Molti problemi del sonno sono multifattoriali, ma i modelli di intelligenza artificiale (AI) e di apprendimento automatico nella medicina del sonno sono stati per lo più limitati a input provenienti da un’unica fonte di dati. Tuttavia, la tendenza dell’intelligenza artificiale multimodale – un’intelligenza artificiale addestrata a identificare modelli tra diversi input di dati, ad esempio i dati socioeconomici dei risultati della polisonnografia (PSG) – sta iniziando a inserire il sonno nei suoi contesti del mondo reale.
“Affrontando problemi complessi che potrebbero non essere facilmente rilevabili con informazioni monomodali, come solo il polso o i livelli di ossigeno, l’intelligenza artificiale multimodale può fornire diagnosi e piani di trattamento più accurati”, afferma Mikael KågebackPhD, Chief Technology Officer presso l'app per il benessere del sonno e la sveglia intelligente Sleep Cycle.
Queste scoperte possono anche portare a strumenti di test, monitoraggio e screening del sonno che incorporano più modalità di intelligenza artificiale per trattamenti più mirati.
Diversi recenti studi sull’intelligenza artificiale multimodale hanno prodotto scoperte sorprendenti che influenzeranno il futuro della medicina del sonno. Qui ci sono solo alcune.
Prevedere la diffusione della malattia
Milioni di persone in più di 150 paesi utilizzano l'app di monitoraggio del sonno Sleep Cycle, che ha raccolto più di 2 miliardi di notti di dati da clienti consenzienti dal suo lancio nel 2009. “Con l'accesso a vasti dati sul sonno da tutto il mondo, abbiamo il potere di affrontare domande che prima erano senza risposta”, afferma Kågebäck.
Ad esempio, nell’estate del 2023, Sleep Cycle ha condotto uno studio geolocalizzando il numero di eventi di tosse con i casi segnalati di COVID-19 negli Stati Uniti. Suo Radar della tosse Lo strumento tiene traccia del numero di volte in cui un utente tossisce all'ora, nonché delle modifiche al modello di tosse, utilizzando l'analisi del suono e l'apprendimento automatico. I ricercatori hanno potuto osservare modelli di tosse elevati anche prima che le persone cercassero test o cure.
“Sulla base di un aumento degli episodi di tosse, siamo stati in grado di prevedere l'ondata di malattia due settimane prima che i casi fossero ufficialmente segnalati”, afferma Kågebäck. Lo studio ha anche rivelato modelli locali di malattia all’interno delle città più grandi, nonché chiari modelli stagionali.
“La capacità di monitorare il modo in cui la malattia si diffonde attraverso i dati sulla tosse ci consente di avere una migliore comprensione e, si spera, ci aiuterà a gestire meglio le epidemie future”, afferma Kågebäck.
Per la ricerca multimodale sull’intelligenza artificiale, Sleep Cycle si basa su dati raccolti internamente e sul più ampio panorama della ricerca nella medicina del sonno.
“Per migliorare le nostre capacità di monitoraggio del sonno, abbiamo intrapreso un progetto significativo per sviluppare un efficace monitoraggio della respirazione”, afferma Kågebäck. “Abbiamo integrato questi dati con i dati sul movimento e abbiamo addestrato il nostro modello di stadiazione del sonno per prevedere gli ipnogrammi prodotti dal PSG, il gold standard nella ricerca sul sonno. Ciò ha comportato una stadiazione del sonno basata sull’audio molto più precisa”.
Attraverso la sua base di clienti, Sleep Cycle riceve brevi clip audio che coprono eventi come la respirazione, il russamento, il movimento e la parola.
“Il nostro team di annotatori etichetta meticolosamente questi eventi, contribuendo a un set di dati completo che comprende oltre 300 classi diverse”, afferma Kågebäck.
Condurre studi con un gran numero di soggetti è complicato, motivo per cui Kågebäck enfatizza un approccio basato sulla ricerca.
“Quando si ha a che fare con set di dati complessi con molti fattori, è importante non trarre conclusioni affrettate basate esclusivamente su correlazioni apparenti”, afferma Kågebäck. “È fondamentale garantire che le correlazioni siano supportate da solide ricerche e prove prima di andare avanti”.
Sleep Cycle sta ora esplorando opportunità di partnership con università e altre parti interessate per valutare in che modo i dati sulla tosse possono contribuire ai sistemi di allarme precoce per le epidemie.
Test pratico dell'apnea notturna pediatrica
La raccolta dei dati sul sonno dei bambini a casa pone diverse sfide, il che significa che il test dell’apnea notturna a domicilio è molto meno diffuso per i pazienti pediatrici rispetto agli adulti. In un studi recenti, Rahmatollah BeheshtiPhD, professore assistente presso l'Università del Delaware, e il suo team hanno utilizzato l'apprendimento automatico per esplorare metodi che aiutino a rilevare più facilmente l'apnea notturna a casa nei bambini.
“Un ostacolo fondamentale all'esecuzione del test dell'apnea notturna per i bambini al di fuori della clinica è la presenza di rumore e di mancanze, poiché i bambini possono muoversi più frequentemente, essere meno cooperativi e tirare le sonde, tra le altre cose”, dice Beheshti.
La raccolta di dati sul sonno su larga scala, soprattutto per i pazienti pediatrici, è spesso il primo ostacolo. “I modelli di intelligenza artificiale sono davvero affamati di dati e l’accesso ai dati sul sonno (anche a livello di consumatore e non di qualità di laboratorio) è difficile a causa di varie sfide, come i problemi di privacy”, osserva Beheshti.
Per questo studio, il gruppo di ricerca ha utilizzato informazioni provenienti dai dati PSG raccolti in studi di laboratorio controllati. È stato utilizzato un modello basato sull'apprendimento automatico per rilevare eventi di apnea nei bambini dai segnali del sonno comunemente raccolti, tra cui elettrocardiogramma (ECG), elettroencefalogramma (EEG), elettrooculogramma, saturazione di ossigeno (SpO2), anidride carbonica e segnali respiratori.
Ha suddiviso i segnali in epoche raccolte da diverse fonti (ad esempio, dati derivati dal PSG e dalle cartelle cliniche elettroniche dei pazienti) da cui la macchina ha appreso. “Per avvicinare i nostri studi a scenari esterni alla clinica, abbiamo anche inserito nei dati vari tipi di rumore manuale”, afferma Beheshti.
Lo studio ha dimostrato che anche senza l’EEG, il rilevamento dell’apnea nei bambini con elevata precisione può essere fattibile utilizzando algoritmi avanzati di intelligenza artificiale. “Ciò è stato in una certa misura addirittura sorprendente per il nostro team, poiché l'EEG è generalmente considerato il segnale clinicamente più importante per i bambini”, afferma Beheshti.
“Abbiamo anche osservato che utilizzando due dei segnali più facili da raccogliere a casa (ECG e SpO2) possono anche ottenere risultati molto competitivi rispetto all'utilizzo di tutte e sei o sette le modalità. Ciò può potenzialmente risolvere le preoccupazioni relative alla raccolta di vari segnali del sonno provenienti da bambini al di fuori della clinica”.
La speranza è che questi risultati contribuiscano ad aumentare l’accesso ai test del sonno pediatrici. “L'utilizzo più evidente potrebbe essere quello di aiutare i pazienti e le famiglie a prendere decisioni più informate, soprattutto aiutandoli a consultare gli esperti clinici al momento giusto”, afferma Beheshti.
Tre recenti studi multimodali sui dati sanitari pubblicati da EnsoData, i creatori della piattaforma di punteggio del sonno EnsoSleep basata sull’intelligenza artificiale, si concentrano sui fattori socioeconomici che possono influenzare l’apnea ostruttiva del sonno (OSA). diagnosi E trattamento. Ad esempio, hanno scoperto che meno del 50% dei pazienti nelle aree meno avvantaggiate inizia la terapia dopo aver ricevuto la diagnosi di OSA.
“Identificando e comprendendo meglio le lacune nell’accesso alle cure per l’OSA, possiamo creare opportunità per contribuire ad affrontare e colmare tali lacune”, afferma Chris Fernandez, responsabile della ricerca di EnsoData. “Ciò richiede strumenti clinici, test e trattamenti che siano inclusivi e accessibili per i pazienti indipendentemente da razza, sesso, età, livello di reddito o posizione”.
Basandosi sulle cartelle cliniche di oltre 6 milioni di pazienti, questi studi hanno collegato i dati relativi alle richieste di risarcimento, le registrazioni diagnostiche e le informazioni sui farmaci con le misure socioeconomiche, compresa la Indice di deprivazione dell'area strumento di mappatura che mostra la condizione socioeconomica relativa di quartieri specifici. Gli studi includevano anche fattori demografici, come razza, sesso ed età, ed esaminavano le disparità di trattamento e di reddito.
“Noi crediamo determinanti sociali della salute Le variabili dovrebbero far parte della validazione di qualsiasi modello di intelligenza artificiale/apprendimento automatico proposto per applicazioni sanitarie della popolazione”, afferma Fernandez.
Fernandez osserva che l’intelligenza artificiale sta già aiutando la medicina del sonno a spostarsi verso cure di precisione semplificando i test per i pazienti, aiutando a ridimensionare il processo diagnostico per i medici e identificando i pazienti che hanno difficoltà con CPAP.
“Sfruttare modelli di intelligenza artificiale biomedica multimodale nell’analisi degli studi sul sonno ha il potenziale per trasformare la nostra comprensione della salute e dei disturbi del sonno e del loro ruolo e influenza più ampi sui rischi per la salute, sulla durata e sulla qualità della vita”, afferma Fernandez.
