Bedre og hurtigere søvnanalyse: Kan kunstig intelligens hjelpe oss til å få et mer presist bilde av søvnen vår?
Når vi sover veksler hjernen og kroppen mellom ulike søvnstadier. I tradisjonell søvnanalyse deles søvn inn i 30-sekunders intervaller, men nye resultater viser at søvn kan endre seg på mye kortere tid. I en ny studie har forskere fra NevSom undersøkt om søvn kan analyseres mer presist og hurtigere ved å 1) bruke kortere intervaller på 5 sekunder – såkalte mini-epoker og 2) anvende automatiske metoder (kunstig intelligens). Resultatene viste at disse mini-epokene fanger opp flere skift i søvnstadiene, som ellers er skjult i 30-sekunders intervallene. Dette kan gi en mer presis beskrivelse av søvnens struktur og mulig forbedre diagnostisering av søvnforstyrrelser som narkolepsi og idiopatisk hypersomni. Ved å også anvende kunstig intelligens har man mulighet til å korte ned tiden det tar å få en diagnose.
Foto: Janita Vevelstad, NevSom
Louise Frøstrup Follin, NevSom
Hvordan registreres søvn?
Søvn analyseres ved hjelp av polysomnografi (PSG), der elektroder blant annet måler hjerneaktivitet, øyebevegelser og muskelaktivitet mens man sover. Basert på disse målingene deles søvn inn i fem stadier: N1, N2, N3, REM eller våken. Normalt tildeles hver 30-sekunders epoke ett søvnstadium, men denne metoden tar ikke hensyn til at søvn ikke følger faste tidsrammer. En del av en 30-sekunders periode kan inneholde flere ulike stadier, noe som betyr at viktig informasjon kan gå tapt når søvnen analyseres i så lange intervaller. Videre analyseres søvn i klinisk hverdag ved at søvnteknikere visuelt analyserer alle 30-sekunders epokene i PSGen, hvilket er veldig tidskrevende.
Mini-epoker kan øke vår detaljerte forståelse av søvnen
Førsteforfatter Louise Frøstrup Follin og hennes forskerkollegaer har undersøkt om man kan få et mer detaljert bilde av søvnen ved å bruke mini-epoker på kun 5 sekunder. Studien viste at det var betydelig flere skift mellom søvnstadier i mini-epoker sammenlignet med tradisjonelle 30-sekunders epoker.
Dette funnet kan være viktig for søvnforskning og klinisk diagnostikk. En mer detaljert klassifisering av søvnen kan hjelpe til med å identifisere mønstre som er karakteristiske for søvnforstyrrelser som for eksempel narkolepsi. Pasienter med narkolepsi har ofte mer fragmentert søvn med hyppigere stadieskift enn friske, og dette kan muligens analyseres bedre ved hjelp av mini-epoker.
Kan kunstig intelligens forbedre søvndiagnostikken?
Studien peker også på at automatisk søvnklassifisering, som i dag er utviklet for 30-sekunders epoker, kan brukes på 5-sekunders mini-epoker. For å oppnå samme presisjon kreves det imidlertid at de automatiske systemene tilpasses bedre til kortere tidsintervaller. Dette kan gjøre det mulig å analysere søvn raskere og mer detaljert ved hjelp av kunstig intelligens. Som en del av sitt ph.d.-prosjekt jobber Louise Frøstrup Follin og kollegaer videre med å utvikle og optimalisere disse metodene, med mål om å forbedre presisjonen av automatisert søvnanalyse.
Forfattere
Førsteforfatter Louise Frøstrup Follin er medisinsk ingeniør og ph.d.-stipendiat ved NevSom. Artikkelen inngår i hennes doktorgradsarbeid «Narkolepsi etter H1N1-vaksinasjon: En datadrevet metode for å forstå elektrofysiologiske signaler og sykdomsrisiko hos vaksinerte individer». (På engelsk: «Narcolepsy after H1N1 vaccination: A data-driven approach for understanding electrophysiological signals and disease risk in vaccinated individuals».)
Sisteforfattere: Julie Anja Engelhard Christen er medisinsk ingeniør og deltidsansatt ved NevSom og Stine Knudsen-Heier er overlege og leder forskningen på narkolepsi ved NevSom samt Louise Frøstrup Follins hovedveileder.
Referanse:
An inter-rater variability study between human and automatic scorers in 5-s mini-epochs of sleep. Sleep Medicine, vol. 128, April 2025 (open access).
Follin L.F., Zahid A.N., Viste R., Vevelstad J., Kaufmann T., Ramm-Pettersen A., Juvodden H.T., Hansen B.H., Christensen J.A.E., Knudsen-Heier S.