Машинное обучение полисомнографически

Научные отчеты, том 13, Номер статьи: 9120 (2023) Цитировать эту статью

Подробности о метриках

Чрезмерная дневная сонливость (ЧДС) вызывает трудности с концентрацией внимания и постоянную усталость в течение дня. В клинических условиях оценка и диагностика СЭД в основном опираются на субъективные анкеты и устные отчеты, что ставит под угрозу надежность клинического диагноза и способность четко определять кандидатуры доступных методов лечения и отслеживать ответ на лечение. В этом исследовании мы использовали вычислительный конвейер для автоматического, быстрого, высокопроизводительного и объективного анализа ранее собранных данных энцефалографии (ЭЭГ) для выявления суррогатных биомаркеров СЭД, тем самым определяя количественные изменения ЭЭГ у людей с высоким уровнем сонливости Эпворта. (ESS) (n = 31) по сравнению с группой лиц с низким ESS (n = 41) в клинике Кливленда. Анализируемые эпохи ЭЭГ были извлечены из большого реестра ночных полисомнограмм в наиболее близкий период бодрствования. Обработка сигналов ЭЭГ показала значительно отличающиеся характеристики ЭЭГ в группе с низким ESS по сравнению с группой с высоким ESS, включая повышенную мощность в альфа- и бета-диапазонах и затухание в дельта- и тета-диапазонах. Наши алгоритмы машинного обучения (ML), обученные бинарной классификации высокого и низкого ESS, достигли точности 80,2%, точности 79,2%, полноты 73,8% и специфичности 85,3%. Более того, мы исключили влияние смешивания клинических переменных, оценив статистический вклад этих переменных в наши модели МО. Эти результаты показывают, что данные ЭЭГ содержат информацию в форме ритмической активности, которую можно использовать для количественной оценки СЭД с использованием ML.

Чрезмерная дневная сонливость (EDS) возникает, когда бодрствование или бдительность становятся для человека все более сложной задачей. Это состояние не только присуще гиперсомническим расстройствам, таким как нарколепсия, идиопатическая гиперсомния и нарушения дыхания во сне, но также может быть связано с рядом клинических факторов, включая метаболические и неврологические заболевания, что в конечном итоге приводит к нарушению произвольной деятельности в течение дня или ночи1. . EDS стала серьезной общественной проблемой, когда она связана с утомляемостью, стоимость которой в США составляет более 135 миллиардов долларов в год в виде потери производительности, связанной со здоровьем2. Помимо финансовых затрат, индивидуальное восприятие трудностей с концентрацией внимания и ухудшение реакции мозга на аудио, визуальную и другую стимуляцию мотивирует поиск неинвазивного биомаркера, который может помочь идентифицировать СЭД и обеспечить эффективное лечение. Стремясь найти связь между сонливостью и ее взаимосвязанной динамикой в ​​центральной нервной системе (ЦНС), мы проверили гипотезу о том, что данные ЭЭГ содержат информацию в форме ритмической активности, которую можно использовать для количественной оценки СЭД с использованием машинного обучения (МО). .

Дневная сонливость влияет на ЦНС и приводит к изменениям функций и ритмов мозга. Предыдущие исследования сообщали о десинхронизации между левым и правым полушариями при умственном утомлении3, а данные визуализации предполагают изменение функциональных связей между таламусом и корой головного мозга4. Фактически, ЭЭГ показала многообещающие результаты в выявлении биомаркеров EDS, особенно для классификации состояний утомления и тревоги во время таких действий, как вождение автомобиля, с использованием портативных устройств ЭЭГ5, а также для прогнозирования времени реакции при вождении6. В клинике субъективные симптомы сонливости можно оценить с помощью шкалы сонливости Эпворта (ESS), которая представляет собой самооценку состояния практики для количественной оценки EDS или склонности к дремоте, и в целом она тесно связана со стандартами медицинской помощи. измерения сонливости, такие как тест на множественную задержку сна7. Однако современные методы диагностики остаются по существу субъективными, поскольку опираются на анкеты и устные отчеты.

В этом исследовании мы записали ЭЭГ в состоянии покоя у бодрствующих людей, полученные из реестра ночных полисомнограмм клиники Кливленда, и предварительно обработали данные с использованием алгоритма автоматического обнаружения артефактов, который наша команда ранее разработала8. Следуя статистически обоснованному подходу к выбору признаков ЭЭГ, мы обучили алгоритм ML выполнять бинарную классификацию низкой и высокой EDS. Мы дополнительно дополняем наше исследование статистическим анализом вклада вмешивающихся клинических переменных в наш бинарный классификатор ML.