Benutzerspezifische Werkzeuge

28. August 2024

Neue Publikation zur verbesserten Arousal-Erkennung mittels Machine Learning

Ein kürzlich in der Fachzeitschrift „Scientific Reports“ veröffentlichter Artikel erläutert, wie die Genauigkeit der Erkennung von Arousals mittels Machine Learning Modellen erheblich verbessert werden konnte. Ein Team der Medizinischen Fakultät und des Universitätsklinikums Carl Gustav Carus sowie der TU Dresden hat ein neues Modell zur Erkennung von Arousals entwickelt, das auf einer umfangreichen klinischen Datensammlung basiert. Als Arousals werden vornehmlich kurze Weckreaktionen bezeichnet, die bei Schlafstörungen gehäuft auftreten. Bisher wurden diese jedoch nur mit geringer Genauigkeit automatisiert erkannt.

Das entwickelte Modell zeigte eine signifikant höhere Genauigkeit bei der Erkennung von Arousals und könnte damit zu einer zu einer verbesserten Diagnose und Therapie von Schlafstörungen beitragen. Ein wesentliches Alleinstellungsmerkmal der Untersuchung ist die Verwendung eines großen klinischen Datensatzes direkt aus dem Schlaflabor, der die Polysomnographien von über 3.000 Patient:innen enthält.

Das Zentrum für Medizinische Informatik und das Schlaflabor an der Klinik für Neurologie zeigen damit, wie erfolgreich ihre interdisziplinäre Zusammenarbeit funktioniert. Seit April 2024 vertreten die beiden Partner die Universitätsmedizin Dresden auch gemeinsam im Projekt Somnolink. Somnolink ist Teil der Medizininformatik-Initiative (MII) und tritt an, die Diagnose, Behandlung und Therapietreue bei obstruktiver Schlafapnoe zu verbessern. Die im Artikel vorgestellten Ergebnisse und Erfahrungen zur automatisierten Arousalerkennung sind auch auf die Erkennung von Apnoen übertragbar und werden in das MII-Projekt einfließen.

Den vollständige Artikel in der „Scientific Reports“  finden Sie hier: https://www.nature.com/articles/s41598-024-67022-9