Forscher verbessern automatisierte Methode zur Erkennung häufiger Schlafstörungen, von denen Millionen Menschen betroffen sind
KI-gestützte Computer Vision revolutioniert die Diagnose der REM-Schlaf-Verhaltensstörung
Eine bahnbrechende Studie unter der Leitung von Forschern am Mount Sinai hat einen innovativen Algorithmus für künstliche Intelligenz (KI) entwickelt, der die Diagnose einer häufigen Schlafstörung, die weltweit Millionen von Menschen betrifft, revolutionieren könnte. Die im Fachjournal Annals of Neurology veröffentlichte Forschung zeigt, wie Computer-Vision-Technologie die REM-Schlaf-Verhaltensstörung (RBD) anhand von Standard-2D-Videoaufnahmen aus Schlafstudien genau erkennen kann.
Aufdeckung eines stillen Prädiktors für neurodegenerative Erkrankungen
Die REM-Schlaf-Verhaltensstörung ist eine Erkrankung, bei der Betroffene ihre Träume physisch ausleben, oft mit plötzlichen, manchmal gewaltsamen Bewegungen. Während sie allein in den Vereinigten Staaten über eine Million Menschen betrifft, liegt ihre wahre Bedeutung in ihrer Rolle als Frühwarnsignal.
„Die isolierte REM-Schlaf-Verhaltensstörung (iRBD) ist in den meisten Fällen eine frühe Manifestation einer Synukleinopathie, die 1% bis 1,5% der mittelalten und älteren Bevölkerung betrifft“, erklären die Forscher. Das bedeutet, dass RBD für viele das erste erkennbare Anzeichen für schwerwiegende neurodegenerative Erkrankungen wie Parkinson oder Demenz sein könnte.
Überwindung diagnostischer Herausforderungen mit KI
Traditionell war die Diagnose von RBD ein komplexer Prozess, der Übernacht-Schlafstudien erforderte, die von Spezialisten interpretiert wurden. Dieser neue KI-gestützte Ansatz bietet jedoch eine objektivere und effizientere Methode. Der Hauptautor der Studie, Dr. Emmanuel During, außerordentlicher Professor an der Icahn School of Medicine am Mount Sinai, erklärt: „Dieser automatisierte Ansatz könnte in den klinischen Arbeitsablauf bei der Interpretation von Schlaftests integriert werden, um die Diagnose zu verbessern und zu erleichtern und verpasste Diagnosen zu vermeiden.“
Die Kraft der Computer Vision in der Schlafmedizin
Die Forscher verwendeten einen optischen Fluss-Computer-Vision-Algorithmus, um Videoaufnahmen von 172 Teilnehmern zu analysieren – 81 mit iRBD und 91 Kontrollen. Diese Technologie ermöglichte es ihnen, entscheidende Merkmale der Bewegung während des REM-Schlafs zu extrahieren, einschließlich Rate, Verhältnis, Größe, Geschwindigkeit und Immobilitätsperioden.
Was diese Studie auszeichnet, ist die Verwendung von Standard-2D-Kameras, die in Schlaflaboren weltweit üblich sind. Frühere Forschungen deuteten darauf hin, dass spezielle 3D-Kameras notwendig sein könnten, aber diese Studie beweist, dass vorhandene Ausrüstung mit den richtigen KI-Algorithmen effektiv genutzt werden kann.
Beeindruckende Genauigkeit bei der Erkennung von RBD
Die Ergebnisse sind bemerkenswert. Das KI-System erreichte eine Genauigkeit von bis zu 91,9% bei der Unterscheidung von iRBD von anderen Schlafstörungen. Noch beeindruckender ist, dass es 7 von 11 iRBD-Patienten korrekt identifizierte, die während ihrer Schlafstudie keine sichtbaren Bewegungen zeigten – Fälle, die von menschlichen Beobachtern leicht übersehen werden könnten.
Implikationen für Frühintervention und personalisierte Pflege
Dieser technologische Fortschritt hat weitreichende Auswirkungen. Eine frühe und genaue Diagnose von RBD könnte zu früheren Interventionen bei neurodegenerativen Erkrankungen führen und möglicherweise die Patientenergebnisse verbessern. Dr. During betont: „Diese Methode könnte auch verwendet werden, um Behandlungsentscheidungen basierend auf der Schwere der während der Schlaftests gezeigten Bewegungen zu treffen und letztendlich Ärzten zu helfen, individuelle Pflegepläne für einzelne Patienten zu erstellen.“
Die Zukunft der Schlafdiagnostik
Mit Blick auf die Zukunft könnte dieser KI-gestützte Ansatz zur RBD-Diagnose erst der Anfang sein. Die Forscher schlagen vor, dass ähnliche Technologien für den Heimgebrauch angepasst werden könnten, was das Screening von Schlafstörungen zugänglicher und weiter verbreitet machen würde. Dies könnte zu einer früheren Erkennung nicht nur von RBD, sondern möglicherweise auch von anderen schlafbezogenen Erkrankungen führen.
Zusammenfassend stellt diese innovative Nutzung von KI und Computer Vision in der Schlafmedizin einen bedeutenden Schritt vorwärts in unserer Fähigkeit dar, die REM-Schlaf-Verhaltensstörung zu diagnostizieren und zu verstehen. Während wir weiterhin die Kraft der Technologie im Gesundheitswesen nutzen, kommen wir einer Zukunft näher, in der die frühe Erkennung und personalisierte Behandlung von neurodegenerativen Erkrankungen zur Norm und nicht zur Ausnahme werden.
Zusammenfassung der Forschungsarbeit
Methodik
– Analyse von 172 Video-Polysomnographie-Aufnahmen (81 iRBD-Patienten, 91 Kontrollen)
– Optischer Fluss-Computer-Vision-Algorithmus zur Bewegungserkennung während des REM-Schlafs
– Extraktion von Bewegungsmerkmalen: Rate, Verhältnis, Größe, Geschwindigkeit und Immobilitätsperioden
– Entwicklung eines maschinellen Lernklassifikators unter Verwendung dieser Merkmale
Hauptergebnisse
– Genauigkeit bei der Erkennung von iRBD reichte von 84,9% bis 91,9%
– Höchste Genauigkeit (91,9%) wurde bei der Analyse kurzer Bewegungen (0,1-2 Sekunden) erreicht
– Erfolgreiche Identifizierung von 7 von 11 iRBD-Patienten ohne sichtbare Bewegungen
Studienbeschränkungen
– Einzelzentrum-Studie, die die Beurteilung der Verallgemeinerbarkeit einschränkt
– Abhängigkeit von manueller Schlafstadienbestimmung und REM-Schlaf-Identifikation
Diskussion & Erkenntnisse
– KI-gestützte Videoanalyse könnte die RBD-Diagnose in klinischen Umgebungen verbessern
– Potenzial für Anwendung in häuslichen Umgebungen für breiteres Screening
– Weitere Forschung erforderlich für vollständige Automatisierung und Validierung über verschiedene Datensätze hinweg
Quelle
Automated detection of isolated REM sleep behavior disorder using computer vision, Annals of Neurology (2025). dx.doi.org/10.1002/ana.27170
