Zespół badaczy z Mount Sinai opracował i udoskonalił algorytm oparty na sztucznej inteligencji, który analizuje nagrania z badań snu, co może znacząco poprawić precyzyjność diagnozowania zaburzeń snu. Dzięki temu innowacyjnemu podejściu stworzono nową metodę, która może pomóc w identyfikacji częstego schorzenia, wpływającego na zdrowie ponad 80 milionów osób na całym świecie. Wyniki badań opublikowano 9 stycznia w czasopiśmie naukowym Annals of Neurology.
REM Sleep Behavior Disorder — czym jest?
Zaburzenie zwane REM sleep behavior disorder (RBD) jest stanem, w którym podczas fazy snu REM osoba doświadcza nietypowych ruchów, takich jak fizyczne odgrywanie snów. Gdy występuje u osób zdrowych, określa się je mianem „izolowanego” RBD. Problem ten dotyczy ponad miliona ludzi w Stanach Zjednoczonych i w niemal wszystkich przypadkach jest wczesnym objawem choroby Parkinsona lub otępienia.
Diagnostyka RBD jest niezwykle trudna. Objawy często pozostają niezauważone bądź są mylone z innymi schorzeniami. Aby jednoznacznie postawić diagnozę, wymagana jest analiza wideo z badania snu, czyli tzw. wideopolisonogramu, wykonywanego w specjalistycznych placówkach. Problemem pozostaje jednak subiektywność interpretacji danych – lekarze muszą ocenić wiele zmiennych, takich jak fazy snu czy poziom aktywności mięśniowej. Co więcej, choć badania snu rejestrują dane wideo, w większości przypadków nagrania te są pomijane podczas analizy lub usuwane po interpretacji.
Nowa metoda – przełom w analizie ruchów w fazie REM
Dotychczas uważano, że wykrycie ruchów w fazie REM wymaga zaawansowanych kamer 3D, ponieważ koce czy pościel mogą zasłaniać część aktywności. Jednak badanie zespołu z Mount Sinai obala ten pogląd. Rozwinięto metodę wykorzystującą standardowe kamery 2D, które są powszechnie używane w laboratoriach badających zaburzenia snu. Z nową technologią stworzono automatyczny algorytm uczenia maszynowego, który analizuje nagrania wideo i wyodrębnia kluczowe cechy ruchów, osiągając aż 92% dokładności w diagnozowaniu RBD.
Metoda ta opiera się na zaawansowanej analizie ruchu pikseli między kolejnymi klatkami wideo, umożliwiając precyzyjne wykrywanie ruchów podczas snu. Badacze zastosowali pięć kluczowych cech ruchów, takich jak tempo, proporcja, wielkość, prędkość oraz czas bezruchu. Dzięki tak dokładnej analizie możliwe było osiągnięcie najwyższej precyzji, jaką dotąd odnotowano w badaniach nad RBD.
Wpływ na kliniczną diagnostykę zaburzeń snu
Nowa metoda może zostać włączona do standardowego procesu interpretacji badań snu, co przyczyni się do lepszej diagnostyki i zmniejszenia liczby błędnie postawionych diagnoz. Co więcej, dzięki analizie nasilenia ruchów w fazie REM, lekarze mogą precyzyjniej oceniać stan pacjenta i dostosowywać decyzje terapeutyczne, co w dłuższej perspektywie pozwala na spersonalizowaną opiekę zdrowotną.
„To podejście automatyczne można zastosować w klinicznym przepływie pracy, aby poprawić diagnozowanie i uniknąć przeoczeń. Metoda ta może również wspierać decyzje dotyczące leczenia w oparciu o nasilenie ruchów obserwowanych podczas badań snu” – mówi dr Emmanuel During, Profesor Neurologii w Icahn School of Medicine w Mount Sinai.
Międzynarodowa współpraca i przyszłość badań
Badanie było kontynuacją i rozwinięciem wcześniejszej propozycji automatycznej analizy ruchów w badaniach snu, zaproponowanej przez naukowców z Uniwersytetu Medycznego w Innsbrucku w Austrii. Współpraca z ekspertami z Politechniki Federalnej w Lozannie, zajmującymi się komputerową analizą obrazu, umożliwiła dalsze usprawnienie technologii. Zespół Mount Sinai przeprowadził badania na grupie 80 pacjentów z RBD oraz grupie kontrolnej składającej się z 90 uczestników, którzy cierpieli na inne zaburzenia snu lub nie mieli żadnych problemów w tym zakresie.
Podsumowanie
Wprowadzenie sztucznej inteligencji i automatycznej analizy wideo do diagnostyki zaburzeń snu może znacząco zmienić oblicze medycyny snu. Dzięki precyzyjnym narzędziom diagnostycznym możliwe jest wcześniejsze wykrywanie RBD, co pozwala na szybsze wdrażanie odpowiednich metod leczenia i monitorowania pacjentów. Postęp ten stanowi krok w stronę bardziej efektywnej i spersonalizowanej opieki nad osobami cierpiącymi na zaburzenia snu oraz może odegrać kluczową rolę w identyfikacji schorzeń neurodegeneracyjnych na wczesnym etapie.
