诊断睡眠障碍一直是个难题，但西奈山医学院的一个团队可能已经找到了解决方案，推出了一种全新的基于AI的系统。
该系统旨在改进快速眼动睡眠行为障碍（RBD）的检测，包含一个AI算法，承诺使识别更快、更精确，并减少对人工解释的依赖。这一进展非常重要，因为研究表明，尽管这类睡眠障碍相当常见，但往往未被诊断出来，而且它们是帕金森病等神经系统疾病的早期迹象，影响全球数百万人。
RBD的特点是在快速眼动睡眠阶段出现异常运动，有时会涉及梦境再现。传统的诊断方法需要视频多导睡眠图，这是一种复杂的程序，涉及整夜在诊所进行监测。然而，许多运动非常细微，容易导致漏诊或与其他睡眠状况混淆。此外，测试中捕获的视频数据通常被丢弃或不一致地审查。这就是西奈山创新解决方案的切入点。
研究人员利用计算机视觉技术开发了一种机器学习算法，可以分析标准2D摄像机在睡眠研究期间捕捉到的运动。虽然之前的尝试依赖昂贵的3D摄像机，但西奈山系统关注的是诸如运动速率、比率、幅度和速度等特征，达到了令人印象深刻的92%的准确率。
“这种自动化方法可以整合到临床工作流程中，以增强和促进诊断，避免漏诊，”该研究的主要作者埃马纽埃尔·杜朗博士解释说，“最终，这种方法可以帮助医生根据运动严重程度为个别患者定制护理计划。”
机器学习的集成推进了睡眠模式的分析，以前所未有的准确性识别运动异常，研究人员表示。
该研究还涉及80名被诊断为RBD的患者和90名未受影响或患有其他睡眠状况的个体的数据。通过分析视频帧之间的像素变化，算法能够区分正常睡眠活动和RBD。
除了改善诊断，这项技术还可以通过评估运动的严重程度来指导治疗策略。它甚至可能降低获得有效护理的成本和障碍，特别是对于有神经风险的患者。
正如杜朗博士所说：“看到这种方法在未来十年的发展将是非常令人兴奋的。革新睡眠障碍诊断的潜力巨大。”
(全文结束)
