Modelul AI pentru somn identifică riscuri pentru sănătate neobservate de scorurile standard de apnee
Cercetătorii au dezvoltat un model bazat pe inteligență artificială (AI) care poate extrage semnale fiziologice ascunse din datele testelor de somn de rutină pentru a stratifica pacienții în funcție de riscurile pe termen lung pentru sănătate.
Studiul a fost publicat în jurnalul Nature Communications. Somnul este un stadiu biologic reglat esențial pentru bunăstarea fizică și mentală. Somnul întrerupt poate afecta semnificativ calitatea vieții și crește riscul de boli cardiovasculare, neurologice și psihiatrice.
Tulburările de somn sunt extrem de frecvente la nivel mondial, reprezentând o povară de sănătate globală considerabilă. Apneea în somn este una dintre cele mai comune tulburări ale somnului și afectează aproape un miliard de adulți din întreaga lume.
Polisomnografia este testul standard de aur pentru diagnosticarea tulburărilor de somn. Totuși, interpretarea clinică a acestui test este adesea redusă la măsuri sumare unice de valoare prognostică limitată, cum ar fi indicele apnee-hipopnee (AHI). Acest indice captează doar informații limitate despre fiziologia somnului și, prin urmare, nu poate evalua complet integritatea somnului.
O echipă de cercetare multidisciplinară a dezvoltat recent un model bazat pe AI care poate decoda tiparele ascunse de somn asociate cu bolile cardiovasculare, deficiența cognitivă și riscul de mortalitate.
Cercetătorii au creat un model de bază AI capabil să analizeze rezultatele polisomnografiei de o noapte întreagă pentru a identifica tipare fiziologice ascunse asociate cu rezultatele clinice pe termen lung. Spre deosebire de modelele tradiționale de învățare automată, care depind adesea de designuri specifice sarcinii și necesită reantrenare completă pentru sarcini noi, modelele de bază sunt modele generale, antrenate pe seturi de date mari și diverse. Această metodologie permite acestor modele să se adapteze la noi seturi de date sau sarcini cu o formare suplimentară minimă.
Cu toate acestea, aplicarea acestei metodologii asupra datelor de polisomnografie este provocatoare, deoarece înregistrările de somn sunt mari, zgomotoase și extrem de specifice pentru fiecare individ. Aceste provocări subliniază necesitatea dezvoltării unor metode inovatoare care să transforme semnalele fiziologice înregistrate la frecvențe diferite în token-uri uniforme pentru modelele de învățare automată.
Aici, cercetătorii și-au antrenat modelul de bază folosind o resursă unică de 10.000 de studii de polisomnografie de înaltă rezoluție din Registrul STARLIT al Cleveland Clinic, care erau legate de dosarele medicale electronice. După controlul calității, 9.608 studii din 9.297 de pacienți au fost păstrate pentru analizele de grupare.
Prin extragerea și analiza caracteristicilor fiziologice ascunse din semnalele neuronale, oculare, musculare, cardiace, de oxigenare și ventilatorii din înregistrările de somn de rutină, modelul de bază a identificat cinci grupuri de pacienți cu riscuri diferite în ceea ce privește mortalitatea, evenimentele cardiovasculare adverse majore, fibrilația atrială, deficiența cognitivă și epilepsia.
Pacienții categorisiți în grupul cu cel mai ridicat risc au prezentat un risc de mortalitate de peste două ori mai mare comparativ cu cei din categoria cu cel mai scăzut risc. În contrast, categoriile de severitate ale AHI tradiționale nu au reușit să prezică mortalitatea.
De zeci de ani, AHI a fost folosit pe scară largă pentru a defini severitatea respirației în somn cu tulburări. Totuși, indicele nu a detectat nicio asociere cu mortalitatea în cohorta studiată, indicând o capacitate insuficientă de a stratifica riscurile clinice semnificative.
Pe de altă parte, grupurile de risc derivate din AI au arătat asociații clare și gradate cu rezultatele clinice, chiar și după ajustarea pentru demografie, comorbidități și AHI în sine. Aceste constatări sugerează că modelul de bază poate captura semnale fiziopatologice mai detaliate ale somnului asociate cu rezultatele clinice dincolo de cele capturate doar prin obstrucția căilor respiratorii.
Societatea Americană de Pneumologie (ATS) a prioritizat dezvoltarea unor măsuri obiective și scalabile care să depășească AHI pentru a prezice rezultatele cardiovasculare și neurologice. Descoperirile actuale contribuie direct la aceste priorități prin furnizarea unui cadru scalabil, validat extern, care descoperă semnale fiziologice ascunse cu implicații clinice clare.
Pentru a valida robustețea modelului, cercetătorii au aplicat o versiune simplificată a abordării de stratificare pe date obținute din Studiul Somnului și Sănătății Cardiace (SHHS). Această abordare a reprodus asociațiile cu mortalitatea și insuficiența cardiacă atât la bărbați, cât și la femei.
În contrast, analizele anterioare din SHHS au legat respirația severă în somn de insuficiența cardiacă doar la bărbați și au găsit asociații cu mortalitatea în principal în rândul bărbaților de vârstă mijlocie cu boală severă. Consistența rezultatelor în cadrul cohortelor independente utilizând diferite protocoale de polisomnografie susține potențialul de generalizare al abordării.
Este demn de menționat că participanții din grupul cu risc ridicat din SHHS au avut un timp total de somn semnificativ mai scurt, similar cu perturbările fiziologice observate în clusterul cu cel mai înalt risc din cohorta STARLIT, susținând astfel plauzibilitatea biologică și relevanța clinică.
Punctul forte major al studiului este integrarea semnalelor polisomnografice multimodale cu dosarele medicale electronice longitudinale dintr-o cohortă clinică mare și demografic diversă. Dosarele legate au oferit o fereastră medie totală de observație clinică de 14,5 ani, inclusiv istoricul medical anterior și urmărirea după polisomnografie. Această integrare a îmbunătățit bogăția datelor clinice și a permis o stratificare a riscurilor mai cuprinzătoare decât oricare dintre surse luate separat.
Modelul de bază, totuși, a fost antrenat folosind obiective supervizate de tehnicieni, inclusiv stadiile somnului, evenimentele respiratorii și desaturările de oxigen. O posibilă influență a acestor obiective asupra învățării embedding-ului nu poate fi complet ignorată. Prin urmare, cercetările viitoare care explorează obiective auto-supervizate și orientate pe boli sunt necesare pentru a reduce dependența de etichetele definite de tehnic.
Alte limitări includ lipsa datelor obiective privind aderența la presiunea pozitivă a căilor respiratorii, înregistrările incomplete ale medicamentelor, posibilele confuzii reziduale și dependența de codurile de diagnostic ale dosarelor de sănătate electronice. De asemenea, designul retrospectiv împiedică concluziile cauzale, iar validarea externă suplimentară și studiile clinice prospective vor fi necesare înainte ca modelul să poată fi implementat în mediile de sănătate. Aceste studii vor trebui, de asemenea, să determine dacă abordarea poate ghida cu acuratețe evaluarea riscurilor și îmbunătăți rezultatele pentru pacienți individuali.
