Ein vom Berg Sinai geleitetes Forscherteam hat einen auf künstlicher Intelligenz (KI) basierenden Algorithmus verbessert, um Videoaufzeichnungen klinischer Schlaftests zu analysieren und so letztendlich die genaue Diagnose einer häufigen Schlafstörung zu verbessern, von der weltweit mehr als 80 Millionen Menschen betroffen sind. Die Studienergebnisse wurden in der Fachzeitschrift veröffentlicht Annalen der Neurologie am 9. Januar.
Die REM-Schlafverhaltensstörung (REM-Schlafverhaltensstörung, RBD) ist eine Schlafstörung, die während der REM-Phase (Rapid Eye Movement) des Schlafs zu abnormalen Bewegungen oder körperlichen Reaktionen aus Träumen führt. Eine RBD, die bei ansonsten gesunden Erwachsenen auftritt, wird als „isolierte“ RBD bezeichnet. Es betrifft mehr als eine Million Menschen in den Vereinigten Staaten und ist in fast allen Fällen ein frühes Anzeichen der Parkinson-Krankheit oder Demenz.
RBD ist äußerst schwer zu diagnostizieren, da die Symptome unbemerkt bleiben oder mit anderen Krankheiten verwechselt werden können. Für eine endgültige Diagnose ist eine Schlafstudie, ein sogenanntes Video-Polysomnogramm, erforderlich, die von einem Arzt in einer Einrichtung mit Schlafüberwachungstechnologie durchgeführt wird. Die Daten sind zudem subjektiv und können aufgrund mehrerer und komplexer Variablen, einschließlich Schlafstadien und Ausmaß der Muskelaktivität, nur schwer allgemein zu interpretieren sein. Obwohl Videodaten während eines Schlaftests systematisch aufgezeichnet werden, werden sie selten überprüft und oft verworfen, nachdem der Test ausgewertet wurde.
Frühere begrenzte Arbeiten in diesem Bereich hatten darauf hingewiesen, dass möglicherweise forschungsfähige 3D-Kameras erforderlich sein könnten, um Bewegungen während des Schlafs zu erkennen, da Bettlaken oder Decken die Aktivität verdecken würden. Diese Studie ist die erste, die die Entwicklung einer automatisierten maschinellen Lernmethode skizziert, die Videoaufzeichnungen analysiert, die routinemäßig mit einer 2D-Kamera während Nachtschlaftests gesammelt werden. Diese Methode definiert auch zusätzliche „Klassifikatoren“ oder Bewegungsmerkmale, was eine Genauigkeitsrate für die Erkennung von RBD von fast 92 Prozent ergibt.
„Dieser automatisierte Ansatz könnte in den klinischen Arbeitsablauf bei der Interpretation von Schlaftests integriert werden, um die Diagnose zu verbessern und zu erleichtern und verpasste Diagnosen zu vermeiden“, sagte der korrespondierende Autor Emmanuel While, MD, außerordentlicher Professor für Neurologie (Bewegungsstörungen) und Medizin (Lungenkrankheit, 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 Bewegungen zu treffen, die während der Schlaftests angezeigt wurden, und letztendlich Ärzten dabei zu helfen, Pflegepläne für einzelne Patienten zu personalisieren.“
Das Mount Sinai-Team hat einen Vorschlag für eine automatisierte maschinelle Lernanalyse von Bewegungen während Schlafstudien repliziert und erweitert, der von Forschern der Medizinischen Universität Innsbruck in Österreich erstellt wurde. Dieser Ansatz nutzt Computer Vision, einen Bereich der künstlichen Intelligenz, der es Computern ermöglicht, visuelle Daten, einschließlich Bilder und Videos, zu analysieren und zu verstehen. Aufbauend auf diesem Rahmen verwendeten Mount-Sinai-Experten 2D-Kameras, die routinemäßig in klinischen Schlaflaboren zu finden sind, um den Schlaf der Patienten über Nacht zu überwachen. Der Datensatz umfasste die Analyse von Aufzeichnungen in einem Schlafzentrum mit 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 Bildern in einem Video berechnete, konnte Bewegungen während des REM-Schlafs erkennen. Die Experten überprüften die Daten, um die Geschwindigkeit, das Verhältnis, die Größe und die Geschwindigkeit der Bewegungen sowie das Verhältnis der Immobilität zu ermitteln. Sie analysierten diese fünf Merkmale kurzer Bewegungen und erreichten mit 92 Prozent die bislang höchste Genauigkeit der Forscher.
Forscher der Eidgenössischen Technischen Hochschule Lausanne (École Polytechnique Fédérale de Lausanne) in Lausanne, Schweiz, trugen zu der Studie bei, indem sie ihr Fachwissen im Bereich Computer Vision teilten.
