Physiological Signatures Derived from Wrist Accelerometry Improve Detection of Isolated REM Sleep Behavior Disorder
Diese Studie zeigt, dass ein maschinelles Lernmodell, das 876 physiologische Merkmale analysiert, die aus einer mehrnachtigen Handgelenk-Akzelerometrie abgeleitet wurden, eine isolierte REM-Schlaf-Verhaltensstörung mit einem AUC von 0,955 genau erkennen kann und somit eine skalierbare Alternative zur Polysomnographie zur Identifizierung von Kohorten mit prodromaler Synukleinopathie bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Ihr Gehirn ist eine geschäftige Stadt, die niemals wirklich schläft, selbst wenn Sie es tun. Während der größten Teile der Nacht sind die Sicherheitskräfte der Stadt (Ihre Muskeln) fest verriegelt, um Sie im Bett einzufrieren, damit Sie Ihre Träume nicht nachspielen. Aber bei einer Erkrankung namens REM-Schlaf-Verhaltensstörung (iRBD) machen diese Sicherheitskräfte eine Kaffeepause. Plötzlich kann der Träumende im Schlaf zuschlagen, treten oder schreien. Dies ist nicht nur eine kuriose Schlaf Angewohnheit; es ist ein massives Warnsignal. Wissenschaftler haben herausgefunden, dass diese Störung oft das allererste Warnzeichen dafür ist, dass eine Person im späteren Leben ernsthafte Gehirnkrankheiten wie Parkinson entwickeln könnte. Es frühzeitig zu erkennen, ist wie das Entdecken eines winzigen Risses in einem Damm, bevor die Flut kommt, was es Ärzten ermöglicht, mit schützenden Behandlungen zu beginnen, bevor der Schaden entsteht.
Das Problem ist, dass die derzeitige Methode, diese Risse zu finden, ein wenig so ist, als würde man einen Privatdetektiv anheuern, der Sie für ein paar Nächte in einem schicken Hotelzimmer beobachtet. Es erfordert Kabel, Kameras und teure Maschinen, die Polysomnographie (PSG) genannt werden. Es ist zu kostspielig und zu sperrig, um Millionen von Menschen zu untersuchen. Deshalb haben Forscher versucht, einen einfacheren Weg zu finden, wie etwa die Verwendung einer Smartwatch, um zu sehen, ob Sie sich zu viel bewegen. Aber hier ist der knifflige Teil: Nur zu sehen, dass Sie sich bewegen, reicht nicht aus. Eine Person mit Schlafapnoe oder dem Restless-Legs-Syndrom bewegt sich vielleicht viel, aber sie hat nicht die spezifische „Traum-Ausleben“-Störung. Die große Frage war: Kann ein einfacher Handsensor mehr tun, als nur Schritte zu zählen? Kann er tatsächlich den Unterschied zwischen einem normalen Traum und einem gefährlichen „fühlen“, indem er nur auf die winzigen Vibrationen Ihres Handgelenks hört?
Dieses Paper ist die Geschichte eines Teams von Forschern, die beschlossen haben, ihre Handsensoren in Super-Detektive zu verwandeln. Sie haben nicht nur gezählt, wie oft eine Person sich bewegt hat; sie haben ein hochentwickeltes Computergehirn (ein Machine-Learning-Modell) gebaut, um dem Rhythmus der Nacht zuzuhören. Sie sammelten Daten von 366 Personen aus vier verschiedenen Kliniken und zeichneten dabei über 5.800 Schlaf-Nächte auf. Sie brachten ihrem Computer bei, nach 876 verschiedenen Hinweisen zu suchen, die von der Dauer des Tiefschlafs bis hin zu den winzigen, fast unsichtbaren Veränderungen der Herzfrequenz und Atmung reichen, die auftreten, wenn man träumt.
Die Ergebnisse waren wie das Finden eines Geheimcodes. Die Forscher fanden heraus, dass ihr „Super-Detektiv“-Sensor die Störung mit unglaublicher Genauigkeit erkennen konnte. Als sie ihn an Menschen testeten, die er noch nie zuvor gesehen hatte, lag er in 95,5 % der Fälle richtig. Das ist ein riesiger Sprung im Vergleich zu älteren Methoden, die nur auf Bewegung achteten, welche nur in etwa 84 % der Fälle richtig lagen. Die Geheimzutat war nicht nur die Bewegung selbst; es war die Fähigkeit des Computers, zu erkennen, wann die Person in einer bestimmten Art von Schlaf (REM) war und wie ihr Körper in diesen Momenten reagierte. Obwohl der Sensor nicht perfekt zwischen Tiefschlaf und Leichtschlaf unterscheiden konnte (er war etwas unscharf, wie ein verschwommenes Foto), war er überraschend gut darin, zu bemerken, dass der „Träumteil“ der Nacht für die Patienten chaotisch und voller Zuckungen war, während er für gesunde Menschen ruhig blieb.
Das Team versuchte auch, die Sensordaten mit einem einfachen Fragebogen (einer Liste von Fragen zu Schlafgewohnheiten) zu kombinieren. Als sie die beiden kombinierten, waren die Ergebnisse bemerkenswert präzise: Sie fanden die Störung bei 72 % der Betroffenen, und in ihrem strengsten Test – bei dem sie das Modell in einigen Kliniken trainierten und in völlig anderen Kliniken testeten – machten sie null Fehler bei der Unterscheidung von gesunden Menschen und jenen mit der Störung. Das bedeutet, dass ein Arzt in Zukunft vielleicht nur ein paar Fragen stellen und einen Patienten eine Woche lang eine Uhr tragen lassen könnte, anstatt einen einwöchigen Aufenthalt in einem Schlaflabor zu buchen.
Die Autoren sind jedoch vorsichtig zu betonen, dass dies noch kein magisches Allheilmittel ist. Der Sensor funktioniert am besten, wenn er Daten von mehreren Nächten hat, da eine einzige schlechte Nacht mit Hin- und Herwälzen das System täuschen kann. Außerdem betrachtete die Studie Menschen, bei denen die Störung bereits durch die schicken Krankenhausmaschinen bestätigt worden war; er wurde noch nicht an der Allgemeinbevölkerung getestet, in der die Störung viel seltener ist und schwerer zu entdecken ist. Die Herzfrequenz- und Atemdaten, die die Sensoren erfassten, waren real und messbar, aber überraschenderweise halfen sie bei der Identifizierung der Störung in dieser spezifischen Gruppe nicht wesentlich weiter. Der wahre Held war das Muster der Schlafstadien und der Bewegungen.
Kurz gesagt deutet dieses Paper darauf hin, dass ein einfaches Armband, gepaart mit einem intelligenten Computer, zu einem mächtigen Werkzeug werden könnte, um dieses frühe Warnzeichen für Gehirnerkrankungen zu untersuchen. Es ist ein vielversprechender Schritt in Richtung einer Zukunft, in der wir diese Probleme frühzeitig, kostengünstig und ohne den Aufwand von Kabeln und Kameras erkennen können, was potenziell Menschen vor den schlimmsten Auswirkungen neurodegenerativer Erkrankungen bewahrt, noch bevor diese überhaupt beginnen. Aber wie bei jedem guten Detektivroman wird das letzte Kapitel – zu beweisen, dass es in der realen Welt bei jedem funktioniert – noch geschrieben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.