Automatisierte KI-Analyse verbessert Diagnose von Schlafstörungen

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 Forscherteam unter der Leitung von Mount Sinai hat eine innovative Methode entwickelt, um die Diagnose von REM-Schlafverhaltensstörungen (RBD) zu verbessern. Diese Störung betrifft weltweit über 80 Millionen Menschen und ist oft ein frühes Anzeichen für Parkinson oder Demenz. Die Herausforderung bei der Diagnose von RBD liegt in der Schwierigkeit, die Symptome zu erkennen, da sie leicht übersehen oder mit anderen Krankheiten verwechselt werden können.

Traditionell erfordert die Diagnose von RBD eine Video-Polysomnographie, die von einem Facharzt in einem spezialisierten Schlaflabor durchgeführt wird. Die Interpretation der Daten ist jedoch subjektiv und komplex, da sie von verschiedenen Variablen wie Schlafphasen und Muskelaktivität abhängt. Obwohl Videoaufnahmen systematisch während eines Schlaftests gemacht werden, werden sie selten überprüft und oft nach der Auswertung verworfen.

Die Forscher von Mount Sinai haben nun einen automatisierten Algorithmus entwickelt, der Videoaufnahmen, die routinemäßig mit 2D-Kameras in Schlaflabors gemacht werden, analysiert. Diese Methode nutzt maschinelles Lernen, um Bewegungen während des REM-Schlafs zu erkennen und erreicht eine Genauigkeit von fast 92 Prozent. Dies stellt einen bedeutenden Fortschritt gegenüber früheren Ansätzen dar, die auf teure 3D-Kameras angewiesen waren.

Dr. Emmanuel During, der leitende Autor der Studie, betont, dass dieser automatisierte Ansatz in den klinischen Arbeitsablauf integriert werden könnte, um die Diagnose zu erleichtern und Fehldiagnosen zu vermeiden. Zudem könnte die Methode helfen, Behandlungsentscheidungen basierend auf der Schwere der Bewegungen während der Schlafstudien zu treffen und so die Versorgung der Patienten zu personalisieren.

Die Forscher von Mount Sinai bauten auf einem Vorschlag der Medizinischen Universität Innsbruck auf, der die Analyse von Bewegungen während Schlafstudien mittels Computer Vision vorsah. Diese Technologie ermöglicht es Computern, visuelle Daten wie Bilder und Videos zu analysieren und zu verstehen. Die Experten analysierten Aufnahmen von etwa 80 RBD-Patienten und einer Kontrollgruppe von etwa 90 Patienten ohne RBD, um die Bewegungen während des REM-Schlafs zu erkennen.

Die Studie zeigt, dass die Kombination aus KI und Computer Vision eine vielversprechende Lösung für die Diagnose von Schlafstörungen darstellt. Forscher der École Polytechnique Fédérale de Lausanne in der Schweiz trugen mit ihrer Expertise in Computer Vision zur Studie bei. Diese Zusammenarbeit unterstreicht die Bedeutung internationaler Kooperationen in der medizinischen Forschung.