Itä-Suomen yliopistossa ja Kuopion yliopistollisessa sairaalassa tehdyssä tutkimuksessa kehitettiin uusi koneoppimismalli, jolla voidaan arvioida tarkasti uniapnean vakavuutta aivoverenkiertohäiriöstä kärsivillä potilailla. Yksinkertaiseen happisaturaatiomittaukseen perustuva automaattinen arvio mahdollistaa uniapnean helpot seulontatutkimukset aivohalvausyksiköissä.
Aiempien Kuopion yliopistollisessa sairaalassa tehtyjen tutkimusten mukaan jopa 90 prosenttia aivoinfarktipotilaista sairastaa uniapneaa. Hoitamaton uniapnea voi heikentää aivoinfarktipotilaiden elämänlaatua ja aivoinfarktista kuntoutumista, sekä altistaa uusiutuville aivoverenkiertohäiriöille. Uniapnean seulontaa suositellaan aivoverenkiertohäiriöistä kärsiville potilaille, mutta se on kuitenkin harvinaista aivohalvausyksiköissä monimutkaisten mittauslaitteiden, työlään käsin tehtävän analyysin ja korkeiden kustannusten takia.
DI Akseli Leinon väitöskirjatyöhön liittyvässä tutkimuksessa kehitettiin koneoppimismalli aivoinfarktista tai ohimenevästä aivoverenkiertohäiriöstä (transient ischemic attack, TIA) kärsivien potilaiden uniapnean vakavuuden arviointiin helposti mitattavan happisaturaatiosignaalin avulla. Koneoppimismallilla arvioidun uniapnean diagnostiikassa yleisimmin käytettävän hengityskatkojen lukumäärää kuvaavan tunnusluvun, eli apnea-hypopneaindeksin, mediaaniero käsin tehtyyn analyysiin verrattuna oli vain 1,45 hengityskatkoa tunnissa. Mallin avulla potilaat pystyttiin luokittelemaan 78 prosentin tarkkuudella oikein uniapnean neljään vaikeusasteluokkaan (ei tautia, lievä, keskivaikea tai vaikea uniapnea). Koneoppimismalli tunnisti aivoinfarkti- ja TIA-potilaiden hoitoa vaativan keskivaikean tai vaikean uniapnean 96 prosentin tarkkuudella ja 92 prosentin herkkyydellä.
Tutkimuksessa kehitetty koneoppimismalli mahdollistaa uniapnean helpon ja edullisen seulonnan aivoverenkiertohäiriöstä kärsivillä potilailla vuodeosastoilla ja aivohalvausyksiköissä. Arvio voidaan tehdä sormesta mitattavan happisaturaatiorekisteröinnin avulla ilman työlästä, käsin tehtävää analyysiä.
Tutkimus tehtiin yhteistyössä Kuopion yliopistollisen sairaalan kliinisen neurofysiologian ja neurologian osastojen sekä Itä-Suomen yliopiston sovelletun fysiikan laitoksen kanssa. Tutkimuksen rahoittamiseen ovat osallistuneet Suomen Akatemia, Business Finland, Kuopion yliopistollinen sairaala, Suomen Kulttuurirahasto, Kuopion Seudun Hengityssäätiö, Hengityssairauksien Tutkimussäätiö, Suomen Tuberkuloosin Vastustamisyhdistyksen Säätiö, Päivikki ja Sakari Sohlbergin Säätiö, Paulon Säätiö ja Tampereen Tuberkuloosisäätiö.
Lisätietoja:
Akseli Leino, DI, akseli.leino (a) uef.fi
Katja Myllymaa, dosentti, sairaalafyysikko, katja.myllymaa (a) kuh.fi
Leino A, Nikkonen S, Kainulainen S, Korkalainen H, Töyräs J, Myllymaa S, Leppänen T, Ylä-Herttuala S, Westeren-Punnonen S, Muraja-Murro A, Jäkälä P, Mervaala E, Myllymaa K. Neural network analysis of nocturnal SpO2 signal enables easy screening of sleep apnea in patients with acute cerebrovascular disease. Sleep Med 2020;79. https://doi.org/10.1016/j.sleep.2020.12.032
