AIOSA: منهجية لتحديد تلقائي لحالات انقطاع التنفس أثناء النوم الانسدادي بناءً على التعلم العميق

متلازمة انقطاع التنفس أثناء النوم الانسدادي (OSAS) هي الأكثر شيوعًا بين الاضطرابات التنفسية المرتبطة بالنوم. تُنتج عن زيادة مقاومة المسار التنفسي العلوي أثناء النوم، مما يؤدي إلى نوبات من انقطاع جزئي أو كلي في تدفق الهواء. يُعدّ الكشف عن OSAS والعلاج المناسب له أمرًا بالغ الأهمية خصوصًا لدى مرضى السكتة الدماغية، نظرًا لارتباط وجود OSAS الشديد بزيادة معدل الوفيات، وتفاقم العجز العصبي، ونتائج وظيفية أسوأ بعد إعادة التأهيل، بالإضافة إلى احتمال أكبر لعدم التحكم في ارتفاع ضغط الدم. يُعتبر التصوير النومي المتعدد (PSG) الفحص الذهبي لتشخيص OSAS. ومع ذلك، فإن إجراء فحص PSG في بيئة كهربائية مُضادة، مثل وحدة السكتة الدماغية، على مرضى مُعَرَّضين لاضطرابات عصبية، أمرٌ صعب للغاية؛ كما أن عدد حالات السكتة اليومية يفوق بكثير عدد الأجهزة المخصصة للفحص (PSG) والكوادر الطبية المتخصصة. لذلك، فإن وجود نظام بسيط وآلي للتمييز بين حالات OSAS بين المرضى المصابين بالسكتة الحادة، مبني على علامات حيوية مسجلة بشكل روتيني، أمرٌ مطلوب جدًا. تركز معظم الأبحاث السابقة على بيانات تم جمعها في ظروف مثالية وعلى مرضى مُختَارة بشكل دقيق، ما يجعلها غير قابلة للاستعمال الفعلي في البيئات الحقيقية، حيث تُعدّ أكثر فائدة. في هذا البحث، نقترح معمارية عميقة قائمة على التعلم التلقائي التوافقي (Convolutional Deep Learning) قادرة على تقليل الدقة الزمنية للبيانات الموجية الخام، مثل الإشارات الفيزيولوجية، واستخلاص السمات الأساسية التي يمكن استخدامها في معالجة لاحقة. ونستفيد من نماذج تعتمد على هذه المعمارية للكشف عن أحداث OSAS في تسجيلات وحدة السكتة المأخوذة من مراقبة مرضى غير مُختَارين. وبخلاف النهج الحالية، يتم إجراء التصنيف بدقة زمنية تبلغ ثانية واحدة، مما يمكّن الأطباء من فهم نتائج النموذج بشكل أفضل. واعتُبرت النتائج مرضية من قبل الخبراء في المجال. علاوةً على ذلك، وباستخدام معيار معياري شائع، نُظهر أن النهج المقترح يتفوق على الحلول الحالية الأكثر تقدمًا في مجال التكنولوجيا.