Hyppää pääsisältöön

Koronavirustilanne Itä-Suomen yliopistossa

UEFin liput.

Koneoppimisesta tehokkaita menetelmiä uniapnean diagnosointiin

  • Teknologia ja innovaatiot
  • Terveys ja hyvinvointi

Filosofian maisteri Sami Nikkonen kehitti väitöstutkimuksessaan uusia laskennallisia menetelmiä uniapnean automaattiseen ja tehokkaaseen analysointiin. Tutkimuksessa sovellettiin koneoppimismenetelmiä laajoissa potilasaineistoissa. Aineistot sisälsivät yhteensä noin 5 000 unipolygrafiatutkimusta tai unirekisteröintiä. Kehitettyjen työkalujen avulla uniapnean vakavuutta ja siitä johtuvia päivänaikaisia oireita voidaan arvioida automaattisesti ilman manuaalista analyysiä. Sami Nikkosen väitöstilaisuus 20.11. kello 12 alkaen verkossa

Uniapnea on erittäin yleinen unihäiriö, jossa ylähengitystiet luhistuvat unen aikana toistuvasti aiheuttaen hengityskatkoja. Hengityskatot rikkovat unen rakennetta havahduttamalla uniapneasta kärsivän henkilön unesta sekä laskevat veren happisaturaatiota. Pahimmillaan hengityskatkoja voi esiintyä jopa satoja kertoja yön aikana. Uniapnea aiheuttaa muun muassa vireystilan alenemista ja päivänaikaista väsymystä, joka huonontaa elämänlaatua.  Uniapnean diagnostiikassa öisten hengityskatkojen määrän sekä päivänaikaisen väsymyksen avulla arvioidaan, kuinka vakavasta uniapneasta on kyse.

Unenaikaisten hengityskatkojen määrä määritetään unipolygrafian avulla. Siinä potilaalta mitataan useita unen aikaisia fysiologisia signaaleja, kuten veren happisaturaatiota, hengitystä ja aivosähkökäyrää. Niiden avulla voidaan määrittää unen rakenne sekä unenaikaisten hengityskatkojen määrä. Unipolygrafiassa tallennetut signaalit analysoidaan manuaalisesti, mikä vie paljon aikaa ja on siksi kallista. Myös päivänaikaisen väsymyksen tarkka ja objektiivinen määrittäminen vaatii monimutkaisen nukahtamisviivetutkimuksen ja sen aikaa vievän manuaalisen analyysin. Tästä syystä päivänaikaista väsymystä usein arvioidaankin vain kyselylomakkeiden avulla. Ne voivat olla liian subjektiivisia ja epätarkkoja.

Sormesta mitattava happisaturaatiosignaali soveltuu uniapnean vakavuuden arviointiin

Koneoppimismenetelmien avulla unenaikaisten hengityskatkojen määrää ja siten uniapnean vakavuutta voidaan arvioida automaattisesti. Väitöstutkimuksessa kehitetyillä automaattisilla menetelmillä saavutettiin yli 90 prosentin luokittelutarkkuus uniapnean vakavuuden arvioinnissa. Väitöstutkimuksessa kehitettiin myös pelkkään happisaturaatiosignaaliin perustuva automaattinen menetelmä uniapnean vakavuuden arviointiin. Tämä mahdollistaisi yksinkertaisemmat mittausasetelmat, sillä happisaturaatiosignaali saadaan helposti sormeen laitettavasta pulssioksimetrista. Tällöin monimutkaista unipolygrafiaa ei välttämättä tarvittaisi.

Tutkimuksessa kehitetyt yksinkertaiset ja automaattiset menetelmät mahdollistaisivat myös useampaan yöhön perustuvan uniapnean analysoinnin. Tällöin öiden välinen vaihtelu hengityskatkojen määrässä ja siitä syntyvä epävarmuus uniapnean vakavuuden luokittelussa voitaisiin eliminoida. Väitöstutkimuksessa kehitettiin myös automaattinen menetelmä objektiiviseen päivänaikaisen väsymyksen arviointiin, joka ei vaadi nukahtamisviivetutkimuksen suorittamista. Menetelmä perustuu unipolygrafiamittauksessa tallennettujen aivosähkökäyrän spektrien analyysiin koneoppimismenetelmillä.

FM Sami Nikkosen sovelletun fysiikan alaan kuuluva väitöskirja ”Novel computational tools for enhanced diagnostics of obstructive sleep apnea” tarkastetaan Itä-Suomen yliopiston luonnontieteiden ja metsätieteiden tiedekunnassa. Vastaväittäjänä toimii professori Esther Rodriguez-Villegas (Department of Electrical and Electronic Engineering, Imperial College London, London, UK) sekä kustoksena dosentti Timo Leppänen Itä-Suomen yliopistosta.

Väittelijän painolaatuinen valokuva

Väitöskirja verkossa

Väitöstilaisuus verkossa