AIOSA: Ein Ansatz zur automatischen Identifizierung von obstruktiven Schlafapnoe-Ereignissen basierend auf Deep Learning

Das obstruktive Schlafapnoesyndrom (OSAS) ist die häufigste schlafbezogene Atemstörung. Es entsteht durch eine erhöhte Widerstandskraft im oberen Atemweg während des Schlafes, was zu Episoden einer partiellen oder vollständigen Atemflussunterbrechung führt. Die Erkennung und Behandlung von OSAS ist besonders bei Schlaganfallpatienten von großer Bedeutung, da schwere Formen von OSAS mit einer erhöhten Mortalität, stärkeren neurologischen Defiziten, schlechteren funktionellen Ergebnissen nach Rehabilitation und einer höheren Wahrscheinlichkeit für nicht kontrollierten Bluthochdruck assoziiert sind. Der Goldstandard zur Diagnose von OSAS ist die Polysomnographie (PSG). Leider stellt die Durchführung einer PSG in elektrisch störanfälligen Umgebungen wie einer Schlaganfallstation bei neurologisch beeinträchtigten Patienten eine schwierige Aufgabe dar; zudem übersteigt die Zahl der täglichen Schlaganfälle deutlich die Verfügbarkeit von Polysomnographen und spezialisierten medizinischen Fachkräften. Daher ist ein einfaches und automatisiertes Erkennungssystem zur Identifizierung von OSAS bei akuten Schlaganfallpatienten wünschenswert, das auf routinemäßig aufgezeichneten Vitalzeichen basiert. Die bisherigen Forschungsarbeiten konzentrieren sich hauptsächlich auf Daten, die unter idealen Bedingungen und bei stark selektierten Patienten erfasst wurden, wodurch ihre Anwendbarkeit in realen klinischen Umgebungen, wo sie tatsächlich nützlich wären, stark eingeschränkt ist. In diesem Artikel stellen wir eine konvolutionale Tiefenlernarchitektur vor, die in der Lage ist, die zeitliche Auflösung von Rohwellenformdaten, wie physiologischen Signalen, zu reduzieren und dabei zentrale Merkmale zu extrahieren, die für eine weitere Verarbeitung genutzt werden können. Wir nutzen Modelle auf Basis dieser Architektur, um OSAS-Episoden in Aufzeichnungen aus der Schlaganfallstation zu erkennen, die bei unselektierten Patienten durchgeführt wurden. Im Gegensatz zu bestehenden Ansätzen erfolgt die Annotation mit einer Granularität von einer Sekunde, was Ärzten eine bessere Interpretierbarkeit der Modellergebnisse ermöglicht. Die Ergebnisse werden von Fachexperten als zufriedenstellend bewertet. Zudem zeigen wir anhand eines weit verbreiteten Benchmarks, dass der vorgeschlagene Ansatz die derzeitigen State-of-the-Art-Lösungen übertrifft.