Skip to main content

Medicinsk Tidsskrift

-først med nyheder om ny medicin

Big data er løftestang for fremtidens søvndiagnostik

Maskinlæring (ML) til diagnosticering af søvnsygdomme, der hviler på algoritmer dannet ud fra store datamængder, er lige om hjørnet. Fordi der hele tiden kommer nye muligheder, og fordi det er rationelt og indebærer en forbedring af diagnostik og behandling.

”Diagnostiske metoder, som hviler på store datasæt bliver mere og mere robuste”, siger professor ved Dansk Center for Søvnmedicin Poul Jennum.

” I dag bruger vi mange timer på at vurdere resultater af forskellige målinger, og der er ingen tvivl om, at automatiske modeller på den lange bane vil være både mere sikre og effektive end manuelle.”

Søvnforskere over hele verden arbejder på at automatisere og dermed både øge kvaliteten og rationalisere procedurer som Polysomnografi.

I et dansk studie har man fundet, at ML kan diagnosticere, bedømme og score meget mere sikkert på narkolepsi end mennesket kan.

”Vi har publiceret flere studier, blandt andet et med data fra 4000 patienter, som viser, at sikkerheden ved manuel scoring ligger mellem 77 og 85 procent, kommer den automatiserede model op på 92 -96 procent,” siger Poul Jennum. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6283836/

Mere effektiv, mere præcist

I Sleep Technology and Analytics Research (STAR) gruppen på University of Eastern Finland er nogle af de forskere, der arbejder med at udvikle metoder, der bruger kunstig intelligens og ML til analyser af diverse målinger. Målet er at forbedre f.eks. OSA-diagnostik, og i nyere studier har forskerne anvendt ML og dyb data og tjekket anvendelsen i forhold til manuel analyse.

I studiet https://academic.oup.com/sleep/article/44/10/zsab142/6294001, som blev publiceret i Sleep i oktober 2021, vurderes sammenhængen mellem alvorligheden af OSA og søvnfragmentering. Til denne slags undersøgelser er det nødvendigt med meget nøjagtig differentiering mellem vågen tilstand og søvn. Sædvanligvis foretages denne registrering manuelt via EEG, hvilket er meget tidskrævende. Til den komplekse vurdering i det nævnte studie udviklede forskerne en løsning, der baserede sig på ML. Og studiet viser, at man kunne lave en tydeligere differentiering i vurderingen af alvorligheden af søvnapnøen med ML end manuelt.

Datatilgængelighed er afgørende

Det finske studie er et af mange som understreger, at den diagnostiske sikkerhed kan blive meget større ved brug af ML.

Men forudsætningen for er en datamængde er helt afgørende for, hvor effektive disse modeller er til vurdering af sygdom.

”Den undersøgelse, hvor vi sammenlignede præcision, byggede på 4000 patienter. Men skal vi have endnu skarpere og sikrere analyser, er der er behov for meget større datamængder på over 50.000 patienter,” siger Poul Jennum.

”Man kan sammenligne med udviklingen af trafikteknologi. I dag er der ingen, der længere bruger et Krak-kort, når de skal fra A til B, fordi GPS er blevet meget præcist og billigt. Og den præcision, vi i dag oplever, når GPS meddeler et ankomsttidspunkt med sekunders nøjagtighed, skyldes at vi har enorme datamængder. I forhold til vurdering af visse sygdomme som f.eks. epilepsi har vi i dag disse store datasæt.”

Poul Jennum, er ikke i tvivl om, at ML er lige på trapperne, og han oplever, at denne mulighed for en meget forbedret diagnostik og præcision er et helt centralt emne for forskere i hele verden. Og ML var også et centralt emne, da forskere mødtes til World Sleep Congres i marts i Rom.

”Der er ingen tvivl, om at vi i løbet af de næste par år vil opleve at brug af algoritmer, bliver helt almindeligt.”

Vidtrækkende potentiale

Umiddelbart er søvnundersøgelser og målemetoder som polysomnografi oplagte til ML fordi effektivitet kan forbedres betydeligt.

”Vi kan bedømme undersøgelsesresultater med meget bedre præcision, og de to til tre timer, det manuelt tager at vurdere resultater, kan reduceres til nul,” siger Poul Jennum, som også ser et stort potentiale i, at ny teknologi vil forandre, effektivisere og individualisere sundhedsvæsenet.

”I dag benytter sundhedsvæsenet sig af lineære og primitive modeller f.eks. for indkaldelser til kontroller og undersøgelser. Men patienter kan fejle alt muligt på samme tid, overvægt, lungesygdom, hjertesygdom. Dertil kommer alle mulige andre menneskelige variable, som økonomi, geografi, mentale eller sociale forhold. Denne tankegang, at one size fits them all er en procedure af i går, og kan ikke løse den største udfordring, der venter, nemlig ændringer i befolkningssammensætningen. ML indebærer utallige muligheder for at vægte behov og udligne de store uligheder i sundhed, vi oplever i dag.”