Filosofian maisteri Henri Korkalaisen väitöstutkimuksessa kehitettiin uusia menetelmiä unirekisteröintien tehokkaampaan automaattiseen analysointiin, sekä tarkennettiin uniapnean vakavuuden määrittelemistä. Väitöstutkimuksessa osoitettiin, että koneoppimisen avulla voidaan arvioida unen rakennetta automaattisesti niin aivosähkökäyrän, kuin yksinkertaisen pulssioksimetrimittauksenkin perusteella. Nykyinen uniapnean vaikeusasteluokittelu ei kuvasta parhaalla mahdollisella tavalla vakavien terveyshaittojen riskiä.
Unihäiriöiden diagnostiikka pohjautuu suurelta osin unen rakenteen arviointiin, joka toteutetaan tunnistamalla univaiheet koko yön kestävistä rekisteröinneistä. Yleensä tämä vaatii sairaalassa suoritettavan yönaikaisen mittauksen, johon liittyy monimutkainen ja unta häiritsevä mittausasetelma. Tästä syystä uniapnean, länsimaiden yleisimmän unihäiriön, diagnostiikka perustuu useimmiten kotona suoritettaviin mittauksiin. Kotimittaukset eivät kuitenkaan yleensä mahdollista unen rakenteen arviointia, eikä tästä syystä esimerkiksi muita samanaikaisesti esiintyviä unihäiriöitä voida havaita. Uniapnean vakavuuden arvioinnissa käytetty apnea-hypopneaindeksi määräytyy suhteessa nukuttuun aikaan ja sen tarkka määrittäminen ilman unen rakenteen arviointia on vaikeaa. Tästä huolimatta uniapnean vakavuuden arvioinnissa käytetään samoja kliinisiä raja-arvoja riippumatta siitä, onko apnea-hypopneaindeksin määritykseen käytetty sairaalassa vai kotona suoritettuja mittauksia.
Nykyisin käytössä olevat uniapnean vaikeusasteluokat eivät kuvasta parhaalla mahdollisella tavalla vakavien terveyshaittojen riskiä, vaan käytössä olevat diagnostiset apnea-hypopneaindeksin raja-arvot ovat huomattavasti liian korkeat. Koneoppimismenetelmien avulla univaiheet voidaan tunnistaa aivosähkökäyrästä myös automaattisesti. Näiden menetelmien avulla analyysi voidaan suorittaa muutamissa sekunneissa, siinä missä unirekisteröinnin käsin tehtävä analysointi voi viedä jopa tunteja. Tämän lisäksi univaiheiden tunnistus voidaan toteuttaa tarkasti vain yhden mittauskanavan avulla, kun taas käsin tehtävä analyysi vaati useiden signaalien tarkastelua.
Koneoppimisen ansiosta unen rakennetta ja unen kestoa voidaan arvioida käyttämällä pelkästään pulssioksimetrin sormenpäästä mittaamaa signaalia eli fotopletysmogrammia. Tämä mittaus on osa kaikkia uniapnean diagnostisia mittauksia, ja nyt kehitetyt menetelmät voivat mahdollistaa unen rakenteen tarkan arvioinnin myös kotimittauksista. Unen rakenteen tarkka arvio parantaisi kotimittausten kliinistä käyttöarvoa ja tarkentaisi erityisesti nukutusta ajasta riippuvaa apnea-hypopneaindeksiä. Unen rakenteen automaattista arviointia voidaan entisestään parantaa suorittamalla univaiheiden tunnistaminen lyhyemmillä aikaikkunoilla, kuin mitä käsin tehtävässä analyysissa on mahdollista sen aiheuttaman työmäärän vuoksi.
Korkalaisen väitöstutkimus perustui laajoihin potilasaineistoihin, sisältäen yhteensä lähes 3000 uniapneapotilaan unen kliiniset rekisteröinnit. Näistä noin 2000 on Kuopion yliopistollisessa sairaalassa kerättyjä kotimittauksia ja noin 1000 australialaisessa Princess Alexandra -sairaalassa suoritettuja laajoja unitutkimuksia.
FM Henri Korkalaisen sovelletun fysiikan alaan kuuluva väitöskirja Deep learning for next generation sleep diagnostics - Sophisticated computational methods for more efficient and accurate assessment of sleep and obstructive sleep apnea tarkastetaan luonnontieteiden ja metsätieteiden tiedekunnassa 2.10. Kuopiossa ja verkossa. Vastaväittäjänä toimii Postdoctoral Researcher Gonzalo Cesar Gutiérrez-Tobal, Universidad de Valladodid, Espanja, ja kustoksena dosentti Timo Leppänen, Itä-Suomen yliopisto. Tilaisuuden kieli on englanti ja sitä voi seurata verkossa.
