Un team di ricercatori guidato dal Monte Sinai ha migliorato un algoritmo basato sull’intelligenza artificiale (AI) per analizzare le registrazioni video di test clinici del sonno, migliorando la diagnosi accurata di un disturbo del sonno comune che colpisce più di 80 milioni di persone nel mondo. I risultati dello studio sono stati pubblicati sulla rivista Annali di neurologia il 9 gennaio.
Il disturbo comportamentale del sonno REM (RBD) è una condizione del sonno che provoca movimenti anomali o atti fisici al di fuori dei sogni, durante la fase REM (movimento rapido degli occhi). L’RBD che si verifica in adulti altrimenti sani è chiamato RBD “isolato”. Colpisce più di un milione di persone negli Stati Uniti e, in quasi tutti i casi, è un segno precoce della malattia di Parkinson o di demenza.
La RBD è estremamente difficile da diagnosticare perché i suoi sintomi possono passare inosservati o essere confusi con altre malattie. Una diagnosi definitiva richiede che uno studio del sonno, noto come videopolisonnogramma, venga eseguito da un operatore sanitario in una struttura dotata di tecnologia di monitoraggio del sonno. I dati sono anche soggettivi e possono essere difficili da interpretare universalmente sulla base di variabili molteplici e complesse, tra cui le fasi del sonno e la quantità di attività muscolare. Sebbene i dati video vengano regolarmente registrati durante un test del sonno, vengono raramente esaminati e spesso vengono cancellati dopo l’interpretazione del test.
Un lavoro precedente limitato in quest’area suggeriva che potrebbero essere necessarie telecamere 3D di livello di ricerca per rilevare i movimenti durante il sonno perché lenzuola o coperte coprirebbero l’attività. Questo studio è il primo a descrivere lo sviluppo di un metodo automatizzato di apprendimento automatico che analizza le registrazioni video raccolte regolarmente con una fotocamera 2D durante i test del sonno notturno. Questo metodo definisce inoltre ulteriori “classificatori” o caratteristiche dei movimenti, con un conseguente tasso di precisione di rilevamento RBD di quasi il 92%.
Questo approccio automatizzato potrebbe essere integrato nel flusso di lavoro clinico durante l’interpretazione dei test del sonno per migliorare e facilitare la diagnosi ed evitare diagnosi mancate. Questo metodo potrebbe anche essere utilizzato per prendere decisioni informate sul trattamento in base alla gravità dei movimenti visualizzati durante i test del sonno e, in definitiva, aiutare i medici a personalizzare i piani di cura per ciascun paziente. »
Emmanuel Durant, medico, Autore corrispondente, Professore associato di Neurologia (disturbi del movimento) e Medicina (polmonare, terapia intensiva e medicina del sonno), presso la Icahn School of Medicine del Monte Sinai
Il team del Monte Sinai ha replicato e ampliato una proposta per l’analisi automatizzata dell’apprendimento automatico dei movimenti durante gli studi sul sonno, creata dai ricercatori dell’Università di Medicina di Innsbruck in Austria. Questo approccio utilizza la visione artificiale, un campo dell’intelligenza artificiale che consente ai computer di analizzare e comprendere dati visivi, inclusi immagini e video. Basandosi su questo quadro, gli esperti del Monte Sinai hanno utilizzato telecamere 2D, comunemente presenti nei laboratori clinici del sonno, per monitorare il sonno dei pazienti durante la notte. Il set di dati includeva l’analisi delle registrazioni presso un centro del sonno di circa 80 pazienti con RBD e un gruppo di controllo di circa 90 pazienti senza RBD che soffrivano di un altro disturbo del sonno o di nessun disturbo del sonno. Un algoritmo automatizzato che calcolava il movimento dei pixel tra fotogrammi consecutivi in un video era in grado di rilevare il movimento durante il sonno REM. Gli esperti hanno esaminato i dati per estrarre la frequenza, il rapporto, l’entità e la velocità dei movimenti, nonché il rapporto di immobilità. Hanno analizzato queste cinque caratteristiche dei movimenti brevi per ottenere la massima precisione mai raggiunta dai ricercatori, pari al 92%.
I ricercatori dell’Istituto Federale Svizzero di Tecnologia di Losanna (École Polytechnique Fédérale de Lausanne) di Losanna, in Svizzera, hanno contribuito allo studio condividendo la loro esperienza nel campo della visione artificiale.
