Apprendimento automatico polisonnografico

Rapporti scientifici volume 13, numero articolo: 9120 (2023) Citare questo articolo

Dettagli sulle metriche

L'eccessiva sonnolenza diurna (EDS) provoca difficoltà di concentrazione e stanchezza continua durante il giorno. In ambito clinico, la valutazione e la diagnosi di EDS si basano principalmente su questionari soggettivi e resoconti verbali, il che compromette l’affidabilità della diagnosi clinica e la capacità di discernere in modo affidabile la candidatura per le terapie disponibili e di monitorare la risposta al trattamento. In questo studio, abbiamo utilizzato una pipeline computazionale per l'analisi automatizzata, rapida, ad alta produttività e obiettiva dei dati encefalografici (EEG) precedentemente raccolti per identificare biomarcatori surrogati per l'EDS, definendo così i cambiamenti quantitativi dell'EEG negli individui con un'elevata scala di sonnolenza di Epworth. (ESS) (n = 31), rispetto a un gruppo di individui con ESS basso (n = 41) presso la Cleveland Clinic. Le epoche dell'EEG analizzate sono state estratte da un ampio registro di polisonnogrammi notturni durante il periodo più prossimo di veglia. L'elaborazione del segnale dell'EEG ha mostrato caratteristiche EEG significativamente diverse nel gruppo con ESS basso rispetto a quello con ESS alto, inclusa una maggiore potenza nelle bande alfa e beta e un'attenuazione nelle bande delta e theta. I nostri algoritmi di machine learning (ML) addestrati sulla classificazione binaria di ESS alto o basso hanno raggiunto un'accuratezza dell'80,2%, una precisione del 79,2%, un ricordo del 73,8% e una specificità dell'85,3%. Inoltre, abbiamo escluso gli effetti delle variabili cliniche confondenti valutando il contributo statistico di queste variabili sui nostri modelli ML. Questi risultati indicano che i dati EEG contengono informazioni sotto forma di attività ritmica che potrebbero essere sfruttate per la valutazione quantitativa dell’EDS utilizzando la ML.

La sonnolenza diurna eccessiva (EDS) si verifica quando rimanere svegli o vigili rappresenta una sfida progressiva per l'individuo. Questa condizione non è solo inerente ai disturbi dell'ipersonnia come la narcolessia, l'ipersonnia idiopatica e i disturbi respiratori del sonno, ma può anche essere associata a una serie di fattori clinici, tra cui malattie metaboliche e neurologiche, che si traducono in ultima analisi in una compromissione delle attività volontarie durante il giorno o la notte1. . L’EDS è diventata una grave preoccupazione pubblica se associata all’affaticamento, costando più di 135 miliardi di dollari all’anno in perdita di produttività correlata alla salute negli Stati Uniti2. Oltre al costo finanziario, la percezione individuale della difficoltà di concentrazione e del deterioramento della risposta cerebrale alla stimolazione audio, visiva e di altro tipo motiva la ricerca di un biomarcatore non invasivo che possa aiutare a identificare l’EDS per fornire un trattamento efficace. Cercando di trovare associazioni tra la sonnolenza e le sue dinamiche intrecciate nel sistema nervoso centrale (SNC), abbiamo testato l'ipotesi che i dati EEG contengano informazioni sotto forma di attività ritmica che potrebbero essere sfruttate per la valutazione quantitativa dell'EDS utilizzando l'apprendimento automatico (ML) .

La sonnolenza diurna colpisce il sistema nervoso centrale e porta a cambiamenti nelle funzioni e nei ritmi cerebrali. Studi precedenti hanno riportato una desincronizzazione tra gli emisferi sinistro e destro in condizioni di affaticamento mentale3, e i dati di imaging suggeriscono un'alterata connettività funzionale tra talamo e corteccia4. In effetti, l’EEG ha mostrato risultati promettenti nell’identificazione dei biomarcatori EDS, in particolare per la classificazione della fatica rispetto allo stato di allerta durante attività come la guida utilizzando dispositivi EEG portatili5 e per prevedere il tempo di reazione alla guida6. In clinica, i sintomi soggettivi della sonnolenza possono essere valutati mediante la Epworth Sleepiness Scale (ESS), che è l'autovalutazione sullo stato della pratica per quantificare l'EDS o la propensione al sonno e, in generale, è altamente correlata allo standard di cura misurazioni della sonnolenza come il test multiplo della latenza del sonno7. Tuttavia, gli attuali metodi diagnostici rimangono essenzialmente soggettivi, perché si basano su questionari e resoconti verbali.

In questo studio, abbiamo registrato l'EEG in stato di riposo di soggetti umani svegli ottenuti dal registro dei polisonnogrammi notturni della Cleveland Clinic e abbiamo pre-elaborato i dati utilizzando un algoritmo automatizzato di rilevamento degli artefatti che il nostro team ha precedentemente sviluppato8. Seguendo un approccio guidato statisticamente per la selezione delle caratteristiche EEG, abbiamo addestrato un algoritmo ML per eseguire una classificazione binaria di EDS basso rispetto a quello alto. Completiamo ulteriormente il nostro studio con un'analisi statistica del contributo delle variabili cliniche confondenti al nostro classificatore binario ML.