Performance of a Semi-Automated Hierarchical Rest Interval Detection Pipeline (actiSleep) for Wrist Actigraphy in Adolescents

Deze studie toont aan dat de semi-automatische actiSleep-pijplijn voor het detecteren van rustintervallen bij adolescenten nauwkeuriger is dan puur op activiteit gebaseerde methoden en een betrouwbaar alternatief biedt voor handmatige scoring.

De kern

De Slapeloze Wachter: Hoe een Slimme Digitale Assistent de Slaap van Tieneren Meet

Stel je voor dat je een horloge draagt dat niet alleen de tijd aangeeft, maar ook je bewegingen volgt. Dit horloge is een actiwatch. Het is als een trouwe, maar soms verwarde, bewaker die 24 uur per dag aan je pols zit en noteert: "Beweging!" of "Rust!". Voor onderzoekers is dit een goudmijn om te zien hoe mensen slapen, zonder dat ze in een lab hoeven te liggen.

Maar hier zit de hapering: het horloge is niet perfect. Soms ligt iemand stil in bed en denkt het horloge: "Ah, hij slaapt!" terwijl de persoon eigenlijk alleen maar wakker ligt en naar het plafond staart. Soms beweegt iemand in zijn slaap, en denkt het horloge: "Hij is wakker!" terwijl hij juist diep slaapt.

Het Probleem: De Menselijke "Slaap-Detective"

Om dit op te lossen, doen onderzoekers het vaak handmatig. Ze kijken naar het horlogedata, maar ook naar een dagboek (waar de tiener schrijft: "Ik ging om 23:00 naar bed"), knopjes die ze op het horloge drukken ("Ik ga slapen"), en lichtsensoren (was het donker?).

Dit is als het werk van een slapeloze detective. Deze detective moet elke nacht van elke tiener bekijken en beslissen: "Wanneer begon de rust? Wanneer eindigde hij?"

• Het goede: Het is heel nauwkeurig.
• Het slechte: Het duurt eeuwen. Voor 50 tieners met twee weken data is dit duizenden uren werk. Het is als het handmatig tellen van elk kippetje in een heel land.

De Oplossing: actiSleep (De Slimme Robot)

De auteurs van dit artikel hebben een nieuwe tool bedacht, genaamd actiSleep. Denk hierbij niet aan een robot die alles zelf bedenkt, maar aan een super-efficiënte assistent die precies doet wat de detective doet, maar dan in een flits.

Hoe werkt het?
Stel je voor dat je een recept hebt voor een perfecte taart (de regels voor slapen).

1. De oude manier (Handmatig): Een bakker (de onderzoeker) leest het recept, pakt de ingrediënten (horloge, dagboek, licht), en maakt de taart. Hij doet dit voor 50 taarten. Het duurt lang, maar het smaakt goed.
2. De automatische manier (Alleen beweging): Een machine die alleen kijkt of je beweegt. Soms maakt hij een taart die te plat is (want hij ziet niet dat je stil lag maar wakker was).
3. De nieuwe manier (actiSleep): Een robot die het recept van de bakker heeft geleerd. Hij kijkt naar de beweging, maar ook naar het dagboek en het licht. Hij volgt exact dezelfde regels als de bakker, maar hij doet het in een seconde.

Wat hebben ze ontdekt?

De onderzoekers testten deze robot op 51 tieners (sommige met een risico op stemmingsstoornissen, andere niet). Ze vergeleken de robot met de menselijke detective en met de simpele bewegings-machine.

• De robot (actiSleep) deed het bijna net zo goed als de mens. De tijden waarop de robot dacht dat iemand ging slapen of wakker werd, zaten gemiddeld maar 1 tot 3 minuten naast de tijd van de mens.
• De simpele machine deed het slechter. Die zat soms 14 minuten naast de waarheid.
• Het echte geheim: Het verschil zat hem in de marges. Net als bij het opstaan of in slaap vallen (de "randen" van de slaap), waar het vaak onduidelijk is, was de robot veel scherper dan de simpele machine. Hij wist precies te zien: "Ah, het licht ging uit, dus hij probeerde te slapen," terwijl de simpele machine dacht: "Hij beweegt nog een beetje, dus hij is wakker."

Waarom is dit belangrijk?

Voor grote onderzoeken (waar duizenden mensen aan deelnemen) is het onmogelijk om alles handmatig te doen. Als je alleen de simpele bewegings-machine gebruikt, krijg je onnauwkeurige data, vooral bij mensen die slecht slapen of veel piekeren.

actiSleep is de gouden middenweg. Het is als het hebben van een super-bakker die de kwaliteit van de menselijke bakker behoudt, maar de snelheid van een machine. Hierdoor kunnen onderzoekers veel grotere groepen mensen bestuderen met betrouwbare data, zonder dat ze jarenlang hoeven te wachten op de resultaten.

Kortom: Ze hebben een slimme digitale assistent gemaakt die de "slapeloze detective" vervangt. Hij is snel, eerlijk en maakt veel minder fouten dan de oude automatische methodes. Dit helpt ons om beter te begrijpen hoe tieners slapen en hoe we hen kunnen helpen.

Technische samenvatting

Hieronder volgt een gedetailleerde technische samenvatting van het artikel "Performance of a Semi-Automated Hierarchical Rest Interval Detection Pipeline (actiSleep) for Wrist Actigraphy in Adolescents" in het Nederlands.

Probleemstelling

Actigrafie (het meten van beweging via een polsband) is een veelgebruikt hulpmiddel voor het schatten van slaappatronen in zowel onderzoek als de klinische praktijk. Hoewel polysomnografie de gouden standaard blijft, is deze te duur en onpraktisch voor langdurig monitoring.
De huidige uitdagingen bij actigrafie zijn:

1. Automatische algoritmen: Bestaande geautomatiseerde methoden (gebaseerd puur op activiteit) hebben bekende biases, zoals het verkeerd classificeren van rustige waaktoestand als slaap, wat leidt tot onnauwkeurige schattingen van slaapefficiëntie en slaaplatentie.
2. Handmatige scoring: De huidige "best practice" is handmatige scoring waarbij experts meerdere databronnen combineren (activiteit, slaapdagboek, lichtsensor en knopdrukken op het apparaat) om het "rustinterval" (de periode waarin men probeert te slapen) vast te stellen. Dit proces is echter tijdrovend, niet schaalbaar voor grote cohortstudies en vatbaar voor reproduceerbaarheidsproblemen door subjectiviteit.

Er is behoefte aan een methode die de nauwkeurigheid van handmatige scoring combineert met de efficiëntie van automatisering.

Methodologie

De auteurs ontwikkelden en valideerden een semi-geautomatiseerd algoritme genaamd actiSleep.

• Studiepopulatie: Een observationele studie met 51 adolescenten (14-19 jaar), bestaande uit een "Low-Risk" groep (gezond, n=29) en een "High-Risk" groep (verhoogd risico op bipolaire stoornis door ouderlijke voorgeschiedenis, n=22).

• Dataverzameling: Deelnemers droegen 2 weken lang een Actiwatch Spectrum (Philips Respironics) en vulden dagelijks een slaapdagboek in. De data omvatten activiteit, lichtintensiteit, knopdrukken (event markers) en zelfrapportage.

• Vergelijkende Algoritmen: De prestaties van actiSleep werden vergeleken met drie andere methoden:

  1. Hand-scoring (Referentie): Een expert (AMS) paste een gestandaardiseerd hiërarchisch algoritme toe (gebaseerd op Patel et al.) dat alle databronnen combineert.
  2. actiSleep: Een semi-geautomatiseerde R-pipeline die dezelfde hiërarchische regels toepast als de hand-scoring, maar data automatisch verwerkt. Het gebruikt een hiërarchie voor Start van rust (Marker > Dagboek > Licht > Activiteit) en Einde van rust (Activiteit > Licht > Marker > Dagboek). Het algoritme flagt dagen voor handmatige controle bij afwijkingen (bijv. zeer korte of lange intervallen).
  3. Activity-Merged: Een volledig geautomatiseerde versie die alleen activiteitsdata gebruikt, maar rustintervallen die dicht bij elkaar liggen samenvoegt.
  4. Activity-Only: Een volledig geautomatiseerde versie die puur op activiteitsdata baseert (standaard Philips-Respirionics algoritme).

• Analyse: De overeenkomst werd gemeten via Bland-Altman-plots (voor starttijd, eindtijd en duur van het rustinterval) en via Epoch-level statistieken (Positive Predictive Value - PPV en True Positive Rate - TPR), specifiek gefocust op de "tails" (de eerste en laatste 30-60 minuten) van het rustinterval, waar de meeste onzekerheid ligt.

Belangrijkste Bijdragen

1. Ontwikkeling van actiSleep: Een semi-geautomatiseerd pipeline dat de complexe, hiërarchische besluitvorming van menselijke scorers nabootst door meerdere datastromen (dagboek, licht, markers, activiteit) te integreren.
2. Efficiëntie: Het proces werd drastisch versneld. Handmatige scoring van het volledige cohort nam naar schatting 17 uur in beslag, terwijl actiSleep het volledige dataset in ongeveer 1 uur verwerkte (inclusief het controleren van slechts 19 "geflagde" dagen).
3. Validatie in een complexe populatie: De validatie vond plaats in een groep adolescenten met variërende slaapproblemen en psychiatrische risicofactoren, wat de robuustheid van het algoritme testte.
4. Open Source: Het algoritme is beschikbaar gesteld via GitHub, wat bijdraagt aan reproduceerbaarheid in de wetenschap.

Resultaten

• Overeenkomst met Hand-scoring:
  • Alle algoritmen toonden een sterke gemiddelde overeenkomst, maar actiSleep had de nauwste overeenkomst (kleinste spreiding en smalste marge van overeenkomst in Bland-Altman plots).
  • Starttijd (Rest Onset): actiSleep verschilde gemiddeld minder dan 2 minuten van hand-scoring. Activity-Merged verschilde <4 minuten en Activity-Only <14 minuten.
  • Eindtijd (Rest Offset): actiSleep verschilde met 3 minuten (significant maar klein), terwijl Activity-Only tot 14 minuten afweek.
  • Duur: actiSleep en Activity-Merged waren statistisch niet significant verschillend van hand-scoring; Activity-Only had grotere afwijkingen.
• Epoch-level Nauwkeurigheid (PPV en TPR):
  • Voor het volledige interval waren de scores hoog (>96%) voor alle methoden.
  • Cruciaal verschil: In de kritieke "tails" (eerste en laatste 30-60 minuten) presteerde actiSleep aanzienlijk beter. Voor de eerste/laatste 60 minuten bleef de TPR en PPV van actiSleep rond de 95%, terwijl de andere algoritmen daalden naar de lage 90s of hoge 80s. Voor de eerste/laatste 30 minuten bleef actiSleep boven de 90%, terwijl de anderen daalden naar de midden-80s/hoge 70s.
• Subgroepanalyse: De verbetering door actiSleep was het meest opvallend in de High-Risk groep (met meer slaapproblemen en psychiatrische pathologie), waar de puur op activiteit gebaseerde algoritmen minder goed presteerden.

Betekenis en Conclusie

De studie toont aan dat actiSleep een valide, semi-geautomatiseerd alternatief is voor handmatige scoring van actigrafie-data bij adolescenten.

• Kwaliteit: Het behoudt de nauwkeurigheid van best-practice handmatige scoring door gebruik te maken van meerdere databronnen en hiërarchische regels, wat vooral belangrijk is voor de bepaling van slaapparameters zoals slaaplatentie en efficiëntie.
• Schaalbaarheid: Het lost het probleem van tijdsinvestering op, waardoor het toepasbaar wordt voor grote cohortstudies die nu vaak afhankelijk zijn van minder nauwkeurige, puur geautomatiseerde methoden.
• Toekomstperspectief: Hoewel het algoritme specifiek is getraind op de Philips Actiwatch, is het ontwerp flexibel genoeg om aangepast te worden voor andere apparaten en populaties. De auteurs benadrukken dat verdere validatie in andere steekproeven nodig is, maar dat actiSleep een belangrijke stap is naar betere reproduceerbaarheid in slaaponderzoek.