東芬蘭大學研究人員開發(fā)的一種新的深度學習模型可以像經(jīng)驗豐富的醫(yī)師一樣準確地識別睡眠階段。這為包括阻塞性睡眠呼吸暫停在內的睡眠障礙的診斷和治療開辟了新途徑。

阻塞性睡眠呼吸暫停(OSA)是一種夜間呼吸系統(tǒng)疾病，對公共衛(wèi)生保健系統(tǒng)和國民經(jīng)濟造成重大負擔。據(jù)估計，全世界多達十億人患有阻塞性睡眠呼吸暫停，并且由于人口老齡化和肥胖癥患病率上升，預計這一數(shù)字還會增加。未經(jīng)治療，OSA會增加罹患心血管疾病和糖尿病的風險，以及其他嚴重的健康后果。

睡眠階段的識別對于包括阻塞性睡眠呼吸暫停在內的睡眠障礙的診斷至關重要。傳統(tǒng)上，將睡眠手動分為五個階段，分別是喚醒，快速眼動(REM)睡眠和非REM睡眠三個階段。然而，對睡眠階段進行人工評分是耗時，主觀且昂貴的。

為了克服這些挑戰(zhàn)，東芬蘭大學的研究人員使用了來自健康個體和可疑OSA個體的多導睡眠圖記錄數(shù)據(jù)，開發(fā)了用于自動分類睡眠階段的準確的深度學習模型。此外，他們想了解OSA的嚴重性如何影響分類準確性。

在健康個體中，該模型在使用單個額葉腦電圖通道(EEG)時能夠以83.7%的精度識別睡眠階段，在補充眼電圖(EOG)時能夠以83.9%的精度識別睡眠階段。在懷疑患有OSA的患者中，該模型的準確率分別為82.9%(單個EEG通道)和83.8%(EEG和EOG通道)。單通道準確性的范圍從無OSA個體的84.5%到嚴重OSA患者的76.5%。該模型獲得的精確度等同于經(jīng)驗豐富的醫(yī)師之間進行手動睡眠評分的對應關系。但是，該模型的優(yōu)點是系統(tǒng)化并始終遵循相同的協(xié)議，并在幾秒鐘內進行評分。

根據(jù)研究人員的說法，深度學習使疑似OSA病人能夠以較高的準確度自動進行睡眠分期。該研究發(fā)表在IEEE生物醫(yī)學與健康信息學雜志上。