Aprendizado de máquina polissonograficamente

Scientific Reports volume 13, Número do artigo: 9120 (2023) Citar este artigo

Detalhes das métricas

A sonolência diurna excessiva (SDE) causa dificuldade de concentração e fadiga contínua durante o dia. No cenário clínico, a avaliação e o diagnóstico da SDE dependem principalmente de questionários subjetivos e relatórios verbais, o que compromete a confiabilidade do diagnóstico clínico e a capacidade de discernir de forma robusta a candidatura a terapias disponíveis e acompanhar a resposta ao tratamento. Neste estudo, usamos um pipeline computacional para a análise automatizada, rápida, de alto rendimento e objetiva de dados de encefalografia (EEG) previamente coletados para identificar biomarcadores substitutos para SDE, definindo assim as alterações quantitativas de EEG em indivíduos com alta Escala de Sonolência de Epworth (ESS) (n = 31), em comparação com um grupo de indivíduos com baixo ESS (n = 41) na Cleveland Clinic. As épocas do EEG analisadas foram extraídas de um grande registro de polissonografia noturna durante o período mais próximo da vigília. O processamento de sinal de EEG mostrou características de EEG significativamente diferentes no grupo de baixo ESS em comparação com o alto ESS, incluindo maior potência nas bandas alfa e beta e atenuação nas bandas delta e teta. Nossos algoritmos de aprendizado de máquina (ML) treinados na classificação binária de alto vs. baixo ESS atingiram uma precisão de 80,2%, precisão de 79,2%, recall de 73,8% e especificidade de 85,3%. Além disso, descartamos os efeitos de confundir variáveis ​​clínicas avaliando a contribuição estatística dessas variáveis ​​em nossos modelos de ML. Esses resultados indicam que os dados do EEG contêm informações na forma de atividade rítmica que podem ser aproveitadas para a avaliação quantitativa da EDS usando ML.

A sonolência diurna excessiva (SDE) ocorre quando ficar acordado ou alerta é um desafio progressivo para o indivíduo. Essa condição não é apenas inerente a distúrbios de hipersonia, como narcolepsia, hipersonia idiopática e distúrbios respiratórios do sono, mas também pode estar associada a uma variedade de fatores clínicos, incluindo doenças metabólicas e neurológicas, traduzindo-se, em última análise, no comprometimento de atividades voluntárias durante o dia ou a noite1 . A EDS tornou-se uma preocupação pública significativa quando associada à fadiga, custando mais de US$ 135 bilhões anualmente em perda de produtividade relacionada à saúde nos Estados Unidos2. Além do custo financeiro, a percepção individual da dificuldade de concentração e a deterioração da resposta cerebral a estímulos auditivos, visuais e outros motivam a busca por um biomarcador não invasivo que possa ajudar a identificar a SDE para fornecer um tratamento eficaz. Buscando encontrar associações entre a sonolência e sua dinâmica entrelaçada no sistema nervoso central (SNC), testamos a hipótese de que os dados do EEG contêm informações na forma de atividade rítmica que podem ser aproveitadas para a avaliação quantitativa da SDE usando aprendizado de máquina (ML) .

A sonolência diurna afeta o SNC e leva a alterações nas funções e ritmos cerebrais. Estudos anteriores relataram dessincronização entre os hemisférios esquerdo e direito sob fadiga mental3, e dados de imagem sugerem conectividade funcional alterada entre o tálamo e o córtex4. De fato, o EEG mostrou resultados promissores na identificação de biomarcadores de EDS, especialmente para classificação de fadiga versus estado de alerta durante atividades como dirigir usando dispositivos EEG portáteis5 e para prever o tempo de reação ao dirigir6. Na clínica, os sintomas subjetivos de sonolência podem ser avaliados pela Escala de Sonolência de Epworth (ESS), que é o auto-relato do estado da prática para quantificar a SDE ou a propensão a cochilar e, em geral, está altamente correlacionada com o padrão de atendimento medidas de sonolência, como o teste de latência múltipla do sono7. No entanto, os métodos diagnósticos atuais permanecem essencialmente subjetivos, pois se baseiam em questionários e relatos verbais.

Neste estudo, registramos EEG em estado de repouso de seres humanos acordados obtidos do registro da Cleveland Clinic de polissonografias noturnas e pré-processamos os dados usando um algoritmo automatizado de detecção de artefatos que nossa equipe desenvolveu anteriormente8. Seguindo uma abordagem estatisticamente orientada para a seleção de recursos de EEG, treinamos um algoritmo de ML para realizar uma classificação binária de EDS baixo versus alto. Além disso, complementamos nosso estudo com uma análise estatística da contribuição de variáveis ​​clínicas de confusão para nosso classificador binário de ML.