Obstruktiivinen uniapnea on erittäin yleinen unihäiriö, jossa ylähengitystiet ahtautuvat unen aikana toistuvasti aiheuttaen täydellisiä (apnea) tai osittaisia (hypopnea) hengityskatkoja. Usein hengityskatkot laskevat veren happisaturaatiota sekä rikkovat unen rakennetta havahduttamalla uniapneaa sairastavan henkilön unesta useita kertoja yön aikana. Obstruktiivinen uniapnea on kansanterveydellisesti ja -taloudellisesti merkittävä sairaus, sillä sitä on arvioitu esiintyvän jopa kolmasosalla suomalaisista.
Uniapnean vakavuus määritetään unipolygrafian avulla. Unipolygrafiarekisteröinnin perusteella voidaan arvioida muun muassa unen rakennetta, hengityskatkojen esiintyvyyttä, tyyppiä ja kestoa, sekä niiden aiheuttamia veren happisaturaatiolaskuja ja unesta havahtumisia. Vaikka nämä kaikki voidaan määrittää unipolygrafiasta, uniapnean diagnosoiminen perustuu lähinnä apneoiden ja hypopneoiden lukumäärään. Unipolygrafiarekisteröinnit sisältäisivät kuitenkin erittäin paljon dataa, jota voitaisiin hyödyntää uniapnean diagnostiikassa paljon kattavammin.
Lisäksi univaiheet ja unenaikaiset fysiologiset tapahtumat, kuten hengityskatkot, happisaturaatiolaskut ja havahtumiset joudutaan tällä hetkellä määrittämään unipolygrafiasta manuaalisesti, mikä on aikaa vievää ja siksi kallista. Näiden automaattinen määritteleminen erilaisista biosignaaleista olisi kuitenkin omiaan nykyisille neuroverkkoihin ja koneoppimiseen perustuville menetelmille. Tällaisia menetelmiä hyödyntämällä unipolygrafiarekisteröintien analysoiminen voitaisiin saada huomattavasti nykyistä nopeammaksi ja edullisemmaksi.
Uniapnean diagnostiikan puutteisiin etsitään ratkaisuja Itä-Suomen yliopiston Sleep Technology and Analytics Research (STAR) -unitutkimusryhmässä. Ratkaisuja etsitään muun muassa tutkimalla tarkemmin uniapnean taudinkuvaa ja hyödyntämällä näin saatua tietoa tarkempien diagnostisten parametrien kehittämisessä. Ryhmässä kehitetään myös tekoälyyn ja syväoppimiseen pohjautuvia menetelmiä unipolygrafiarekisteröintien luotettavaan ja kustannustehokkaaseen automaattiseen analysointiin.
FM Henna Pitkäsen väitöskirjatyöhön liittyvässä tutkimuksessa (Pitkänen ym., IEEE Trans Biomed Eng, 2021) selvitettiin voivatko erilaisista hengityskatkoista johtuvat havahtumiset ilmetä yön aikana mitatussa aivosähkökäyrässä (engl. electroencephalogram, EEG) eri lailla. Tarkastelu kohdistui erityisesti EEG-signaalin korkeampiin taajuuksiin, eli gamma-taajuuskaistaan (30–40 Hz). Gamma-taajuuksien tehoa EEG-signaalissa tutkittiin hengityskatkoista johtuvien havahtumisten aikana eri univaiheissa ja erilaisten hengityskatkojen välillä. Gammakaistan tehon huomattiin olevan sitä suurempi, mitä syvemmästä unesta havahtuminen tapahtui. Lisäksi teho oli suurempi obstruktiivisia apneoita seuranneissa havahtumissa kuin hypopneoita seuranneissa, sekä kun havahtumisiin liittyvät obstruktiiviset apneat olivat pidempiä. Koska suurempi teho EEG:n korkeataajuisella gammakaistalla voi indikoida voimakkaampaa siirtymää unesta kohti hereillä oloa, nämä tulokset havainnollistavat, että unen häiriintymisen aste voi vaihdella riippuen hengityskatkon tyypistä ja vakavuudesta.
DI Riku Huttusen väitöskirjatyöhön liittyvässä tutkimuksessa (Huttunen ym., Sleep, 2021) arvioitiin unen katkonaisuutta fotopletysmografiasignaalista (engl. photoplethysmogram, PPG) tehtävän automaattisen, syväoppimiseen perustuvan univaiheluokittelun pohjalta. Unen katkonaisuutta arvioitiin potilaskohtaisesti keskimääräisen yhtenäisen unijakson pituuden perusteella. Syväoppimismallia hyödynnettiin univaiheiden tunnistamiseen uniteknikon suorittamaa manuaalista luokittelua (30 s) tiiviimmällä aikaresoluutiolla, ja eri resoluutioita (30 s, 15 s, 5 s) verrattiin uniapnean vakavuusasteiden välillä. Eri resoluutioilla tehtyä automaattista luokittelua verrattiin myös manuaaliseen univaiheluokitteluun. Kaikissa tapauksissa riski lyhentyneelle yhtäjaksoiselle unelle kasvoi uniapnean vakavuusasteen kasvaessa, mutta erot vakavuusasteiden välillä olivat suurempia tiiviimmällä aikaresoluutiolla. Tulosten perusteella tiiviimpi aikaresoluutio PPG-signaalista tehdyssä automaattisessa univaiheluokittelussa tuo yksilölliset erot unen katkonaisuudessa selkeämmin esille.
FT Sami Nikkosen tutkimuksessa (Nikkonen ym., IEEE J Biomed Heal Informatics, 2021) kehitettiin koneoppimismenetelmä, jonka avulla hengityskatkot pystytään tunnistamaan automaattisesti unipolygrafiarekisteröinnistä. Menetelmä saavutti hengityskatkojen tunnistamisessa 89 prosentin vastaavuuden manuaaliseen analyysiin, ja keskimääräinen ero hengityskatkojen lukumäärässä manuaaliseen analyysiin verrattuna oli 3,0 hengityskatkoa tunnissa. Nämä vastaavuudet ovat samaa luokkaa, kuin manuaalisen analyysin vaihtelevuus eri henkilöiden välillä. Kehitettyä menetelmää voitaisiin siis käyttää luotettavaan automaattiseen hengityskatkojen tunnistamiseen. Koska menetelmä tunnistaa myös hengityskatkojen alku- ja loppuajat, automaattinen analyysi on mahdollista tarkastaa myös visuaalisesti. Lisäksi menetelmä voisi mahdollistaa useampaan yöhön perustuvan uniapnean diagnosoinnin, lisäämättä analysointiin kuluvaa aikaa tai resursseja. Tällöin öiden välinen vaihtelu hengityskatkojen lukumäärässä ja siitä syntyvä epävarmuus uniapnean vakavuuden arvioinnissa voitaisiin minimoida.
FT Arie Oksenbergin kanssa tehdyssä yhteistyötutkimuksessa (Oksenberg ym., J Sleep Res, 2021) selvitettiin eroja virkeiden, väsyneiden ja erittäin väsyneiden lievää uniapneaa sairastavien potilaiden välillä. Tutkimuksessa hyödynnettiin potilaiden sairauskertomuksia, kliinistä unitutkimusta sekä tietoa unitottumuksista. Tutkimuksessa ei havaittu merkittäviä eroja unitutkimuksen perusteella laskettavissa kliinisissä parametreissa eri väsymysluokkien välillä. Ainoastaan unesta havahtumisten lukumäärä oli merkittävästi suurempi väsyneillä potilailla verrattuna virkeisiin. Joskin odotetusti, erittäin väsyneet potilaat raportoivat nukkuvansa huomattavasti vähemmän viikolla kuin virkeät potilaat, ja ehkä siitä syystä kokivat olevansa huomattavan väsyneitä. Tutkimuksen perusteella vaikea päiväaikainen väsymys ei selity hengityskatkojen lukumäärällä tai niiden vakavuudella lievää uniapneaa sairastavilla potilailla. Suurin väsymykseen vaikuttava tekijä vaikuttaisi olevan huonot nukkumistottumukset (kuten riittämätön uni työviikolla) sekä huono unen laatu.
Lisätietoja:
Apulaisprofessori Timo Leppänen, FT, timo.leppanen (a) uef.fi
Tutkijatohtori Sami Nikkonen, FT, sami.nikkonen (a) uef.fi
Nuorempi tutkija Henna Pitkänen, FM, henna.pitkanen (a) uef.fi
Nuorempi tutkija Riku Huttunen, DI, riku.huttunen (a) uef.fi
Sleep Technology and Analytics Research (STAR) -group
Pitkänen H, Duce B, Leppänen T, Kainulainen S, Kulkas A, Myllymaa S, Töyräs J, and Korkalainen H. Gamma Power of Electroencephalography Arousal is Modulated by Respiratory Event Type and Severity in Obstructive Sleep Apnea, IEEE Transactions on Biomedical Engineering, https://doi.org/10.1109/TBME.2021.3118229, online print October 6, 2021. Epub ahead of print.
Huttunen R, Leppänen T, Duce B, Oksenberg A, Myllymaa S, Töyräs J, and Korkalainen H. Assessment of obstructive sleep apnea-related sleep fragmentation utilizing deep learning-based sleep staging from photoplethysmography, Sleep, Volume 44, Issue 10, October 2021 (Published online 05 June 2021), https://doi.org/10.1093/sleep/zsab142
Nikkonen S, Korkalainen H, Leino A, Myllymaa S, Duce B, Leppänen T, and Töyräs J. Automatic Respiratory Event Scoring in Obstructive Sleep Apnea Using a Long Short-Term Memory Neural Network. IEEE Journal of Biomedical and Health Informatics, 2021, 25(8), 2917–2927. https://doi.org/10.1109/JBHI.2021.3064694
Oksenberg A, Goizman V, Eitan E, Nasser K, Gadoth N, and Leppänen T. How sleepy patients differ from non-sleepy patients in mild obstructive sleep apnea? Journal of Sleep Research, 2021, e13431, https://doi.org/10.1111/jsr.13431, online print July 29, 2021. Epub ahead of print.
