Automatisierte KI-Analyse verbessert Schlafstörungsdiagnose

NEW YORK / MÜNCHEN (IT BOLTWISE) – Ein Forscherteam unter der Leitung von Mount Sinai hat eine KI-gestützte Methode entwickelt, um Videoaufnahmen von klinischen Schlafstudien zu analysieren und die Diagnose einer weit verbreiteten Schlafstörung zu verbessern.

Ein Team von Forschern unter der Leitung von Mount Sinai hat eine Künstliche Intelligenz (KI) entwickelt, die Videoaufnahmen von klinischen Schlafstudien analysiert, um die Diagnose einer häufigen Schlafstörung zu verbessern, die weltweit mehr als 80 Millionen Menschen betrifft. Die Ergebnisse der Studie wurden im Fachjournal Annals of Neurology veröffentlicht.

Die REM-Schlaf-Verhaltensstörung (RBD) ist eine Schlafstörung, die zu abnormalen Bewegungen oder dem physischen Ausleben von Träumen während der REM-Schlafphase führt. Diese Störung, die bei ansonsten gesunden Erwachsenen auftritt, wird als “isolierte” RBD bezeichnet und betrifft mehr als eine Million Menschen in den USA. In fast allen Fällen ist sie ein frühes Anzeichen für Parkinson oder Demenz.

Die Diagnose von RBD ist äußerst schwierig, da die Symptome oft unbemerkt bleiben oder mit anderen Krankheiten verwechselt werden können. Eine eindeutige Diagnose erfordert eine Schlafstudie, bekannt als Video-Polysomnogramm, die von einem Mediziner in einer Einrichtung mit Schlafüberwachungstechnologie durchgeführt wird. Die Daten sind zudem subjektiv und können aufgrund der Vielzahl und Komplexität der Variablen, einschließlich der Schlafphasen und der Muskelaktivität, schwer zu interpretieren sein.

Frühere Arbeiten in diesem Bereich deuteten darauf hin, dass Forschungs-Kameras mit 3D-Technologie erforderlich sein könnten, um Bewegungen während des Schlafs zu erkennen, da Bettlaken oder Decken die Aktivität verdecken könnten. Diese Studie ist die erste, die die Entwicklung einer automatisierten Methode des maschinellen Lernens beschreibt, die Videoaufnahmen analysiert, die routinemäßig mit einer 2D-Kamera während nächtlicher Schlafstudien gesammelt werden. Diese Methode definiert zusätzliche “Klassifikatoren” oder Merkmale von Bewegungen und erreicht eine Genauigkeitsrate von fast 92 Prozent bei der Erkennung von RBD.

“Dieser automatisierte Ansatz könnte in den klinischen Arbeitsablauf bei der Interpretation von Schlafstudien integriert werden, um die Diagnose zu verbessern und Fehldiagnosen zu vermeiden”, sagte der korrespondierende Autor Emmanuel During, MD, Associate Professor für Neurologie (Bewegungsstörungen) und Medizin (Pneumologie, Intensivmedizin und Schlafmedizin) an der Icahn School of Medicine am Mount Sinai. “Diese Methode könnte auch verwendet werden, um Behandlungsentscheidungen basierend auf der Schwere der während der Schlafstudien gezeigten Bewegungen zu informieren und letztendlich Ärzten zu helfen, individuelle Behandlungspläne für Patienten zu personalisieren.”

Das Mount Sinai-Team replizierte und erweiterte einen Vorschlag für eine automatisierte maschinelle Lernanalyse von Bewegungen während Schlafstudien, der von Forschern der Medizinischen Universität Innsbruck in Österreich erstellt wurde. Dieser Ansatz nutzt Computer Vision, ein Bereich der Künstlichen Intelligenz, der es Computern ermöglicht, visuelle Daten wie Bilder und Videos zu analysieren und zu verstehen. Aufbauend auf diesem Rahmenwerk verwendeten die Experten von Mount Sinai 2D-Kameras, die routinemäßig in klinischen Schlaflabors zu finden sind, um den Schlaf der Patienten über Nacht zu überwachen. Der Datensatz umfasste die Analyse von Aufnahmen in einem Schlafzentrum von etwa 80 RBD-Patienten und einer Kontrollgruppe von etwa 90 Patienten ohne RBD, die entweder eine andere Schlafstörung oder keine Schlafstörung hatten.

Ein automatisierter Algorithmus, der die Bewegung von Pixeln zwischen aufeinanderfolgenden Frames in einem Video berechnete, konnte Bewegungen während des REM-Schlafs erkennen. Die Experten überprüften die Daten, um die Rate, das Verhältnis, die Größe und die Geschwindigkeit der Bewegungen sowie das Verhältnis der Unbeweglichkeit zu extrahieren. Sie analysierten diese fünf Merkmale kurzer Bewegungen, um die bisher höchste Genauigkeit von Forschern zu erreichen, nämlich 92 Prozent.

Forscher von der Eidgenössischen Technischen Hochschule Lausanne (École Polytechnique Fédérale de Lausanne) in Lausanne, Schweiz, trugen zur Studie bei, indem sie ihr Fachwissen im Bereich der Computer Vision teilten.