东芬兰大学研究人员开发的一种新的深度学习模型可以像经验丰富的医师一样准确地识别睡眠阶段。这为诊断和治疗包括阻塞性睡眠呼吸暂停在内的睡眠障碍开辟了新途径。

阻塞性睡眠呼吸暂停(OSA)是一种夜间呼吸系统疾病，对公共卫生保健系统和国民经济造成重大负担。据估计，全世界有十亿人患有阻塞性睡眠呼吸暂停，并且由于人口老龄化和肥胖症患病率上升，预计这一数字还会增加。未经治疗，OSA会增加罹患心血管疾病和糖尿病的风险，以及其他严重的健康后果。

睡眠阶段的识别对于包括阻塞性睡眠呼吸暂停在内的睡眠障碍的诊断至关重要。传统上，将睡眠手动分为五个阶段，分别是唤醒，快速眼动(REM)睡眠和非REM睡眠三个阶段。然而，对睡眠阶段进行人工评分是耗时，主观且昂贵的。

为了克服这些挑战，东芬兰大学的研究人员使用了来自健康个体和可疑OSA个体的多导睡眠图记录数据，开发了用于自动分类睡眠阶段的准确的深度学习模型。此外，他们想了解OSA的严重性如何影响分类准确性。

在健康个体中，该模型在使用单个额脑电图通道(EEG)时能够以83.7%的准确度识别睡眠阶段，在补充眼电图(EOG)时能够以83.9%的准确度识别睡眠阶段。在怀疑患有OSA的患者中，该模型的准确率分别为82.9%(单个EEG通道)和83.8%(EEG和EOG通道)。单通道准确性的范围从无OSA个体的84.5%到严重OSA患者的76.5%。该模型获得的精确度等同于经验丰富的医师之间进行手动睡眠评分的对应关系。但是，该模型的优点是系统化并始终遵循相同的协议，并在几秒钟内进行评分。

根据研究人员的说法，深度学习可对疑似OSA的患者进行高精度的自动睡眠分期。该研究发表在IEEE生物医学与健康信息学杂志上。

东芬兰大学的睡眠技术和分析小组STAG通过使用各种不同的方法解决了睡眠诊断方面的挑战。该小组开发的方法基于可穿戴的，非侵入式传感器，更好的诊断参数以及基于人工智能的现代计算解决方案。该小组开发的新方法有望显着改善OSA严重程度评估，促进个性化治疗计划并更可靠地预测OSA相关的白天症状和合并症。