Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightUyku apnesinin tasarlanan sinyal alma düzeneği ve önerilen sinyal işleme tekniğiyle otomatik sınıflandırılması polisomnografi sonuçları ile uyumlu olarak yapılabilmektedir.
📌 3 Maddede Bu Makale
Özet
Horlama toplumda sık görülen bir şikâyet olup, uyku apnesi sendromunun en erken ve en çok görülen semptomudur. Uyku apnesinin altın standart tanı yöntemi gözlem altında yapılan polisomnografi olmasına karşın, daha basit tanı yöntemlerine ve tarama testlerine ihtiyaç duyulmaktadır. Bu çalışmada 46 hastadan uyku laboratuvarında bir gece boyunca özel bir sinyal toplama düzeneği kullanılarak eş zamanlı olarak üst hava yolu sıcaklık değişimi ve oksijen satürasyonu sinyalleri kaydedilmiştir. Aynı hastalardan polisomnografi kayıtları da alınmıştır. Kaydedilen sinyallerin özbağlanım modelinden hesaplanan apne indeksi, hipopne indeksi ve apne-hipopne indeksi ile bu indekslerin polisomnografiden elde edilen değerleri arasında anlamlı bir farklılık gözlenmemiştir (p>0.05). Tüm indeksler için yüksek doğrusal ilişkiler vardır (r=0.94-0.99, p<0.001). Apne indeksi ve apne-hipopne indeksi polisomnografi ile ölçülen değerlerinden yaklaşık olarak %10, hipopne indeksi ise yaklaşık olarak %7 daha fazladır. Hasta sayısının yaklaşık olarak iki eşit gruba ayrıldığı apne-hipopne indeksi eşiği 15 olay/saat için uyku apnesinin ayrımında özgüllük %85, duyarlılık %89, pozitif kestirim değeri %88, negatif kestirim değeri %85 ve doğruluk %87’dir. Uyku apnesinin tasarlanan sinyal alma düzeneği ve önerilen sinyal işleme tekniğiyle otomatik sınıflandırılması polisomnografi sonuçları ile uyumlu olarak yapılabilmektedir.
Abstract
Snoring is a common complaint in society and the earliest and the most common symptom of sleep apnea syndrome. Although the gold standard for the diagnosis of sleep apnea is polysomnography performed under observation, there is a need for more simple diagnostic methods and screening tests. In this study, simultaneous upper airway temperature changes and oxygen saturation signals were recorded in 46 patients during one-night stay at sleep laboratory using a special signal acquisition setup. Polysomnography recordings were also obtained in the same patients. No significant differences were observed between the apnea, hypopnea and apnea-hypopnea indices extracted from the autoregressive model computed for the acquired signals and the values of these indices determined by using polysomnography (p>0.05). High linear correlations are present for all indices (r=0.94-0.99, p<0.001). Apnea index and apnea-hypopnea index, and hypopnea index extracted were approximately 10% and 7% higher than the ones determined using polysomnography, respectively. In differential diagnosis of sleep apnea, specificity, sensitivity, positive predictive value, negative predictive value and accuracy were 85%, 89%, 88%, 85% and 87% in a threshold of apnea-hypopnea index for 15 events/hour in almost equally-sized patient groups. Automatic classification of sleep apnea in accordance with the results of polysomnography is possible using the designed signal acquisition setup and the proposed signal processing technique.