Pasukan penyelidik yang diketuai Gunung Sinai telah memajukan kaedah dikuasakan AI untuk meningkatkan pengesanan gangguan tidur biasa, yang menjejaskan berjuta-juta orang di seluruh dunia, dengan implikasi untuk mendiagnosis keadaan seperti Parkinson dan demensia.
Berjuta-juta orang di seluruh dunia kini berpotensi menerima diagnosis yang lebih cepat dan lebih tepat untuk gangguan tidur yang biasa tetapi mencabar, hasil kemajuan terobosan oleh pasukan penyelidik yang diketuai oleh Gunung Sinai. Usaha perintis ini telah mempertingkatkan algoritma berkuasa AI yang mampu menganalisis rakaman video ujian tidur klinikal. perkembangan, diterbitkan dalam Annals of Neurology, berjanji untuk merevolusikan pengenalpastian gangguan tingkah laku tidur REM (RBD).
RBD adalah keadaan yang melibatkan pergerakan abnormal atau tindakan fizikal daripada mimpi semasa fasa pergerakan mata pantas (REM) tidur. RBD terpencil, yang menjejaskan lebih 1 juta orang di Amerika Syarikat sahaja, sering berfungsi sebagai penunjuk awal keadaan neurologi yang teruk, seperti penyakit Parkinson atau demensia.
Walau bagaimanapun, diagnosisnya telah terkenal sukar, memerlukan kajian subjektif kajian tidur oleh profesional penjagaan kesihatan.
Kajian terdahulu membayangkan bahawa kamera 3D canggih mungkin diperlukan untuk menangkap kehalusan pergerakan RBD, terutamanya dengan peralatan tempat tidur yang mengaburkan pandangan.
Walau bagaimanapun, usaha terobosan yang diterajui Gunung Sinai ini, dengan kerjasama Universiti Perubatan Innsbruck dan sumbangan daripada Institut Teknologi Persekutuan Switzerland Lausanne, telah menghancurkan tanggapan ini.
Dengan menggunakan kamera 2D konvensional yang terdapat di makmal tidur klinikal, para penyelidik membangunkan kaedah pembelajaran mesin automatik yang mampu mentafsir data video-polysomnografi standard.
"Pendekatan automatik ini boleh disepadukan ke dalam aliran kerja klinikal semasa tafsiran ujian tidur untuk meningkatkan dan memudahkan diagnosis, dan mengelakkan diagnosis terlepas," penulis utama Emmanuel During, MD, profesor bersekutu neurologi dan perubatan di Icahn School of Medicine di Mount Sinai, berkata dalam a Siaran akhbar.
Beliau menekankan bahawa kaedah itu boleh membantu dalam menyesuaikan pelan rawatan berdasarkan keterukan pergerakan yang diperhatikan semasa ujian tidur, akhirnya membolehkan penjagaan pesakit yang lebih peribadi.
Kajian itu melibatkan menganalisis rakaman tidur daripada kira-kira 80 pesakit yang didiagnosis dengan RBD dan sekitar 90 kawalan, yang sama ada mempunyai gangguan tidur yang berbeza atau tiada gangguan tidur. Menggunakan AI untuk mengesan gerakan piksel antara bingkai video, pasukan menilai pelbagai faktor, seperti kadar dan magnitud pergerakan, mencapai kadar ketepatan yang tidak pernah berlaku sebelum ini sebanyak 92%.
Pelaksanaan teknologi ini dalam tetapan klinikal boleh memudahkan proses diagnostik yang lebih cekap, dengan ketara mengurangkan risiko salah diagnosis dan membenarkan campur tangan lebih awal untuk keadaan yang berkait rapat dengan RBD.
Kesan potensi penemuan ini melangkaui diagnosis individu. Memandangkan industri penjagaan kesihatan terus mengintegrasikan AI dan teknologi pembelajaran mesin, peningkatan dalam ketepatan diagnostik dan rawatan memperibadikan boleh menjadi perkara biasa.