نوشته شانیا کندی
– به محققان کوه سینا 4.1 میلیون دلار از موسسه ملی قلب، ریه و خون (NHLBI) در مؤسسه ملی بهداشت (NIH) برای توسعه مدل‌های هوش مصنوعی (AI) برای پیش‌بینی پیامدهای نامطلوب در آپنه انسدادی خواب اهدا شد.
این بیماری که به دلیل تنفس نامناسب و انسداد متناوب جریان هوا در طول خواب ایجاد می شود، تخمین زده می شود که تقریباً 39 میلیون بزرگسال در ایالات متحده را تحت تأثیر قرار دهد. آپنه خواب می تواند به طور قابل توجهی خواب را مختل کند و منجر به پیامدهای نامطلوب مانند فشار خون بالا، دیابت، کووید طولانی مدت و مرگ و میر ناشی از همه علل شود.
آپنه انسدادی خواب با استفاده از شاخص آپنه-هیپوپنه (AHI) تشخیص داده می‌شود، ابزاری که برای شمارش تعداد آپنه‌ها – زمانی که تنفس بیمار در طول خواب متوقف می‌شود – و هیپوپنه – دوره‌های کاهش جریان هوا در طول خواب طراحی شده است. سپس تعداد آپنه‌ها و هیپوپنه‌ها با هم ترکیب می‌شوند تا شدت آپنه خواب فرد را تعیین کنند.
با این حال، AHI محدود است و لزوماً پیش‌بینی‌کننده دقیق پیامدهای بیمار نیست، و پزشکان را به ایجاد ابزارهای تشخیصی و پیش‌آگهی بهبودیافته دعوت می‌کند.
برای این منظور، تیم تحقیقاتی در Mount Sinai تصمیم گرفتند تا یک رویکرد مبتنی بر هوش مصنوعی را برای ارزیابی خطر پیامدهای نامطلوب بیماران مبتلا به آپنه خواب انسدادی ایجاد کنند. این رویکرد به فیزیولوژی زمینه‌ای این بیماری و برخی از عملکردهای خواب آسیب می‌زند – مراحل خواب، تنفس و سطح اکسیژن – برای ایجاد یک امتیاز خطر که به پیش‌بینی پیامدهای کوتاه‌مدت و بلندمدت بیماران، مانند زیاده‌روی در طول روز کمک می‌کند. خواب آلودگی، اختلال عصبی شناختی، و عوارض قلبی عروقی.
محققان دو مدل یادگیری ماشینی (ML) را برای پیش‌بینی خطر بیماران با استخراج داده‌های متغیرهای تهویه، هیپوکسیک و برانگیختگی ایجاد کردند. پس از آموزش، این مدل ها برای تعیین خطرات پیامد نامطلوب در 11000 بیمار آپنه خواب استفاده شد.
یافته‌های این تجزیه و تحلیل نشان داد که یکی از مدل‌ها می‌تواند احتمال خواب‌آلودگی ناشی از آپنه را با دقت حدود 87 درصد به دقت پیش‌بینی کند، در حالی که مدلی که از AHI استفاده می‌کند می‌تواند همان متریک را با دقت تنها 54 درصد پیش‌بینی کند.
در گروهی متشکل از 4700 شرکت‌کننده، رویکرد هوش مصنوعی می‌تواند مرگ‌ومیر قلبی عروقی را با دقت بیش از 80 درصد در مقایسه با رویکرد استاندارد، که تنها 58 درصد دقت به دست آورد، پیش‌بینی کند.
محقق اصلی Ankit Parekh، PhD، مدیر گروه تحلیل خواب و شبانه روزی (SCAN) گفت: “پیشنهاد ما از یک مدل هوش مصنوعی پیشرفته استفاده می کند که بیماران مبتلا به آپنه خواب را با استفاده از داده های مربوط به مطالعات خواب معمولی مشخص می کند.” استادیار پزشکی (ریوی، مراقبت‌های ویژه و پزشکی خواب) در دانشکده پزشکی Icahn در کوه سینا، در بیانیه‌ای خبری.
“مطالعه ما عملکرد دنیای واقعی یک رویکرد هوش مصنوعی را ارزیابی می‌کند و شواهد مهمی را ارائه می‌کند که برای ترجمه معیارهایی که فراتر از آپنه-هیپوپنه است، مورد نیاز است. [index] در ارزیابی شدت آپنه انسدادی خواب در عمل بالینی. دستیابی به این امر ما را آماده تغییر پارادایم در مدیریت بالینی آپنه انسدادی خواب می‌کند.»
در حرکت رو به جلو، هدف تیم تحقیقاتی ارزیابی بیشتر مدل‌ها در گروهی از بیماران مرکز خواب یکپارچه کوه سینا است. شرکت کنندگان برای ثبت داده های امواج مغزی، سطح اکسیژن، ضربان قلب و تنفس در طول خواب، مطالعات خواب پلی سومنوگرام را انجام خواهند داد. سپس بیماران تحت نظر قرار می گیرند و از آنها خواسته می شود تا سه ماه پس از مطالعات خواب خود، یک دفترچه یادداشت دیجیتالی خواب داشته باشند.
سپس یافته های این مطالعه به صورت گذشته نگر برای تجزیه و تحلیل آماری بیشتر تایید می شود.
این آخرین تحقیقی است که به بررسی این موضوع می‌پردازد که چگونه ابزارهای سلامت دیجیتال می‌توانند نتایج را برای بیماران مبتلا به آپنه خواب بهبود بخشند.
سال گذشته، یک تیم تحقیقاتی از موسسه فناوری جورجیا (Georgia Tech) به اشتراک گذاشت که آنها یک دستگاه پوشیدنی ساخته اند که می تواند این وضعیت را با دقت 88.5 درصد تشخیص دهد.
این دستگاه که بر چسب های نصب شده روی پیشانی و چانه تکیه دارد، برای ارائه یک جایگزین بالقوه برای تست های پلی سومنوگرافی طراحی شده است که می تواند برای بیماران پرهزینه و غیر قابل دسترس باشد.
حسگرهای پوشیدنی سیگنال‌هایی را ارسال می‌کنند که فعالیت مغز، چشم و ماهیچه‌ها را از طریق بلوتوث ضبط می‌کنند و سپس از این داده‌ها برای ایجاد نمره خواب استفاده می‌شود. دقت بالای دستگاه نشان می دهد که در صورت تایید بالینی ممکن است برای کمک به تشخیص آپنه خواب مفید باشد.