수면다원검사를 통한 머신러닝

Scientific Reports 13권, 기사 번호: 9120(2023) 이 기사 인용

측정항목 세부정보

과도한 주간 졸림(EDS)은 집중력을 저하시키고 낮 동안 지속적인 피로를 유발합니다. 임상 환경에서 EDS의 평가 및 진단은 주로 주관적인 설문지와 구두 보고에 의존하며, 이는 임상 진단의 신뢰성과 사용 가능한 치료법에 대한 후보를 확실하게 식별하고 치료 반응을 추적하는 능력을 손상시킵니다. 이 연구에서 우리는 이전에 수집된 뇌파검사(EEG) 데이터의 자동화되고 신속하며 처리량이 많고 객관적인 분석을 위한 전산 파이프라인을 사용하여 EDS에 대한 대체 바이오마커를 식별함으로써 Epworth 졸음 척도가 높은 개인의 정량적 EEG 변화를 정의했습니다. (ESS)(n = 31), Cleveland Clinic의 ESS가 낮은 개인 그룹(n = 41)과 비교되었습니다. 분석된 EEG의 신기원은 깨어 있는 가장 가까운 기간 동안 대규모 밤새 수면다원검사 등록에서 추출되었습니다. EEG의 신호 처리는 알파 및 베타 대역의 향상된 전력과 델타 및 세타 대역의 감쇠를 포함하여 높은 ESS에 비해 낮은 ESS 그룹에서 상당히 다른 EEG 기능을 보여주었습니다. 높은 ESS와 낮은 ESS의 이진 분류에 대해 훈련된 우리의 기계 학습(ML) 알고리즘은 80.2%의 정확도, 79.2%의 정밀도, 73.8%의 재현율 및 85.3%의 특이도에 도달했습니다. 또한 ML 모델에 대한 이러한 변수의 통계적 기여도를 평가하여 교란 임상 변수의 영향을 배제했습니다. 이러한 결과는 EEG 데이터에 ML을 사용한 EDS의 정량적 평가에 활용할 수 있는 리듬 활동 형태의 정보가 포함되어 있음을 나타냅니다.

과도한 주간 졸림(EDS)은 깨어 있거나 경계심이 개인에게 점진적인 문제일 때 발생합니다. 이 상태는 기면증, 특발성 수면과다증, 수면 장애 호흡 장애와 같은 수면과다 장애에 내재할 뿐만 아니라 대사 및 신경 질환을 포함한 다양한 임상 요인과 연관될 수 있으며 궁극적으로 낮이나 밤 동안 자발적인 활동의 장애로 이어질 수 있습니다1 . EDS는 피로와 관련하여 대중의 중요한 관심사가 되었으며, 미국에서 건강 관련 생산성 손실로 인해 연간 1,350억 달러 이상의 비용이 발생했습니다2. 금전적인 비용 외에도, 집중력의 어려움과 청각, 시각 및 기타 자극에 대한 뇌 반응의 악화에 대한 개인의 인식은 효과적인 치료를 제공하기 위해 EDS를 식별하는 데 도움이 될 수 있는 비침습적 바이오마커를 찾는 데 동기를 부여합니다. 졸음과 중추신경계(CNS)의 서로 얽힌 역학 사이의 연관성을 찾기 위해 우리는 EEG 데이터에 기계 학습(ML)을 사용하여 EDS의 정량적 평가에 활용할 수 있는 리듬 활동 형태의 정보가 포함되어 있다는 가설을 테스트했습니다. .

주간 졸음은 중추신경계에 영향을 미치고 뇌 기능과 리듬에 변화를 가져옵니다. 이전 연구에서는 정신적 피로로 인해 왼쪽 반구와 오른쪽 반구 사이의 비동기화가 보고되었으며3 영상 데이터는 시상과 피질4 사이의 기능적 연결이 변경되었음을 시사합니다. 실제로 EEG는 EDS 바이오마커 식별, 특히 휴대용 EEG 장치5를 사용한 운전과 운전 반응 시간6 예측과 같은 활동 중 피로 대 경계 상태 분류에 대한 유망한 결과를 보여주었습니다. 임상에서는 주관적 졸음 증상을 EDS나 졸음 성향을 정량화하는 실무 자가 보고인 Epworth Sleepiness Scale(ESS)로 평가할 수 있으며, 일반적으로 표준 진료와 높은 상관관계가 있습니다 다중 수면 잠복기 테스트와 같은 졸음 측정7. 그러나 현재의 진단 방법은 설문지와 구두 보고에 의존하기 때문에 본질적으로 주관적입니다.

이 연구에서 우리는 클리블랜드 클리닉의 야간 수면다원검사 등록에서 얻은 깨어 있는 인간 피험자의 휴식 상태 EEG를 기록하고 우리 팀이 이전에 개발한 자동화된 인공물 탐지 알고리즘을 사용하여 데이터를 전처리했습니다8. EEG 기능 선택을 위한 통계 기반 접근 방식에 따라 우리는 낮은 EDS와 높은 EDS의 이진 분류를 수행하도록 ML 알고리즘을 교육했습니다. 우리는 ML 이진 분류기에 대한 교란 임상 변수의 기여도에 대한 통계 분석을 통해 연구를 보완합니다.