuje se potpunom ili djelomičnom okluzijom gornjih dišnih putova tijekom spavanja što može uzrokovati ponovljene desaturacije oksihemoglobina i fragmentaciju sna [2]. OSA koja se smatra glavnim čimbenikom rizika za kardiovaskularne bolesti utječe na zdravlje ljudi i ponekad dovodi do noćne smrti [3, 4].

OSA se obično definira kao pauza disanja u intervalu od najmanje 10 s. Indeks apneje-hipopneje (AHI) opisuje se brojem događaja apneje i hipopneje po satu za procjenu težine OSA. AHI od 5-15 označava blagi OSA 15-30, umjereni i preko 30, teški [5].

Brzina disanja u snu (RR) važan je pokazatelj ozbiljne bolesti [6], posebno za praćenje OSA. RR zdravih odraslih osoba u opuštenom stanju je oko 12-20 puta u minuti. Međutim, RR će biti abnormalan za slučaj OSA dok disanje u snu postaje usporeno ili zaustavljeno apnejom [7]. Stoga je RR spavanja rani i vitalni pokazatelj za pacijente s OSA.

Polisomnografija (PSG) se često koristi za otkrivanje OSA u klinici koja stječe niz indeksa praćenja uključujući RR. Ali PSG s mnogo senzora nije samo skup, već je i kompliciran za obične pacijente [8]. Štoviše, testerima je neugodno tijekom spavanja, tako da će na rezultate PSG-a utjecati niska količina sna testera. S razvojem pametnog nosivog uređaja, nekoliko istraživača ima interes za detekciju RR pomoću akustičnih signala.

Akustični signali uglavnom dolaze iz dva aspekta, zvučni signali disanja iz nosa i usta [9] te signali iz dušnika iz grla [10] i suprasternalnog usjeka [6, 11]. Za detekciju RR putem trahealnog signala, Hilbertova transformacija je primijenjena za izdvajanje zvučne ovojnice, a val je primijenjen za razgradnju frekvencijskog sadržaja sa stopom uspješnosti od 96% za zdrave dobrovoljce i 85% za pacijente koji boluju od kroničnih plućnih bolesti [10]. Metoda segmentacije respiratorne faze koja se temelji na genetskom algoritmu primijenjena je za praćenje RR koji je poboljšan iskorištavanjem redundancije signala [11]. Kratkovremena Fourierova transformacija, Shannon entropija i autokorelacija izračunati su za detekciju RR vrijednosti [6]. Utvrđeno je da se prijašnje metode detekcije RR uglavnom temelje na signalu dušnika, a stjecanje signala dušnika nije prikladno kao zvučni signal disanja u snu. A odabir granične vrijednosti koja igra važnu ulogu u ekstrakciji ovojnice mijenjat će se popraćeno brzinom disanja za različite osobe. Dakle, prilagodba vrijednosti praga, odnosno parametara vremenske skale, utjecat će na točnost detekcije RR spavanja i to treba riješiti za daljnja istraživanja. Praćenje OSA-e treba biti dovršeno cijelu noć, a rezultate detekcije RR spavanja potrebno je ispravno i pravovremeno prenijeti u sustav analize. U prethodnom istraživanju predložena je procjena RR putem pronalaženja najvećih spektralnih vrhova autoregresivne spektralne analize snage [9]. A uspješne stope za detekciju RR pacijenata zvukom disanja iz usta i nosa bile su 85% odnosno 84% [10]. Nisu učinkoviti za slučaj OSA s apnejom i nisu zadovoljni praktičnim zahtjevima. U ovom radu je predložena metoda detekcije RR putem zvučnog signala disanja u snu na temelju karakterističnog valnog oblika momenta.

Ovaj rad je podijeljen u 6 dijelova. Odjeljak 2 uvodi stjecanje zvučnih signala disanja u snu. Odjeljak 3 opisuje detalje metode ekstrakcije karakterističnog momenta valnog oblika. Poglavlje 4 daje uvod u metodu otkrivanja RR spavanja. Rezultati i analiza objavljeni su u odjeljku 5, a zaključci će se donijeti u odjeljku 6.

2. Prikupljanje i prethodna obrada zvučnog signala disanja u snu

2.1. Sustav za akviziciju zvučnog signala disanja u snu

Zvučni signal disanja u snu prikuplja prijenosni i nosivi uređaj za prikupljanje podataka za visoku kvalitetu sna, uključujući pametni telefon s android sustavom i bežični mikrofon. Svrha našeg istraživanja je razviti jeftin i jednostavan za korištenje sustav za praćenje spavanja za kućnu upotrebu, tako da će komercijalne bežične slušalice (kao što je PTM 165) biti jedan bolji izbor za naše istraživanje. U usporedbi s pretpostavljenim pozicijama za snimanje, mikrofon je fiksiran u blizini nosa nekom vrstom trake za šminkanje kako bi se dobio stabilan signal daha tijekom cjelonoćnog spavanja. Okruženje prikupljanja podataka prikazano je na slici 1. Izvorna frekvencija uzorka je 44,1 kHz.


Materijali i metode

Mjerenje biopokreta pomoću radiofrekventnog senzora

Princip mjerenja položaja i brzine objekata pomoću reflektiranih radio valova temelj je radarskih sustava, a ima široku primjenu u područjima poput zrakoplovstva i obrane. Već 1970-ih razvio se interes za prilagodbu ove mjerne tehnologije za upotrebu u medicinskim ili fiziološkim primjenama, s posebnim interesom za mjerenje respiratornih pokreta. Na primjer, radiofrekventni senzor korišten je za mjerenje apneje 1971. (Caro i Bloice, 1971.), a sustav za praćenje dojenčadi zasnovan na istim principima opisao je Franks et al. (1976.) . Ti rani razvoji nisu usvojeni u kliničkoj praksi, budući da su izvorni sustavi bili glomazni, relativno jaki i skupi. S napretkom u minijaturizaciji, poboljšanjima performansi u poluvodičkim uređajima i poboljšanjima u cijeni i brzini računanja, mnogi su istraživači ponovno pregledali takve sustave tijekom godina (npr. Lin, 1992.).

U ovoj studiji koristimo radiofrekventni senzor temeljen na arhitekturi koju su prvi predložili McEwan i suradnici (Azevedo i McEwan, 1996.). Sustav senzora naziva se SleepMinder™ (BiancaMed, Dublin, Irska) i razvijen je posebno za mjerenje kretanja ljudi koji spavaju. Ovaj senzor radi odašiljanjem dva kratka impulsa radiofrekventne energije na 5,8 GHz (svaki impuls je dug približno 5 ns). Prvi impuls djeluje kao glavni impuls odašiljanja, a drugi impuls je impuls miksera. Prvi impuls se odbija od obližnjih objekata stvarajući eho puls koji se prima natrag u senzor. Množenjem ('miješanjem') eho impulsa s mikserskim impulsom unutar prijemnika, generira se signal proporcionalan bilo kojem faznom pomaku eho impulsa. Pokretni objekti (kao što je osoba koja diše) generiraju varijabilni fazni pomak koji elektronika u krugu može detektirati.

Osim toga, koristimo tehniku ​​za prevladavanje dobro poznatog ograničenja u radiofrekvencijskom senzoru zvanog učinak korelacije raspona (Droitcour et al., 2003.), što se odnosi na činjenicu da ako se pokretni objekt podvrgava malim kretanjima u središtu oko mjesta s fiksnim faznim odnosom prema senzoru, tada će se pomaci slabo detektirati. Tehnika, koja se naziva detekcija kvadrature, zapravo znači da postoje dva načina prijenosa, što dovodi do dvije procjene kretanja, nazvanih I i Q kanali.

Signali kretanja primljeni u ovaj uređaj sadrže mješavinu svih pokreta unutar polja senzora. Na primjer, ako osoba pomiče i ruke i glavu, primljeni signal će odražavati komponente sva tri pokreta. Srećom, tijekom spavanja većina pokreta je povezana s respiratornim naporom, što je ključ njegove korisnosti u praćenju sna.

Senzor je također dizajniran da bude usmjeren (mjeri samo kretanje ispred senzora) i ograničen dometom (reagira samo na objekte koji su unutar 2,5 m od senzora). Sustav radi pri maloj snazi ​​(ukupna prosječna emitirana snaga je 0,25 mW), u skladu sa sigurnosnim i regulatornim smjernicama za radiofrekventne uređaje. Kako bismo to smjestili u kontekst, mobilni telefon može emitirati u rasponu od 750–1000 mW tijekom aktivnog vremena razgovora.

Sustav senzora daje dva analogna napona signala, koji predstavljaju I i Q signale senzora. Ti se signali mogu izravno unijeti u PSG sustav, omogućujući savršenu sinkronizaciju s drugim signalima u PSG montaži.

Slika 1 prikazuje beskontaktni biomotion data logger kako bi se mogao koristiti u kliničkoj praksi. Korisnik ga postavlja ne više od 1 m od kreveta, između 0,25 i 0,5 m iznad visine madraca, i okrenut prema trupu subjekta.

Beskontaktna jedinica za snimanje podataka o biomotionu za snimanje aktivnosti i uzoraka disanja, koja pokazuje približne dimenzije i položaj u odnosu na krevet.

Radi potpunosti, napominjemo da brojni drugi istraživači razmatraju korištenje radiofrekventnih senzora biopokreta. Droitcour et al. (2009) opisali su rezultate svog sustava za mjerenje brzine disanja u hospitaliziranih pacijenata, dok su Lin i kolege opisali sličan sustav na 5,8 GHz za potencijalno mjerenje disanja i otkucaja srca (Li et al., 2006 ).

Subjekti i protokol prikupljanja podataka

Podaci su prikupljani u dvije faze – skup za obuku prvo je skupljen u laboratorijskom okruženju na uzorku normalnih zdravih dobrovoljaca. To je korišteno za razvoj algoritma za ocjenjivanje spavanja, koji bi se potom mogao prospektivno testirati na skupu neovisnih testnih podataka prikupljenih u bolničkom okruženju. Razlog za ovaj dvostupanjski pristup bio je održavanje potpune odvojenosti podataka koji se koriste za razvoj algoritama i evaluaciju sustava, te stoga osigurati nepristrane mjere performansi sustava.

Početni skup podataka o obuci prikupljen je od šest dobrovoljaca koji su sami ocijenili dobro zdravlje i normalne obrasce spavanja. Od ispitanika je zatraženo da se suzdrže od kofeina dan prije studije i da se jave u laboratorij otprilike 1 h prije uobičajenog odlaska na spavanje (kako bi se ostavilo vrijeme za postavljanje i aklimatizaciju). Ispitanici nisu imali poznatih poremećaja spavanja. Tablica 1 daje demografske podatke i podatke o profilu spavanja za skup podataka o treningu. Ove studije odobrio je Odbor za odobravanje ljudske etike University College Dublin i svi su sudionici dali informirani pristanak. Signal podataka o beskontaktnom biokretanju dobiven je istodobno s EEG-om, EOG-om, EKG-om i respiratornim naporom prsnog koša pomoću sustava za prikupljanje podataka Biopac MP100 (Biopac Systems, Goleta, Kalifornija, SAD) (pojedinosti dane u Tablici 2). Nakon prikupljanja, podaci su pretvoreni u EDF format za daljnju obradu. Naknadna analiza signala provedena je korištenjem MATLAB-a 6.5 (The Mathworks, Natick, MA, SAD). Objektivno bodovanje signala studije spavanja postignuto je korištenjem softvera Somnolyzer u potpuno automatiziranom načinu rada (The Siesta Group Schlafanalyse GmbH, Beč, Austrija) za ocjenjivanje snimljenih PSG signala ( Anderer et al., 2005 ).

Skupina Broj (M/Ž) dob (godine) BMI Učinkovitost spavanja (PSG) Ukupno vrijeme spavanja (h) Dijagnostički AHI
Skup podataka o treningu svi 6 (5/1) 29 ± 5 25 ± 3 89 ± 8% 7.4 ± 0.4 N/A
Skup testnih podataka svi 113 (94/19) 53 ± 13 30.6 ± 5.3 71 ± 17% 4.8 ± 1.2 21.9 ± 24.2
Nizak AHI (≤15) 50 (47/3) 50 ± 14 29.6 ± 5.0 73 ± 17% 4.9 ± 1.2 6.6 ± 3.8
Visok AHI (>15) 63 (47/16) 57 ± 12 31.9 ± 5.3 69 ± 18% 4.6 ± 1.2 41.3 ± 25.2
  • Podaci su izraženi kao srednje vrijednosti ± standardna devijacija.
  • BMI, indeks tjelesne mase PSG, polisomnogram AHI, indeks apneje-hipopneje.
Senzor – signali Stopa uzorkovanja skupa podataka o treningu (Hz) Brzina uzorkovanja skupa testnih podataka (Hz)
Beskontaktni biomotion
ja 100 64
P 100 64
EEG
C4/A1 125 128
C3/A2 125 128
EOG
Lijevo oko 125 64
Desno oko 125 64
EMG
Brada 250 64
EKG
Modificirano olovo II 100 128
Dišni
Prsni koš 10 8
Trbuh N/A 8
Iznos N/A 8
Teći N/A 8
Hrkanje N/A 8
SpO2 N/A 8

Neovisni skup podataka za provjeru valjanosti (skup za "testiranje") naknadno je prikupljen korištenjem gore opisanog radiofrekventnog senzora biopokreta, paralelno s potpunom PSG montažom tijekom studija spavanja tijekom noći provedenih u Sveučilišnoj bolnici St Vincent's u Dublinu. Studiju je odobrio bolnički IRB, a svi sudionici dali su informirani pristanak. Stotinu i trinaest ispitanika odabrano je uzastopno na temelju pogodnosti među onima koji su upućeni u bolnički laboratorij za spavanje zbog sumnje na apneju u snu (konkretno, tijekom razdoblja ispitivanja ispitanika čije su studije spavanja dodijeljene prostoriji u kojoj je oprema bila postavljena up su pozvani na sudjelovanje). Tablica 1 također prikazuje demografske podatke za ispitanike koji su sudjelovali u ovom istraživanju. Preko noći PSG je izveden po Jaeger-Toennies sustavu (Erich Jaeger GmbH, Hoechberg, Njemačka). EEG (C4/A1, C3/A2), bilateralni EOG, submentalni elektromiogram i EKG (modificirani odvod V2) snimljeni su površinskim elektrodama. Disanje je mjereno oronazalnim protokom (termistor), te pokretima torakalnog i abdominalnog dijela (nekalibrirana induktivna pletizmografija). Zasićenost kisikom mjerena je pomoću prstne pulsne oksimetrije. Hrkanje je snimljeno površinskim mikrofonom pričvršćenim iznad prsnog zareza, a također je praćen položaj tijela. Sve studije provedene su u laboratoriju za spavanje i cijelo vrijeme ih je nadgledao iskusni tehnolog za spavanje. Potpuno ocjenjivanje stanja disanja i spavanja izvršio je stručni respiratorni znanstvenik. Prihvaćeni signali i stope uzorkovanja također su prikazani u tablici 2. Iz tehničkih razloga, stope uzorkovanja razlikuju se za nekoliko signala između sustava za prikupljanje podataka Biopac i sustava Jaeger-Toennies PSG – jer su u svim slučajevima signali previše uzorkovani za analizu od interesa to nema utjecaja na bilo koje naknadno tumačenje.

U rezultatima ćemo razmotriti izvedbu našeg algoritma za dvije široke skupine: one sa i bez umjerene do teške apneje u snu. Grupu s niskim indeksom apneje-hipopneje (AHI) definiramo kao ispitanike s AHI manjim ili jednakim 15, a oni s AHIs >15 definirani su kao skupina s visokim AHI.

Razvoj algoritma za klasifikaciju spavanja/budnosti na temelju biomocija

Razvili smo algoritam za automatsko označavanje epohe od 30 s koju je zabilježio senzor biopokreta kao spavanje ili buđenje. Vjerujemo da je fiziološki uvjerljivo da postoji dovoljno informacija u signalu biopokreta kako bi se omogućila razumno točna klasifikacija spavanja/budnosti iz sljedećih razloga.

Veliki pokreti (npr. veličine nekoliko cm) mogu se lako prepoznati u beskontaktnom signalu.

Pokret tijela pruža značajne informacije o stanju spavanja subjekta i naširoko se koristi u aktigrafiji za određivanje stanja spavanja/budnosti.

Senzor također jasno bilježi respiratorne pokrete, što nam omogućuje da utvrdimo je li subjekt stvarno prisutan i pomaže u određivanju stanja spavanja/budnosti.

Da bi se to grafički dočaralo, slika 2 ilustrira nekoliko uzoraka signala senzora biomotiona, kao i signale torakalnog i abdominalnog respiratornog napora tijekom razdoblja od 30 s u kojem je pokret (slika 2a), opstruktivni događaj (slika 2b) a mogu se vidjeti promjenjivi obrasci disanja (slika 2c). Tjelesni pokreti pojavljuju se u signalima biokretnosti kao kratki naleti nepravilne aktivnosti. Senzor biopokreta može vrlo dobro uhvatiti brzinu i relativne amplitude respiratornih pokreta tijekom razdoblja niskog kretanja, uz prepoznavanje epizoda tjelesnih pokreta.

Primjeri signala koje je zabilježio beskontaktni senzor biopokreta tijekom razdoblja od 40 s, u usporedbi s mjerama respiratornog pokreta zabilježenim pomoću pletizmografa respiratorne induktivnosti abdomena (Abdo) i prsa (prsa). I i Q kanali SleepMindera označeni su kao NC-I odnosno NC-Q. (a) Ravnomjerno disanje isprekidano tjelesnim pokretom. Pokret se vidi kao artefakt u signalima induktivnog pletizmograma i SleepMinder. Imajte na umu da postoji kašnjenje u povratku na osnovnu vrijednost u signalu SleepMinder. Također imajte na umu da je veličina respiratornog pokreta manja u NC-Q kanalu zbog učinka korelacije raspona spomenutog u tekstu. (b) Primjer respiratornog napora tijekom događaja označenog kao opstruktivni događaj.Značajno smanjenje amplitude respiratornog napora može se vidjeti na oba senzora. (c) Primjer promjenjivih uzoraka disanja tijekom faze brzog pokreta očiju (REM), u kojem se varijabilnost amplitude i frekvencije može vidjeti u oba senzora.

Slika 3 prikazuje dijagram toka klasifikacijskog algoritma koji smo razvili, a koji koristi podatke o disanju i kretanju iz senzora za formiranje složene odluke o stanju spavanja/budnosti i prisutnosti ili odsutnosti subjekta. Dva kvadraturna signala ja(t) i P(t) obrađuju se odvojeno za veći dio procesa, a zatim se kombiniraju u različitim fazama klasifikacije („Klasifikator mirovanja/budnosti” i „Klasifikator klasifikatora”). Na visokoj razini obrada se odvija na sljedeći način. Prvi korak je faza 'detektora pokreta', u kojoj se donosi početna odluka o tome postoji li značajno kretanje ili ne. Detekcija kretanja provodi se propusnim filtriranjem signala kako bi se uklonio dio disanja i visokofrekventnog elektroničkog šuma, nakon čega slijedi procjena snage u rezultirajućem signalu. Za ovaj korak koristi se propusni filtar od 0,05 do 2 Hz. Ako je ta snaga iznad određenog praga, utvrđujemo da se osoba kreće i postavljamo zastavicu kretanja m(t) na jednako jedinstvo (zastavica pokreta je postavljena na nulu kada je jedini pokret od disanja ili je osoba odsutna).

Algoritam klasifikatora za određivanje parametara spavanja/budnosti iz beskontaktnog senzora biopokreta.

Osim oznake pokreta, također je korisno imati neku procjenu veličine i trajanja pokreta jer ona također sadrži važne informacije (tj. veća je vjerojatnost da će veliki kontinuirani pokret biti povezan s buđenjem nego kratki mali pokret). Aktigrafija koristi isti koncept "broja aktivnosti" u kojem se neobrađeni signal ubrzanja obrađuje u jedan broj kako bi se označila ukupna veličina kretanja tijekom definiranog vremenskog razdoblja.

Određujemo broj aktivnosti pomoću sljedećih koraka. The ja(t) i P(t) signali se propusno filtriraju kao što je gore spomenuto, a zatim uklanjamo razinu energije povezanu s prosječnom snagom disanja (to se radi srednjim filtriranjem ukupnog signala kako bi se pronašla osnovna razina energije, koja se zatim oduzima od signala). Zatim procjenjujemo energiju u signalu korištenjem maksimalnog filtra i dodajemo energiju u segmentima od 2 s u jedan broj kako bismo formirali procjenu broja aktivnosti na rezoluciji od 2 s.

Ova obrada je ilustrirana na slici 4, na kojoj prikazujemo sirove signale ja(t) i P(t) tijekom epohe od 130-ih tijekom spavanja. Ova epoha je odabrana jer ilustrira male pokrete i signale disanja vidljive tijekom laganog sna. Signal zastavice kretanja m(t) prikazan je na dnu slike 4a i vrijednosti koje nisu nula m(t) vizualno odgovaraju nepravilnim obrascima u sirovim signalima. Slika 4b prikazuje broj aktivnosti proizveden na temelju analize ja(t) signal u ovom slučaju. Imajte na umu da izračunavamo ukupni signal brojanja aktivnosti usrednjavanjem signala broja aktivnosti koje proizvodi ja i P kanali.

(a) Ilustracija mapiranja iz sirovih signala biopokreta ja(t) i P(t) na signal zastavice kretanja m(t) kao što se vidi na dnu ploče. (b) Ilustracija mapiranja aktivnosti računa se na vremensku rezoluciju od 2 s. Broj aktivnosti se mjeri u proizvoljnim jedinicama (a.u.).

Signali zastavice kretanja i brojanja aktivnosti sada se koriste za prepoznavanje razdoblja spavanja i buđenja koristeći značajke pokreta samo za svaku epohu od 30 s („Klasifikator spavanja/buđenja“).

Moguće je postići značajke bez pokreta jer u polju senzora nema prisutnih osoba, što bi se moglo dogoditi ako bi subjekt otišao u kupaonicu tijekom noći. Kako bismo to objasnili, imamo i jednostavan detektor prisutnosti/odsutnosti, koji provjerava prisutnost signala disanja. To se postiže provođenjem spektralne analize signala tijekom razdoblja nekretanja. Apsolutna snaga i dio snage sadržan u frekvencijama respiratornog pojasa (približno 0,1–0,35 Hz) se zatim koriste za određivanje nalazi li se osoba prisutna u polju senzora. To je na slici 3 označeno kao 'Detektor prisutnosti disanja'. Za svaku epohu, klasifikator daje vrijednosti 'Prisutno' (ako je snaga jasno prisutna u respiratornom pojasu) ili 'Nepoznato' (što će uglavnom odgovarati razdobljima kada je osoba odsutna, ali povremeno disanju vrlo niske amplitude).

Izlazi iz tri klasifikatora se obrađuju s 'Kombinatorom klasifikatora' i zatim se postavljaju na prag vjerojatnosti od 0,5 kako bi se dobio sirovi hipnogram. Sirovi hipnogram se izglađuje prema pravilima koje je predložio Lötjönen et al. (2003.), u kojem se kratka uzbuđenja preoznačuju kao spavanje, a kratki fragmenti sna ponovno se označavaju kao 'Buđenje'. Štoviše, ako je fragment spavanja od 5 minuta ili manje okružen razdobljima klasificiranim kao 'Nepoznato' od strane 'Detektora respiratorne prisutnosti', tada se epohe ponovno označavaju kao 'Nepoznato'. Konačno, sekvence od 15 minuta ili više "Nepoznato" ponovno se označavaju kao "Odsutne". Razlika između nepoznatog i odsutnog je u tome što je osoba u periodu kada se priprema za spavanje često prisutna i šeta po svojoj spavaćoj sobi, pa ih senzor pokreta može povremeno uhvatiti. Za potrebe rezultata prikazanih u ovom radu, 'Nepoznato' tretiramo kao 'Odsutan' i izvještavamo samo o klasifikaciji spavanja/budnosti.

Početna obuka klasifikacijskog algoritma

Prethodni odjeljak opisuje kako se skup značajki kretanja može odrediti za svaku epohu podataka. Pretpostavljamo da neka linearna kombinacija tih značajki sadrži informacije koje nam omogućuju da ispravno razlikujemo epohe spavanja i budnosti. Kako bismo razvili automatizirani algoritam, koristili smo 'nadzirano učenje' u kojem se podskup podataka koristi za treniranje algoritma klasifikatora - to se zove skup podataka za obuku. Rezultirajući algoritam se zatim može testirati na skrivenom skupu podataka (koji se naziva 'testni skup') kako bi se pružila reprezentativna procjena performansi sustava. Naša metoda klasifikatora temeljila se na linearnim diskriminantima (Ripley, 1996.). Koristili smo podatke o značajkama iz šest snimaka treninga za treniranje linearnog diskriminantnog klasifikatora. Ishod klasifikatora bila je bilješka za svaku epohu koja je bila ili "Spavanje", "Buđenje" ili "Odsutno/Nepoznato". Prethodne vjerojatnosti stanja spavanja i budnog stanja postavljene su na 0,5. Kako se linearni klasifikatori najbolje izvode sa značajkama s približnom Gaussovom distribucijom, unaprijed smo obradili značajke kretanja kako bismo ih učinili više sličnim Gaussovoj distribuciji.

Mjerni podaci korišteni za procjenu učinkovitosti klasifikatora spavanja/budnosti bili su: (i) ukupna točnost klasifikacije (postotak ukupnih epoha ispravno klasificiranih) (ii) osjetljivost na spavanje (koja se odnosi na broj pravih epoha spavanja otkrivenih kao spavanje) i pozitivnu prediktivnu vrijednost (koja se odnosi na postotak algoritmom označenih epoha spavanja koje su zapravo bile prave epohe spavanja) i (iii) osjetljivost na buđenje (koja se odnosi na broj pravih epoha buđenja otkrivenih kao buđenje) i negativnu prediktivnu vrijednost (koja odnosi se na postotak algoritmom označenih epoha buđenja koje su zapravo bile prave epohe buđenja). Osjetljivost buđenja bi se također mogla konvencionalnije nazvati specifičnošću sustava. Također izvještavamo o Cohenovom kapa koeficijentu, srednjoj pogrešci učinkovitosti spavanja i standardnoj devijaciji pogreške učinkovitosti spavanja. Cohenov kapa koeficijent mjera je koja uzima u obzir relativnu učestalost pojavljivanja svake klase epohe i pruža pronicljiviju mjeru performansi sustava od točnosti klasifikacije. Učinkovitost spavanja definira se kao ukupno vrijeme spavanja (TST) kao postotak ukupnog vremena u krevetu. Procjene učinkovitosti spavanja izvedene su iz rezultata dvoklasnog (S protiv W) sustava. Pogreška učinkovitosti spavanja ovdje je definirana kao procjena učinkovitosti spavanja od strane automatiziranog sustava minus ekspertna procjena učinkovitosti spavanja. Također uzimamo u obzir ukupnu procjenu TST-a.

Blandove i Altmanove dijagrame koriste se za grafički prikaz izvedbe klasifikacijskih sustava jer predstavljaju razlike između procijenjenih i stvarnih vrijednosti parametara kao što su TST i učinkovitost spavanja na smisleniji način od jednostavnog (Pearsonovog) koeficijenta korelacije.

U našem slučaju, zlatni standard za napomenu spavanje/buđenje bio je bodovanje koje je odredio PSG tehničar. Uređivanje spavanja provedeno je korištenjem punog PSG-a od strane jednog iskusnog tehnologa spavanja koji je pomno slijedio preporuke za bodovanje Američke akademije za medicinu spavanja (AASM, 2007.) na temelju originalnog rada Rechtschaffena i Kalesa (1968.). Epohe se mogu označiti na jedan od tri načina: spavanje [S1–S4 i spavanje s brzim pokretima očiju (REM)], buđenje (W) ili artefakt (loš kontakt elektrode, prekomjerno kretanje pacijenta, pacijent odsutan zbog prekida zahoda ili prekomjernog kretanja tehničara ).


Rezultati

Izvedba klasifikacije spavanja/budnosti

Prije razmatranja izvedbe klasifikatora, korisno je komentirati neka od ukupnih mjerenja spavanja u skupini prema PSG bodovanju (sažeti u tablici 1). U nastavku, kada se podaci izvještavaju kao a ± b, to implicira da a je srednja vrijednost skupa podataka, i b je standardna devijacija, osim ako nije drugačije naznačeno. Vrijeme provedeno u krevetu tijekom PSG snimanja bilo je 6,7 ± 0,7 h, a TST od 4,8 ± 1,2 h uočen je u cijeloj skupini, što ukazuje na prosječnu učinkovitost spavanja od 71%. Grupa s visokim AHI imala je prosječni TST od 4,6 h, dok je skupina s niskim AHI imala nešto duži prosječni TST od 4,9 h, iako ova razlika nije bila statistički značajna na P < razina 0,05. Grupa s visokim AHI također je imala nešto nižu prosječnu učinkovitost spavanja (69,1% naspram 73,3%) od skupine s niskim AHI, iako to opet nije bilo statistički značajno.

Tablica 3 ilustrira tablicu kontingencije za sve epohe za 113 ispitanika u skupu podataka testa. Napomena za spavanje/buđenje stručnog zapisivača može proizvesti jednu od tri oznake za svaku epohu od 30 s: S (spavanje), W (buđenje), A (artefakt). Isto tako, automatizirani sustav može proizvesti jednu od tri oznake: S, W ili A (odsutan) (kao što je gore navedeno, kategorija 'nepoznato' je mapirana kao odsutna u svrhu ove analize). Općenito, 'odsutan' za automatizirani sustav događa se kada subjekt ode u kupaonicu tijekom noći, što je označeno kao A u napomeni PSG-a, artefakti 'pokret' se također mogu pojaviti u PSG-u kada tehničar podešava senzore, kada su elektrode labave , ili kretanje osobe uzrokuje privremeni gubitak signala. Imajte na umu da broj epoha artefakata predstavlja <1% ukupnog trajanja zapisa.

Stručna napomena
Probuditi Spavati Artefakt
Bilješka algoritma
Probuditi 13 510 7736 154
Spavati 11 875 56 238 18
Odsutan 0 3 121

Automatizirani algoritam korišten je za izračunavanje TST-a i učinkovitosti spavanja za 113 ispitanika u studiji. Slika 5a prikazuje Blandov i Altmanov dijagram TST-ova procijenjenih PSG-om i automatiziranim algoritmom. Došlo je do prosječne precijenjenosti TST-a automatskim algoritmom od 19 minuta – to je bilo statistički značajno u P < 0,05 razina, što ukazuje na to da automatizirani sustav ima tendenciju laganog prekoračenja spavanja. Slika 5b prikazuje Blandov i Altmanov dijagram učinkovitosti spavanja procijenjene PSG-om i automatiziranim algoritmom. Došlo je do prosječne precijenjene učinkovitosti spavanja za 4,8% korištenjem automatiziranog algoritma. To je bilo statistički značajno na P < 0,05 razina značajnosti.

Bland i Altman grafikoni za (a) ukupno vrijeme spavanja (TST) i (b) učinkovitost spavanja. U oba slučaja, x-axis je prosječna brojka iz PSG stručnog bodovanja i algoritma SleepMinder. Razlika se izražava kao procijenjeni broj minus broj stručnjaka. Isprekidana linija označava prosječnu pristranost između procjena, a isprekidane linije označavaju pristranost ± 1,96 × SD (što daje procjenu granica slaganja za 95% slučajeva). Postoji pristranost od +19 min za TST i 4,8% za učinkovitost spavanja (tj. sustav SleepMinder malo će precijeniti san). AHI, indeks apneje-hipopneje.

Tablica 4 daje detaljniju analizu performansi klasifikatora spavanja/budnosti. Ukupna točnost epohe za sve subjekte iznosila je 77,9% (kada se uzmu u obzir svih 89 655 epoha svih subjekata), što je odgovaralo točnosti epohe po subjektu od 78 ± 11% (tj. sustav je bio značajno više/manje točni u nekim predmetima od drugih). Sustav je bio točniji u ispitanika s niskim AHI (srednja točnost je bila 83%) u odnosu na skupinu s visokim AHI (gdje je srednja točnost bila 75%). To je prikazano na slici 6 i čini se da u početku ukazuje na lošiji učinak sustava kod subjekata s visokim AHI. Međutim, veliki dio ovog odstupanja u točnosti posljedica je niže učinkovitosti spavanja u ispitanika s visokim AHI. Slika 7 ilustrira dijagram učinkovitosti spavanja naspram točnosti po subjektu i može se vidjeti da postoji značajna korelacija između učinkovitosti spavanja i točnosti (P < 0,001). Kada smo pogledali točnost sustava u ispitanika s učinkovitošću spavanja >gt75% samo, razlika u točnosti sustava između ispitanika s niskim AHI (srednja točnost od 85,2%) i visokim AHI (78,5%) zadržala se, ali više nije bila statistički značajna na P = 0,05 razina. Također smo potvrdili da nema statistički značajne varijacije točnosti sustava s indeksom tjelesne mase ispitanika.

Ukupna točnost (%) Cohenova kappa κ SeSPAVATI SePROBUDITI PPV NPV Pogreška učinkovitosti spavanja Pogreška ukupnog vremena mirovanja
svi 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
Nizak AHI 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
Visoki AHI 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
  • SeSPAVATI, osjetljivost na spavanje (postotak stvarnih epoha spavanja koje klasifikator označava kao spavanje) SePROBUDITI, osjetljivost na buđenje (postotak stvarnih epoha budnosti koje su klasifikator označene kao buđenje) PPV, pozitivna prediktivna vrijednost (postotak epoha označenih kao spavanje koje su ispravno označene) NPV, negativna prediktivna vrijednost (postotak epoha označenih kao buđenje koje su ispravno označene ).

Grafikon indeksa apneje-hipopneje (AHI) koji je ocjenjivao stručnjak u odnosu na točnost epohe na osnovi po subjektu. Postoji trend smanjenja točnosti s povećanjem AHI-a, tako da je točnost u ispitanika bez SDB-a preko 80%, ali točnost pada na oko 70% u onih s visokim AHI-om. Isprekidana linija označava linearno najbolje pristajanje tog trenda.

Učinkovitost spavanja u odnosu na točnost epohe po subjektu za 113 ispitanika u skupu podataka testa [s niskim indeksom apneje-hipopneje (AHI) i visokim AHI odvojeno naznačenim radi praktičnosti]. Imajte na umu da postoji trend smanjenja točnosti sustava s učinkovitošću spavanja. Isprekidana linija označava linearno najbolje pristajanje tog trenda.

Tablica 4 također daje Cohenovu kapa brojku za klasifikator, koja je u prosjeku 0,38 ± 0,19 za sve subjekte. Vrijednost nula za Cohenovu kapu odgovara nagađanju temeljenom samo na poznavanju prethodnih vjerojatnosti, tako da je ova brojka zasluga često bolji vodič za izvedbu u slučajevima kada jedna klasa dominira, kao u ovom slučaju kada je prethodna vjerojatnost epohe spavanja otprilike 0,7. Prosječna kapa vrijednost viša je za skupinu s niskim AHI (0,45) nego za skupinu s visokim AHI (0,30). Tablica 4 također izvještava o osjetljivosti sustava na prepoznavanje stanja spavanja – to je 87,3 ± 13,6% kod svih ispitanika. Osjetljivost na buđenje je 50,1 ± 19,8% među ispitanicima, što je posljedica ukupne veće vjerojatnosti stanja spavanja u podacima i našeg izbora linearnog diskriminantnog klasifikatora, koji jednako ponderira pogreške. Intuitivno, sustav klasifikatora će imati snažnu pristranost označavanja rubnih epoha kao spavanja ne buđenja. Stoga se u praksi mnoga budna stanja kratkog trajanja ili s malim kretanjem klasificiraju kao spavanje. Tablica 4 također daje pozitivne prediktivne vrijednosti i negativne prediktivne vrijednosti sustava za spavanje i buđenje kao 81,4 ± 13,9 odnosno 66,1 ± 24,3%. Konačno, pogreška učinkovitosti spavanja je +4,8 ± 14,4% (automatski klasifikator precjenjuje spavanje), a prosječna TST pogreška je +19 ± 58,6 min. Nije iznenađujuće da se većina sustavnih pogrešaka javlja u pogrešnoj klasifikaciji REM-a, budnog stanja i epoha spavanja prve faze – tablica 5 ilustrira točnost sustava po fazama spavanja i pokazuje da je točnost prepoznavanja stanja dubokog sna vrlo visoka (>95%), dok stanje buđenja i faze 1 imaju najnižu točnost.


Spavanje i veliki podaci: korištenje podataka, tehnologije i analitike za praćenje spavanja i poboljšanje dijagnostike, predviđanja i intervencija – doba za Sleep-Omics?

Susan Redline, Shaun M Purcell, Spavanje i veliki podaci: korištenje podataka, tehnologije i analitike za praćenje spavanja i poboljšanje dijagnostike, predviđanja i intervencija – doba za Sleep-Omics?, Spavati, Svezak 44, Broj 6, lipanj 2021., zsab107, https://doi.org/10.1093/sleep/zsab107

Tijekom posljednjih 30 godina došlo je do impresivnog napretka u karakterizaciji fizioloških osnova spavanja i cirkadijalnih ritmova te njihove varijacije među populacijama i zdravstvenim ishodima. Izvanredno sazrijevanje istraživanja spavanja i cirkadijalne biologije oslikano je eksponencijalnim povećanjem broja recenziranih publikacija usmjerenih na spavanje, a to što je nedavno dodijeljena Nobelova nagrada za razjašnjavanje cirkadijalne mašinerije naglašava važnost sna i cirkadijalne znanosti.

U kliničkoj medicini spavanja došlo je do poboljšanja u definiranju poremećaja spavanja – sa smjernicama utemeljenim na dokazima za probir, liječenje i upravljanje apnejom u snu, nesanicom, sindromom nemirnih nogu, narkolepsijom i cirkadijalnim ritmom i drugim poremećajima spavanja. Akreditirani centri za spavanje – koji pružaju njegu spavanja temeljenu na smjernicama – stalno su rasli, zatvarajući jaz između broja ljudi koji pate od poremećaja spavanja u odnosu na one koji su liječeni na odgovarajući način. Prepoznavanje zdravlja spavanja kao prioriteta javnog zdravlja odražava se uključivanjem ciljeva zdravlja spavanja u izvješće Centra za kontrolu bolesti Healthy People 2020.

Ipak, ostaju temeljne praznine u znanju. Posebno je potrebno bolje razumjeti osnovne funkcije spavanja, kao i kako modulirati san kao novu kliničku intervenciju za poboljšanje kognicije, raspoloženja i dugovječnosti. Kritični izazovi u optimizaciji liječenja poremećaja spavanja uključuju značajnu heterogenost fizioloških endotipova, simptoma, komorbiditeta, odgovora na liječenje, prognoze i genetskih čimbenika rizika među pojedincima označenim istim dijagnostičkim kodom.Kao kliničari, ponekad ne uspijevamo pronaći tretmane koji bi na odgovarajući način riješili pospanost koju doživljavaju mnogi pacijenti s apnejom u snu, ili koji poboljšavaju noćne i dnevne simptome koje pacijenti s nesanicom doživljavaju, te se mogu boriti za utvrđivanje uzroka i učinkovite strategije liječenja pacijenata. označen kao "idiopatska hipersomnija". Naši dijagnostički alati pate od pretjeranog oslanjanja na ručnu i subjektivno utvrđenu kvantifikaciju pojedinačnih "događaja" tijekom zapisa spavanja (apneje i uzbuđenja) i previše pojednostavljenih pristupa sažimanju kontinuiranih fizioloških fenomena u diskretne kategorije (npr. epohe spavanja). Tradicionalni dijagnostički pristupi – razvijeni koristeći bazu znanja staru više od 50 godina – ne samo da ograničavaju bogatstvo podataka o spavanju koji se rutinski prikupljaju satima, ako ne i danima, već također doprinose troškovima i neučinkovitosti koje bi se mogle poboljšati pametnijim korištenjem automatiziranijih i osjetljivijih postupaka. .

Zajedno, ove praznine upućuju na kritičnu potrebu da se sveobuhvatnije i rigoroznije iskoriste veći skupovi podataka na više razina kako bi se bolje definirali složeni i dinamički procesi koji su u pozadini stanja spavanja i budnosti, čija neregulacija rezultira poremećajima povezanim sa spavanjem. Daljnja potreba je bolje definiranje podskupina bolesti, što u konačnici može dovesti do prilagođenih intervencija koje zadovoljavaju ciljeve precizne medicine. Napredni računalni i analitički alati otvaraju mogućnost za ispitivanje složenih fizioloških i kliničkih problema u razmjeru i preciznosti i snazi ​​koji dosad nisu bili mogući, a ovi su alati posebno relevantni za rješavanje potreba medicine spavanja.

“Veliki podaci” sada se rutinski koriste u dalekosežne svrhe, od marketinga potrošača i otkrivanja prijevara, do molekularne biologije, medicinskog snimanja i dijagnostike raka. Ovi pristupi imaju potencijal ne samo za automatizaciju postojećih ručnih postupaka, već – što je možda i fundamentalnije – za identificiranje novih obrazaca, longitudinalnih trendova, interakcija, dijagnostičkih potpisa, podskupina i drugih aspekata zdravlja spavanja koji su trenutno skriveni. U tu svrhu, Američka akademija za medicinu spavanja nedavno je zadužila radnu skupinu za umjetnu inteligenciju (AI) da se pozabavi ulogom AI u medicini spavanja. Njegova dva početna rada sažeta su mogućnosti da medicina spavanja ima koristi od primjene AI-a – posebno alata za strojno učenje (ML) – koji zahtijevaju skupove podataka obično s 1000, ako ne i 10 000 promatranja [1, 2]. Radna skupina istaknula je bogate, ali nedovoljno iskorištene informacije sadržane u oscilacijama spavanja, srčanih i respiratornih signala: posebno kada su u kombinaciji s demografskim, bihevioralnim, genetskim i drugim biološkim, psihosocijalnim i životnim podacima, ove metode mogu pružiti nove pristupe za dijagnozu i upravljanje pacijentima te utječu na zdravlje stanovništva. U izvješćima AASM-a istaknuto je pet područja: (1) poboljšanje klasifikacije i dijagnoze poremećaja spavanja (2) predviđanje bolesti i prognoze liječenja (3) karakterizacija podtipova bolesti (4) poboljšanje ocjene spavanja putem automatizacije i (5) korištenje noćnih preuzimanja PAP-a za bolje pridržavanje podrška i intervencija.

Tijekom prošle godine, SPAVATI s ciljem daljnjeg poticanja interesa za ulogu novih alata ML-a i napredne obrade signala velikih skupova podataka kako bi “informirali i transformirali translacijsko i kliničko istraživanje spavanja/cirkadijana i kliničku praksu”. Autori su pozvani da dostave rigorozne rukopise temeljene na podacima koristeći velike skupove podataka koji se bave nekoliko tema. Ukupno je objavljeno 18 radova u 43. i 44. svesku SPAVATI. U struji SPAVATI Virtual Issue https://academic.oup.com/sleep/pages/big-data-vi, izdvajamo 10 tih radova, odabirom onih koji daju primjere odgovora na sljedeće teme:

Novi uvidi proizašli iz velikih skupova objektivnih podataka o spavanju (npr. PSG, aktigrafija) za razumijevanje fiziologije zdravog sna i patofiziologije poremećaja spavanja.

Istaknuta su dva rada, a oba opisuju promjene u spavanju povezane s dobi i spolom. U Hartmannu i sur. [3] opisuju automatizirani algoritam detekcije za ciklički izmjenični uzorak (CAP), primijenjen za procjenu mikroarhitekture spavanja kod gotovo 3500 starijih muškaraca i žena iz dviju kohorti zajednice. Osim što je demonstrirala izvedivost algoritma za obradu signala, studija je pokazala da stope CAP-a i markeri EEG sinkronije variraju s dobi, spolom i kvalitetom sna. Naime, dok su žene imale sporije spavanje od muškaraca, imale su manje ciklusa CAP A1, što ukazuje na mehanizme za veću učestalost subjektivnih problema sa spavanjem kod žena u usporedbi s muškarcima.

Jonasdottir i sur. [4] predstavili su podatke o više od 11 milijuna noći praćenih aktivnosti nosivih uređaja (kao i kontekstualne informacije iz aplikacije za mobitel) od gotovo 70.000 odraslih osoba iz 47 zemalja. Koristeći skup visoko učinkovitih grafikona koji sažimaju podatke o trajanju i vremenu spavanja (uključujući prosječnu varijabilnost i varijabilnost u danu/vikendu) i buđenja nakon početka spavanja (WASO) prema dobi i spolu, autori pokazuju karakteristične promjene u višestrukim aspektima spavanja prema dobi i spol, te značajne interakcije dobi i spola. Na primjer, u mlađoj dobi (<44 godine) žene imaju više WASO, ali duže spavanje od muškaraca, s tim da se razlike sužavaju u starijoj dobi (> 55 godina). Uočene su i druge promjene u obrascima spavanja tijekom života, poput veće varijabilnosti u vremenu i trajanju spavanja i društvenog jetlag među mlađim odraslim osobama, te veća učestalost kraćeg trajanja sna i noćnih buđenja kod starijih osoba. Informacije povezane s aplikacijom sugerirale su ulogu skrbi za poremećeni san žena. Iako je vjerojatna neka pogrešna klasifikacija spavanja uz korištenje nosivog uređaja, iznimno velik skup podataka, rigorozni analitički pristup i usporedivost rezultata s procjenama iz vanjskih skupova podataka koji su koristili tradicionalnija mjerenja podržavaju vrijednost ovog pristupa velikih razmjera.

Poboljšanje točnosti dijagnoze poremećaja spavanja.

Istaknuto je pet članaka: dva izvješćuju o rezultatima mjerača spavanja vođenih podacima - jedan je trenirao na tradicionalnim EEG senzorima, a drugi koji je koristio EKG i respiratorne senzore [5, 6] jedna studija je izvijestila o rezultatima modela spavanja koji je razvijen posebno za pacijente s apnejom u snu [7] jedno izvješće odnosilo se na ML pristup za otkrivanje opstruktivne apneje u snu [8], a jedno izvješće je dalo primjer automatskog detektora značajki (za K komplekse) [9]. U Olesen i sur., razvijen je model duboke neuronske mreže korištenjem 15 684 polisomnografskih studija iz pet kohorti koje su evaluirane u nizu scenarija [6]. Autori su otkrili da su najviše razine točnosti bile za modele koji su koristili podatke iz svih skupina (npr. točnost 0,869 ± 0,064 Cohenove kape od 0,799 ± 0,098), s lošijom izvedbom kada je algoritam trenirao samo na jednoj kohorti. Ovi rezultati su naglasili potrebu za pristupom velikim i raznolikim skupovima podataka za obuku i testiranje automatiziranih mjerača spavanja. U studiji Suna i sur., duboka neuronska mreža trenirana samo na EKG i kanalima respiratornog napora pokazala je dobro slaganje za klasifikaciju stadija spavanja (Cohenova kapa 0,585), iako je točnost bila niža u usporedbi s modelima treniranim na EEG signalima [5]. Značajno je da nije uočen gubitak točnosti prema dobi ili prisutnosti apneje u snu, što ukazuje na korisnost za procjenu faze spavanja u kliničkim okruženjima gdje se EEG ne može lako prikupiti. Korkalainen i suradnici pozabavili su se izazovom određivanja faze spavanja gdje je primarni interes evaluacija poremećaja disanja u snu [7]. Koristeći samo fotopletizmogram (PPG) snimljen s prstnog pulsnog oksimetra, autori su pokazali sposobnost modela dubokog učenja da razlikuje faze spavanja (točnost od epohe po epohu od 80,1%). Njihov je rad istaknuo neiskorišteni potencijal signala koji se rutinski prikupljaju, ali nisu sveobuhvatno izvučeni za poboljšanje dijagnostičkih informacija o apneji u snu koje su dostupne s ograničenim kanalnim uređajima za testiranje apneje u snu. Konkretno, oksimetrija s PPG-om se široko koristi u kućnim studijama apneje u snu gdje nedostatak podataka o trajanju spavanja može dovesti do podcjenjivanja indeksa respiratornih događaja (REI). Uključivanje PPG podataka moglo bi poboljšati procjenu REI-a, a također bi pružilo procjenu težine apneje u REM spavanju – subfenotipa apneje u snu koji je posebno čest u žena [10], kao i onaj koji je povezan s rizikom od hipertenzije [11]. Huang se dalje bavio može li se apneja u snu predvidjeti koristeći kombinaciju uobičajeno prikupljanih demografskih podataka, simptoma spavanja, antropometrijskih i kliničkih podataka. Koristeći model predviđanja zasnovanog na vektoru podrške i peterostruku unakrsno provjeru u uzorku klinike za spavanje iz Kine, autori su izvijestili da model izgrađen s dva (dob, opseg struka) do šest značajki predviđa AHI ≥5/h, ≥15 /h i ≥30/h s osjetljivošću od 74%, 75% i 70% i specifičnošću 75%, 69%, odnosno 70% [8]. Njihov pristup koji se temelji na podacima nadmašio je druge objavljene alate za probir koji se temelje na upitnicima u njihovom uzorku, međutim, ovaj pristup zahtijeva daljnju vanjsku provjeru. Konačno, Lechat i kolege primijenili su duboku neuronsku mrežu i Gaussov proces za identifikaciju K kompleksa, pokazujući da je automatizirani postupak imao izvrsnu diskriminaciju za otkrivanje ove značajke N2 sna i uzbuđenja, te je bio u stanju okarakterizirati morfologiju i gustoću K kompleksa [9] . Autori su izvijestili o karakterističnim promjenama u gustoći i morfologiji kompleksa K prema ciklusu spavanja i dobi, te sugerirali da automatizirano otkrivanje EEG značajki može pružiti uvid u mehanizme spavanja kao i alate za korištenje u kontroli kvalitete spavanja.

Korištenje velikih podataka za bolje razumijevanje i predviđanje preuzimanja, odgovora i pridržavanja tretmana.

Wickwire i suradnici [12] analizirali su podatke od 29.072 starijih odraslih korisnika Medicarea s dijagnozom opstruktivne apneje u snu, identificirajući 7.111 (24,5%) koji su započeli CPAP, od kojih je 3.229 bilo u dobi od 65 i više godina. Samo 44% potonjeg uzorka zadržalo je posjedovanje CPAP strojeva do 13 mjeseci, s Medicaid podobnosti (proxy za niži SES) najjači prediktor niske privrženosti. Trajni izazovi u optimizaciji uporabe CPAP-a među pacijentima s apnejom u snu naglašavaju potrebu za daljnjim istraživanjem kako bi se identificirale poluge za poboljšanje pridržavanja liječenja. Postoji kritična potreba da se ogromne količine podataka o pridržavanju koji se rutinski prikupljaju povežu s drugim ključnim podacima na individualnoj razini i učine dostupnijim za istraživanje kako u stvarnom vremenu (za promicanje rane intervencije), tako i putem statičkih preuzimanja.

Korištenje velikih podataka za identificiranje različitih podskupina pacijenata ili skupina osobina.

Subfenotipizacija heterogenih skupina pacijenata prema temeljnim fiziološkim karakteristikama endotipa ograničena je tehničkim zahtjevima koji se postavljaju prikupljanjem dubljih podataka o disanju i uzbuđenju koji se zatim analiziraju pomoću složenih algoritama za obradu signala. Finnsson i njegov suradnik predstavljaju i potvrđuju metodu za izračunavanje ključnih fizioloških endotipova—pojačanja petlje, praga uzbuđenja i nekoliko drugih parametara ventilacije, pokazujući da endo-fenotipizacija pomoću polisomnografske metode dr. Scotta Sandsa i sur. može se implementirati u okruženju temeljenom na oblaku [13].

Korištenje parametara spavanja/cirkadijana kao prediktora budućeg fizičkog i mentalnog zdravlja.

U longitudinalnoj epidemiološkoj studiji, Williamson i suradnici primijenili su modeliranje strukturne jednadžbe na gotovo 5000 djece u dobi od 5 do 13 godina, mjereno u više valova prikupljanja podataka [14]. Prikupljeni su ponovljeni podaci o problemima sa spavanjem kod djece u ponašanju, simptomima internaliziranja i eksternalizacije te kvaliteti života povezanoj sa zdravljem (HRQoL). Koristeći ovaj bogat dizajn, autori su testirali potencijalne dvosmjerne asocijacije, otkrivši da su njihovi podaci najkonzistentniji s problemima u ponašanju sa spavanjem predviđajući pogoršanje naknadnog psihosocijalnog i fizičkog HRQoL-a. Dok su longitudinalne analize kritične za razumijevanje prirodne povijesti poremećaja spavanja i seciranje uzročno-posljedičnih veza, postoji nažalost nedostatak skupova podataka s ponovljenim mjerenjima spavanja. Potrebni su napori u prospektivnim studijama sa sveobuhvatnim, ponovljenim mjerenjima kako bi se shvatili parametri spavanja/cirkadijana kao prediktori budućih ishoda.

Općenito, iz ovih radova vidimo obećanje ML modela za predviđanje faza spavanja, mikroarhitekture spavanja, pojedinačnih značajki EEG-a i apneje u snu, često uspješnih s analizom samo smanjenog skupa signala ili podataka, poboljšavajući izvedivost za veće razmjere. prikupljanje podataka. Također vidimo potencijal za daljnje istraživanje administrativnih, kliničkih i epidemioloških skupova podataka i korištenje široko dostupnih nosivih senzora za praćenje spavanja, s mogućnostima za povećanje znanja o čimbenicima koji doprinose zdravstvenim razlikama, za bolje karakteriziranje heterogenosti poremećaja spavanja, za identifikaciju Učinkovitost alternativnih intervencija spavanja, otkrivanje molekularnih mehanizama koji su u osnovi osobina spavanja i predviđanje ishoda povezanih sa spavanjem. Međutim, u ovom pozivu za dostavu radova dobili smo malo ili nimalo odgovora na neke od ovih tema. Konkretno, sljedeća područja bila su nedovoljno zastupljena: (1) Korištenje velikih podataka za informiranje i poboljšanje liječenja i upravljanja poremećajima spavanja i cirkadijana (2) Upotreba velikih podataka i „omičkih” tehnologija (npr. epigenomika, genomika, metabolomika, mikrobiomika , transkriptomika i proteomika) u znanostima o spavanju i cirkadijanskim znanostima i (3) Provedba terapija spavanja u stvarnom svijetu, uključujući čimbenike povezane s pacijentima, pružateljima usluga i zdravstvenim sustavom koji utječu na korištenje učinkovitih terapija spavanja na korištenje i troškove zdravstvene skrbi liječenih naspram neliječenih poremećaja spavanja. Nedostatak odgovora može biti posljedica trenutnih izazova u potpunoj integraciji podataka o spavanju s kliničkim podacima i genomikom iz stvarnog svijeta. Vidjeli smo primjere moći modela dubokog učenja da proizvedu točna predviđanja, kao i ograničenja izlaza "crne kutije" iz ovih modela, koji često ne otkrivaju značajke koje pokreću predviđanje, ograničavaju interpretabilnost i onemogućuju identifikaciju bioloških mehanizama. Prijavljeni modeli dubokog učenja općenito su se sastojali od manje od 10.000 promatranja, dok najrobusnije neuronske mreže obično zahtijevaju ogromne skupove podataka koji nisu dostupni za većinu podataka o spavanju.

Ovo virtualno izdanje od SPAVATI također ističe potencijal za Sleep-Omics. Dok je sufiks omika izvorno usvojen za proučavanje molekularnih podataka koji definiraju složene strukturne i funkcionalne biološke međuodnose, pojavile su se i druge omike, kao što su "spiro-omika" (biologija pluća) i "hrana-omika" (hrana i prehrana). Točnije, omics ima za cilj postići bolje razumijevanje danog fenomena primjenom više razina analiza na brojne tokove podataka, od kojih je svaki često različitog opsega i sadržaja. Može se tvrditi da polisomnografija predstavlja rani primjer omike integracijom višestrukih fizioloških signala prikupljenih tijekom sati i u različitim fazama spavanja. Poboljšano razumijevanje složene prirode i utjecaja spavanja i poremećaja spavanja može se dodatno postići pristupom "Sleep-Omics" koji sveobuhvatnije integrira informacije o višestrukim relevantnim genetskim i okolišnim izloženostima, ponašanjima i fiziološkim inputima (npr. krvni tlak tijekom noći ), kao i podatke o nizvodnim učincima sna na ekspresiju gena, metilaciju, ponašanja te kliničke i fiziološke ishode. Osim polisomnografije, izvori podataka za ove analize na više razina mogu uključivati ​​podatke s nosivih uređaja, medicinskih uređaja koji se koriste i za tretmane spavanja (PAP) kao i za druge svrhe koje slučajno prikupljaju relevantne podatke (npr. implantabilni srčani defibrilatori), geografsko područje podaci, medicinska dokumentacija, podaci o rezultatima ankete o rezultatima koje su prijavili pacijenti, slikovni biljezi funkcije spavanja/mozga i biomarkeri i multigenomski biljezi i drugi.

Dok članci u virtualnom izdanju pokazuju nekoliko obećavajućih primjena velikih podataka, posebno u odnosu na automatizirano ocjenjivanje spavanja, nijedna studija nije se bavila cijelim rasponom potencijalnih aplikacija Sleep-Omics (npr. s integracijom genoma/slika) i postojali su samo ograničeni primjeri podaci izvedeni iz kliničkih izvora ili primijenjeni na zdravlje stanovništva. Često analizirani uzorci bili su manji od optimalnog za ML algoritme (što je izazvalo zabrinutost u vezi s prekomjernim uklapanjem). Neke studije nisu izvijestile o unakrsnoj validaciji u neovisnim uzorcima, što je potrebno za procjenu generalizacije i prenosivosti. Daljnji kritični problem je da "veliki podaci" u medicini spavanja ne zahtijevaju samo pristup velikim skupovima podataka, već i robusne i reproducibilne analitičke alate koji se mogu implementirati u velikom opsegu, otvoreni su, transparentni i dostupni zajednici. U budućnosti bi se publikacije o novopredloženim metodama idealno često povezivale s korisnim softverskim implementacijama, što će također imati nuspojavu poboljšanja strogosti i ponovljivosti metodološkog rada.

Kako krenuti naprijed u generiranju spremišta podataka potrebnih za Sleep-Omics okvir? Naša profesionalna društva trebala bi pozivati ​​na rutinsko prikupljanje standardiziranih ključnih podataka o spavanju u kliničkim okruženjima (podaci će se razlikovati ovisno o primarnoj zdravstvenoj zaštiti u odnosu na kliniku/laboratorij za spavanje, ali mogu uključivati ​​kratke obrasce za unos podataka o spavanju i standardizirane ljestvice kao i stvarne studije spavanja) i zahtijevaju da se ti podaci integriraju u elektronički zdravstveni karton u strojno čitljivim formatima. Neprihvatljivo je da mnogi zdravstveni centri rutinski zakapaju prikupljene studije spavanja u kliničke zapise koristeći formate koje je teško pronaći i pretraživati. Slično tome, postoji potreba da podaci o pridržavanju PAP-a i kućni testovi spavanja kojima upravljaju platforme u oblaku u vlasništvu industrije budu opće dostupnije kao istraživački podaci, pronalaženje rješenja za logističke probleme i probleme privatnosti. Kako pacijenti sve više koriste nosive uređaje, ti bi podaci također trebali biti lakše integrirani i dostupniji u kliničkoj dokumentaciji, koristeći prednosti nedavnih alata i pristupa koje su razvili All of US i drugi programi.

Zajednica spavanja također treba suradnički i agresivnije podržati stratešku provedbu međunarodnih istraživačkih inicijativa za dijeljenje podataka o spavanju kako bi se stvorili dobro označeni i dokumentirani veliki i raznoliki skupovi podataka o spavanju dostupnim istraživačkoj zajednici. Mi zajedno usmjeravamo Nacionalni resurs za istraživanje spavanja (NSRR sleepdata.org), podržan od NHLBI-a, koji prikazuje mnoge pojmove podataka o spavanju s njihovim odgovarajućim porijeklom i metapodacima, zajedno s alatima za vizualizaciju i softverom za analizu spavanja otvorenog koda kako bi nadopunio rastući repozitorij polisomnografije i aktigrafske datoteke.NSRR trenutno dijeli više od 2TB podataka o spavanju tjedno s raznolikom zajednicom korisnika (studenti, istraživači i industrija) koristeći kontrolirani, ali jednostavan mehanizam za odobravanje/pristup podacima. Zapravo, 4 od 10 članaka u ovom broju koristila su podatke NSRR-a. Podaci NSRR-a mogli bi se snažnije iskoristiti za Sleep-Omics daljnjim širenjem veza s drugim kovarijantnim podacima, longitudinalnim ishodima i genomskim podacima. Kako bi postigao potonje ciljeve, NSRR planira migrirati i interoperirati s NHLBI-jevom platformom u oblaku u nastajanju, BioData Catalyst, koja će, nadamo se, pružiti moćan podatkovni ekosustav koji kombinira različite istraživačke podatke iz više skupina. Kako se ovi skupovi podataka sastavljaju, bit će od ključnog značaja da se ulože svi napori kako bi se osigurala raznolikost podataka (obuka na ograničenim skupovima podataka može potencijalno širiti zdravstvene razlike), kao i da oznake koje se koriste za "trening" podataka budu točne i da podaci se redovito ažuriraju kako bi se odgovorilo na vremenske promjene u upravljanju bolestima i kliničkoj skrbi i drugim longitudinalnim utjecajima.

Ako bude uspješna, proširena i sustavnija integracija podataka o spavanju unutar kliničkih zapisa – u kombinaciji s istraživanjem o integraciji podataka usmjerenih na spavanje “sljedeće generacije” sa slikovnim, molekularnim i longitudinalnim kliničkim podacima – pružit će zajednici alate i podatke potrebne za potencijalno otkriti misterije spavanja i uspostaviti bazu znanja za poboljšanje njege pacijenata i zdravlja stanovništva.


4 DISKUSIJA

Opstruktivna apneja u snu vrlo je rasprostranjena i nedovoljno dijagnosticirana (Arnardottir, Bjornsdottir, Olafsdottir, Benediktsdottir i Gislason, 2016 Flemons, Douglas, Kuna, Rodenstein i Wheatley, 2004 Heinzer et al., 2015), a naši podaci pokazuju da SMinder i dr., 2015. nudi održivu metodu probira za poremećaj. Uređaj je najprecizniji u teškim slučajevima, a prednosti su nedostatak fizičkog kontakta s pacijentom koji spava. Iako PSG ima prednosti, uključujući mogućnost izravnog mjerenja trajanja sna, oprema i nepoznato okruženje mogu negativno utjecati na kvalitetu sna.

Sadašnji podaci pokazuju da se AHI izveden iz SleepMindera bliže uspoređuje s istovremenim vrijednostima PSG-a nego AHI dobiven iz kućnih studija. To vjerojatno odražava varijable u kućnom okruženju koje mogu uključivati ​​partnera u krevetu, čimbenike stila života kao što je konzumacija alkohola koja može negativno utjecati na kvalitetu sna (Scanlan, Roebuck, Little, Redman, & Naughton, 2000.) i nemjerljiv utjecaj drugih čimbenika. kao što je položaj spavanja u kući u usporedbi s laboratorijom za spavanje. Uvjerljivo, snažna korelacija između vrijednosti SleepMinder™ AHI tijekom simultanog mjerenja sa stacionarnom studijom u skladu je s prethodno objavljenim podacima naše grupe (Zaffaroni i sur., 2013.) i podržava stajalište da je slabija korelacija u kućnom okruženju veća. posljedica drugih čimbenika osim točnosti samog uređaja. Doista, moglo bi se tvrditi da kućne snimke tijekom 7 noći daju točniju sliku prave prirode pacijentovog SDB-a. Hipertenzivna kohorta u protokolu 2, koja se sastojala od ispitanika bez prethodne kliničke sumnje na OSA, imala je blažih i manje teških slučajeva OSA od skupine klinike za spavanje u protokolu 1 koja je bila upućena u kliniku za spavanje sa simptomima koji upućuju na OSA. Naši sadašnji i prethodni nalazi u vezi s usporednom preciznošću SleepMinder™ u usporedbi s PSG-om pokazuju da uređaj radi bolje na višim razinama AHI, što je moglo pridonijeti lošijoj usporedbi kućnog praćenja s laboratorijskim testiranjem spavanja u hipertenzivnoj skupini. Spolne razlike u točnosti SleepMindera ukazuju na to da bi uređaj mogao biti najprikladniji kao alat za provjeru kod muškaraca.

Slučaj iz kohorte klinike za spavanje pruža zanimljiv uvid u mogućnosti uređaja. Ispitanik je imao PSG-izveden AHI od 44 i srednji kućni SleepMinder AHI od 4,5, što je rezultiralo pogrešnim označavanjem blage bolesti kada je testiranje po zlatnom standardu sugeriralo tešku OSA. Međutim, simultano ispitivanje SleepMinder™ u bolnici zabilježilo je AHI od 36, što ukazuje na tešku OSA. Moguće objašnjenje odstupanja je da je ovaj pacijent zabilježen kako spava gotovo isključivo u ležećem položaju tijekom PSG-a, što je moglo pogoršati ozbiljnost OSA tijekom bolničke studije u usporedbi s kućnim testiranjem.

Ova studija omogućila je procjenu varijabilnosti AHI mjerene pomoću SleepMinder™ tijekom 7 noći, što može pružiti dodatne informacije o pacijentovom poremećaju. Malo se zna o očekivanoj varijabilnosti AHI-a tijekom ovog vremenskog razdoblja jer bi to bilo vrlo teško postići u kliničkom laboratorijskom okruženju spavanja. Promjenjivost AHI-a tijekom procjene od 7 noći u kući bila je veća u donjem rasponu AHI, što bi moglo biti rezultat tehnologije SleepMinder™ koja mjeri samo pokrete tijela. To može rezultirati poteškoćama u ispravnom razvrstavanju nekih pokreta s posljedičnim većim utjecajem pri nižim vrijednostima AHI. Alternativno, ozbiljniji ispitanici s OSA-om mogli su imati izraženije ili produljene apneične događaje koje je SleepMinder™ bilo lakše klasificirati. Prethodno je naša skupina pokazala da je SleepMinder™ odredio blagu OSA u kontrolama niskog rizika, bez apneje (Zaffaroni i sur., 2013.). Budući da su pacijenti upućeni sa sumnjom na OSA možda poremetili san s povezanim pokretima tijela iz drugih razloga, SleepMinder™ može pogrešno protumačiti ovu smetnju spavanja kao SDB.

Ova niža točnost kod blage OSA vjerojatno je važan čimbenik u lošijoj izvedbi uređaja u hipertenzivnoj skupini, koja je imala više slučajeva blage OSA-e. teška OSA (kao što je prikazano na slici A2 Dodatak I). Potrebne su daljnje studije kako bi se procijenila uloga varijabilnosti od noći do noći u ukupnoj procjeni OSA, a drugo nedavno izvješće također je pokazalo značajnu varijabilnost od noći do noći kod jedne trećine pacijenata, što je značajno povezano s OSA u ležećem položaju. (Alshaer, Ryan, Fernie i Bradley, 2018.).

Važna praktična privlačnost uređaja SleepMinder™ je jednostavnost postavljanja, tako da su subjekti u ovoj studiji mogli slijediti jednostavne pisane upute, a primjetno je da su sve nenadzirane kućne SleepMinder™ studije dale održive rezultate, s izuzetkom jednog pacijenta. Ograničenje protokola 2 je da su ispitanici u kohorti hipertenzivnih SleepMinder™ podvrgnuti stacionarnoj nadzorovanoj kardiorespiratornoj PG studiji, a ne PSG, što je bila posljedica ograničenja kapaciteta u službi. PG ima nedostatak što ne procjenjuje ciklus spavanja ili budnosti tijekom testiranja, te stoga podcjenjuje AHI u varijabilnoj mjeri koja odražava količinu intervenirajućih razdoblja provedenih budno tijekom noćne studije (Escourrou i sur., 2015.). Ovaj čimbenik vjerojatno pridonosi većoj varijaciji u PG od PSG AHI vrijednosti u usporedbi s vrijednostima SleepMinder™, posebno zato što analiza SleepMinder™ uključuje procjenu učinkovitosti spavanja u izračunu AHI koja se dobro uspoređuje s aktgrafijom (Pallin i sur. , 2014.). Nadalje, u ovom su slučaju korištene različite smjernice za bodovanje, koje su također mogle utjecati na analizu (Collop i sur., 2007.).


1. Uvod

Naše razumijevanje sna ubrzano napreduje, ali svaka prekretnica postignuta u ispitivanju strukture i funkcije ovog intrigantnog fenomena otkriva novi sloj složenosti. Mnoge su osobitosti vezane za spavanje, barem djelomično, nasljedne (O’Hara i Mignot, 2000 Franken i Tafti, 2003). Stoga se očekuje da će genetska disekcija korištenjem životinjskih fenotipova pružiti temeljni uvid u san i budnost. Među sisavcima, miševi imaju najbolje genetske i genomske resurse za pronalaženje gena koji doprinose svakoj osobini spavanja i oni se sve više koriste za karakterizaciju ponašanja za genetske studije i studije lijekova. Na primjer, kvantitativna analiza lokusa obilježja (QTL) (Hunter i Crawford 2008) jedna je tehnika koja se koristila za identifikaciju regija genoma povezanih s poligenskim osobinama koje se mogu kvantificirati na kontinuiranoj skali, kao što je srednje trajanje napada spavanja. Međutim, otkrivanje gena povezanih sa spavanjem uključuje probir velikih skupina kako bi se uočeno ponašanje povezalo s genetskim profilom, što je dugotrajno.

Zlatna standardna metoda za analizu sna kod sisavaca je polisomnografija, panel simultanih fizioloških mjerenja koji se sastoji od najmanje elektroencefalograma (EEG) i elektromiograma (EMG) (Steriade 2000). Tri glavna stanja budnosti definirana su kod miševa na temelju EEG/EMG izgleda: 1. Budnost (Probuditi), karakteriziran niskom amplitudom, širokopojasnim EEG-om i snažnim, varijabilnim EMG-om 2. Paradoksalno ili brzo spavanje oka (REM), karakteriziran theta EEG ritmom (6-9 Hz) i potisnutim EMG (osim povremenih trzaja mišića) i 3. Ne-REM spavanje (NREM), koji se ponekad naziva i sporovalni san, karakteriziran niskom frekvencijom, delta EEG oscilacijama velike amplitude (0,5-4 Hz) i niskim, toničnim EMG-om. EEG/EMG mjerenje u glodavaca je invazivan proces koji zahtijeva puno resursa, kritična prepreka otkrivanju gena povezanih sa spavanjem. Dok je jedini prihvatljiv način za točnu diskriminaciju stanja budnosti ručno ili automatizirano ocjenjivanje EEG/EMG signala, potrebni napor (operacija, oporavak, itd.) ograničava upotrebu EEG/EMG-a u velikim eksperimentima potrebnim za genetsku analiza ponašanja glodavaca. Osim toga, privez je često potreban za dobivanje signala, što može ograničiti prirodno ponašanje i otežati istovremeni pregled više životinja. Nevezani telemetrijski sustavi postoje, ali još uvijek zahtijevaju invazivnu implantaciju elektroda, baterije, pretpojačala i odašiljača koji opet mogu promijeniti ponašanje i ometati kretanje, osobito kod malih životinja poput miša.

Mnogi neinvazivni sustavi fenotipizacije ponašanja osmišljeni su za male životinje koje koriste video praćenje (Publicover et al. 2009.), trčanje kotača (Wisor et al. 2009.), razbijanje svjetlosnog snopa (Nairizi et al. 2009.) i akcelerometriju (Venkatraman et al. 2010. Brodkin i sur. 2014.) za razlikovanje grubih i suptilnih budnih ponašanja kao što su dotjerivanje, hranjenje, kretanje, uzgoj, kruženje, pa čak i tiho buđenje od sna. Iako ove tehnologije imaju potencijal za korištenje visoke propusnosti, one uglavnom izvode aktigrafiju: nijedna od njih ne odvaja san pouzdano na njegove komponente, tj. REM i NREM, a niti jedan se nije učinkovito koristio u studijama visoke propusnosti. Potpuno neinvazivan sustav koji razlikuje REM i NREM kod miševa pouzdano kao EEG/EMG uvelike bi olakšao visokopropusni probir za otkrivanje gena relevantnih za spavanje i poremećaje povezane sa spavanjem.

Fiziološke razlike u REM propis nam pomaže da ga razlikujemo od NREM. Tonus skeletnih mišića, koji je već nizak u snu, dodatno je inhibiran tijekom REM što dovodi do vidljivo mlohavog držanja u usporedbi s NREM. Izvedivost otkrivanja ove promjene u aspektu tijekom REM korištenje videografske analize slike nedavno je istraženo (McShane i sur. 2012.) i čini se obećavajućim, ali se nije smatralo izvedivim u drugim video studijama (Fisher et al. 2012.) i teže je izvesti s velikom propusnošću. Paraliza skeletnih mišića nije jedina osobitost povezana s REM doduše: razmišljanje i nepravilna autonomna aktivnost mogu proizvesti balističke pokrete očiju (otuda naziv REM), promjenjivi broj otkucaja srca (Calasso i Parmeggiani 2008), nepravilno disanje (Friedman i sur. 2004), fazni trzaji mišića (Geisler i sur. 1987), pa čak i aktivnost mišića srednjeg uha (Benson i Zarcone 1979). Opažanje s kojim je povezano pravilno disanje NREM postaje nepravilan u REM (Friedman i sur. 2004.) sugeriraju da bi kontaktni senzor koji reagira na ventilacijsko kretanje mogao biti koristan za njihovo razlikovanje. Zapravo, poznato je da piezoelektrični senzor postavljen na pod kaveza miša otkriva varijacije tlaka povezane s respiratornim naporom kada je životinja relativno mirna (Flores i sur. 2007.). Rezultirajući kvaziritmički “piezo” signal razlikuje san od tihog ili aktivnog budnog stanja s točnošću usporedivom s ljudskim promatračem (Donohue et al. 2008). Mang i sur. (2014) otkrili su da se čini da se statistika odlučivanja koju koristi isti klasifikator za razlikovanje sna od budnosti (Donohue et al. 2008) mijenja vrijednost nakon REM-NREM prijelazi također. Sato i sur. (2010.) koristili su piezoelektrični pretvarač za praćenje miševa i dokumentirali brzo povećanje brzine disanja tijekom spavanja s atoničnim držanjem, vjerojatno u REM. Nakon toga su koristili ovaj piezoelektrični sustav za razlikovanje REM iz NREM i Probuditi, ali na temelju nepokretnosti i percipiranih signala otkucaja srca, u malom uzorku miševa divljeg tipa (Sato i sur. 2014.).

Gore citirana literatura snažno sugerira da bi piezo mogao otkriti epizode REM kod miševa na temelju promjena signala povezanih s nepravilnim respiratornim ritmom, ali nam ne govori da li se te mjerene respiratorne promjene javljaju u REM sama. Svrha ovog istraživanja je utvrditi koliko dobro stanja ponašanja koja se mogu odvojiti u smislu mišićnog tonusa i respiratornog ritma (kako je kvantificirano piezo signalom) odgovaraju elektrofiziološki različitim stanjima budnosti: tj. Probudi se, NREM, i REM. Da bi se odgovorilo na ovo pitanje, prve značajke piezo signala koje ukazuju na pravilnost disanja i mišićni tonus su izvučene iz 24-satnih snimaka u svakom od 20 miševa u uzastopnim epohama. Svaki vremenski niz značajki piezo signala automatski se segmentira korištenjem nenadziranog skrivenog Markovljevog modela (HMM) klasifikatora u stanja koja tvore prirodne klastere u prostoru značajki u smislu pravilnosti disanja i mišićnog tonusa. Stanja identificirana od strane HMM-a uspoređuju se sa pravim stanjima budnosti (Probudi se, NREM, i REM) određena ručnim bodovanjem simultano dobivenih EEG/EMG mjerenja. Podudarnost između piezo izvedenih ocjena stanja i ručnih rezultata procjenjuje se i analizira za potencijalne izvore pogreške. Konačno, izvučeni su zaključci o izvedivosti upotrebe piezo senzora za neinvazivnu fazu spavanja kod miševa, što se očekuje da će smanjiti potrebu za EEG/EMG analizom u velikom uzorku probira fenotipova spavanja.


Tip IV

Ti se uređaji nazivaju kontinuiranim jednostrukim ili dvostrukim bioparametarskim uređajima. Uređaji za nadzor bilježe jednu ili dvije varijable i mogu se koristiti bez tehničara. Obično kanali uključuju:

Novi sustav klasifikacije kućnog testiranja

(Kao što se vidi u pregledu spavanja – The Journal for Sleep Specialists)

Novi sustav klasifikacije s pojedinostima o vrsti signala mjerenih kućnim uređajima za testiranje spavanja za dijagnosticiranje opstruktivne apneje u snu (OSA) pojavljuje se u najnovijem broju časopisa Journal of Clinical Sleep Medicine.

Predloženi sustav kategorizira uređaje za testiranje spavanja kod kuće, tzv uređaji za ispitivanje izvan centra (OOC). u radu, na temelju mjerenja od Sspavaj, Ckardiovaskularni, Oksimetrija, Ppoložaj, Enapor, i Rrespiratorni (SCOPER) parametri. Također su prikazani kriteriji za ocjenjivanje uređaja, temeljeni na vjerojatnostima prije i nakon testiranja.

Prvi široko korišteni klasifikacijski sustav za opisivanje uređaja za testiranje spavanja objavila je Američka akademija za medicinu spavanja (AASM) 1994. “Od tada je razvijeno mnoštvo uređaja za testiranje koji se ne uklapaju dobro unutar izvorne klasifikacijske sheme ,” rekla je Nancy Collop, dr.med., predsjednica AASM-a i glavna autorica preglednog članka. “Prije prihvaćena metoda klasifikacije postala je neprikladna. U ovom se radu predlaže novi sustav klasifikacije, SCOPER.

Prošle godine, odbor AASM-a naručio je radnu skupinu da odredi specifičniju i inkluzivniju metodu klasifikacije i evaluacije uređaja za testiranje spavanja, osim polisomnografije (PSG) koja se koristi kao pomoć u dijagnostici opstruktivne apneje u snu (OSA) u OOC okruženju. Opseg rada komisije bio je ograničen na razvrstavanje i ocjenu karakteristika izvedbe, a ne na smjernice koje tehnologija koristi u praksi, standarde akreditacije ili načela upravljanja.

Collop je rekao da bi rad trebao biti prvi korak u sveobuhvatnom procesu procjene i naknadnog davanja preporuka o tome kako koristiti uređaje za testiranje spavanja kod kuće u izvanbolničkoj populaciji. Očekuje se da će se sljedeći rad pozabaviti važnim pitanjima određivanja vjerojatnosti predtestiranja, tumačenja rezultata studije i razvoja algoritama testiranja i odluka o tretmanu.

SCOPER smjernice

SleepView SCOPER rezultati
Sspavaj – 3*
Ckardiovaskularni – 4
Oksimetrija – 1
Ppoložaj – 2
Enapor – 2
Rudah – 1
*(s web portalom)

Rezultati SleepScout SCOPER
Sspavaj – 2
Ckardiovaskularni – 3
Oksimetrija – 1
Ppoložaj – 2
Enapor – 1
Rudah – 1

Kliničke smjernice za korištenje prijenosnih monitora bez nadzora u dijagnostici opstruktivne apneje u snu u odraslih pacijenata

(Sljedeći ulomci preuzeti su izravno iz Journal of Clinical Sleep Medicine, Vol. 3, No. 7, 2007.)


Thomas RJ. Ugljični dioksid u medicini spavanja: sljedeća granica za mjerenje, manipulaciju i istraživanje. J Clin Sleep Med 201410(5):523-526.

1 Nattie E Julius H. Comroe, Jr., istaknuto predavanje: središnja kemorecepcija: tada…i sada. J Appl Physiol 2011 110:1-8(1985), 21071595.

2 Blain GM, Smith CA, Henderson KS, Dempsey JA Doprinos kemoreceptora karotidnog tijela eupneičnoj ventilaciji kod netaknutog, neanesteziranog psa. J Appl Physiol 2009 106:1564-73, 19246650.

3 Smith CA, Chenuel BJ, Henderson KS, Dempsey JA Prag apneje tijekom ne-REM spavanja u pasa: osjetljivost karotidnog tijela u odnosu na središnje kemoreceptore. J Appl Physiol 2007 103:578-86, 17495123.

4 Margel D, White DP, Pillar G Dugotrajna povremena izloženost visokim temperaturama okoliša CO2 uzrokuje respiratorne smetnje tijekom spavanja u podmorničarima. Prsa 2003 124:1716-23, 14605040.

5 Harrison JR, Smith DJ Opasnosti od CO2 u zatvorenom prostoru podignutom u okolini . J R Nav Med Serv 1981 67:138-46, 6801259.

6 Davies DM, Morris JE Učinci ugljičnog dioksida i vitamina D na metabolizam kalcija u nuklearnim podmorničarima: pregled. Podmorski Biomed Res 1979. 6 Suppl: S71-80, 41353.

7 Pingree BJ Promjene kiselinske baze i dišnog sustava nakon duljeg izlaganja 1% ugljičnog dioksida . Clin Sci Mol Med 1977 52:67-74, 606465.

8 Davies DM Učinci produžene hiperkapnije. Proc R Soc Med 1972 65:796-7, 4404405.

9 Schindler U, Betz E Utjecaj teške hiperkapnije na cerebralni kortikalni metabolizam, koncentracije elektrolita u likvoru i EEG u mačke. Bull Eur Physiopathol Respir 1976 12:277-84, 138459.

10 Halpern P, Neufeld MY, Sade K i sur. Brzina protoka u srednjoj cerebralnoj arteriji se smanjuje i promjene na elektroencefalogramu (EEG) se javljaju kako se akutna hiperkapnija preokrene. Intens Care Med 2003 29:1650-5.

11 Dvorana EL, ID vozača, Croal PL i dr. Učinak hiperkapnije na MEG signale inducirane u mirovanju i podražajima. NeuroSlika 2011 58:1034-43, 21762783.

12 Wang D, Piper AJ, Wong KK i sur. Sporovalni san u bolesnika s respiratornim zatajenjem. Sleep Med 2011 12:378-83, 21377420.

13 Zappe AC, Uludag K, Oeltermann A, Ugurbil K, Logothetis NK Utjecaj umjerene hiperkapnije na neuralnu aktivnost u anesteziranog neljudskog primata. Cereb Cortex 2008 18:2666-73, 18326521.

14 Xu F, Uh J, Brier MR i sur. Utjecaj ugljičnog dioksida na moždanu aktivnost i metabolizam kod svjesnih ljudi. J Cereb Krvotok Metab 2011 31:58-67, 20842164.

15 Vohwinkel CU, Lecuona E, Sun H i sur. Povišene razine CO(2) uzrokuju mitohondrijalnu disfunkciju i ometaju proliferaciju stanica. J Biol Chem 2011 286:37067-76, 21903582.

16 Douglas RM, Ryu J, Kanaan A i sur. Neuronska smrt tijekom kombinirane intermitentne hipoksije/hiperkapnije posljedica je mitohondrijske disfunkcije. Am J Physiol Cell Physiol 2010 298:C1594-602, 20357179.

17 Borel JC, Roux-Lombard P, Tamisier R i sur. Disfunkcija endotela i specifična upala kod hipoventilacijskog sindroma pretilosti . PloS One 2009 4: e6733, 19701463.

18 Wang D, Piper AJ, Yee BJ i sur. Hiperkapnija je ključna korelacija EEG aktivacije i dnevne pospanosti u bolesnika s hiperkapničnim poremećajem disanja. J Clin Sleep Med 2014 10:517-22.

19 Gilmartin G, McGeehan B, Vigneault K i sur. Liječenje respiratorne nestabilnosti povezane s pozitivnim tlakom u dišnim putovima s poboljšanim ekspiracijskim prostorom za ponovno disanje (EERS) . J Clin Sleep Med 2010 6:529-38, 21206741.

20 Xie A, Teodorescu M, Pegelow DF i sur. Učinci stabilizacije ili povećanja respiratornih motornih izlaza na opstruktivnu apneju u snu. J Appl Physiol 2013 115:22-33, 23599393.

21 Thomas RJ, Daly RW, Weiss JW Ugljični dioksid niske koncentracije učinkovit je dodatak pozitivnom tlaku u dišnim putovima u liječenju refraktornog miješanog središnjeg i opstruktivnog poremećaja disanja u snu. Spavati 2005 28:69-77, 15700722.