Deep learning verbetert algoritmes voor het monitoren van slaapstoornissen met wearables

Volgens het Ierse spreekwoord ‘ zijn een goede lach en een lange slaap de beste remedies in het boek van de dokter’. Hoewel bijna iedereen af en toe van een goede grap houdt, is een goede, lange slaap niet voor iedereen vanzelfsprekend.

Bij mensen met slaapstoornissen is het van belang om een goed inzicht te krijgen in de opbouw en de kwaliteit van de slaap. De belangrijkste techniek hiervoor is polysomnografie (PSG), waarbij een reeks draden wordt aangesloten op een patiënt. Deze methode wordt meestal slechts één of hooguit twee nachten gebruikt omdat het belastend is voor de patiënt, en de meting de slaap soms zelfs kan verstoren. Daarom wordt gezocht naar andere methoden waarmee men langer kan meten, zoals een smartwatch.

"Als dokters zouden we graag meer inzicht hebben in slaappatronen over langere perioden, en dat is waar draagbare technologieën en geschikte algoritmen kunnen helpen”, zegt Sebastiaan Overeem, hoogleraar aan de afdeling Electrical Engineering van de TU/e en somnoloog bij het Centrum voor Slaapgeneeskunde Kempenhaeghe in Heeze.

Een nieuw algoritme

Tot nu to gebruikten onderzoekers en artsen metingen van lichaamsbewegingen om inzicht te krijgen in de slaap/waakpatronen van patiënten op de langere termijn. Maar deze zogenaamde actigrafie heeft een belangrijk nadeel. "Gezonde mensen bewegen minder als ze slapen. Mensen die lijden aan slapeloosheid liggen soms wakker in een hele stille houding, iets wat door actigrafie als slaap wordt aangemerkt, terwijl dat niet zo is”, merkt Overeem op.

Onderzoekers probeerden dit op te lossen door de metingen uit te breiden met variaties in de hartslag met behulp van fotoplethysmografie (PPG), waarbij licht wordt gebruikt om veranderingen in het volume van het stromende bloed te meten.

"De technologie is één ding, maar we hebben daarnaast ook de juiste hulpmiddelen nodig om grote hoeveelheden gegevens te analyseren, die vervolgens door dokters kunnen worden gebruikt voor nauwkeurige diagnoses”, zegt Overeem. "In eerder werk gebruikten we machine learning algoritmen om te helpen bij de analyse, maar de aanpak vereiste grote hoeveelheden rekenkracht en tijd, evenals tijdrovende handmatige markering van kenmerken in de gemeten slaapsignalen van een patiënt."

In een nieuw onderzoek dat onlangs is gepubliceerd in het tijdschrift Scientific Reports, hebben Overeem en collega's van de TU/e, het Centrum voor Slaapgeneeskunde Kempenhaeghe en Philips het over een andere boeg gegooid. Co-auteur Merel van Gilst, universitair docent aan de TU/e, legt uit: "We begonnen met het 'voeden' van een neuraal netwerk met de ruwe bewegings- en hartslaggegevens, samen met gouden standaard PSG-slaapgegevens. Vervolgens lieten we het algoritme automatisch interessante kenmerken detecteren."

Deze aanpak leidde tot een goed presterend algoritme dat veel minder rekenkracht en tijd nodig had. "Het is nu haalbaar om dit algoritme te implementeren in apparaten en clouddiensten voor klinisch gebruik”, zegt Van Gilst.

Consumentenapparaten voldoen niet

Je vraagt je misschien af waarom de onderzoekers een nieuw algoritme voor slaapmonitoring moesten creëren en trainen, terwijl er een breed scala aan consumentenapparaten bestaat die de slaapkwaliteit beoordelen aan de hand van variaties in de hartslag. Denk maar aan Apple Watches en Garmin sporthorloges. Van Gilst benadrukt het belangrijkste nadeel van deze apparaten voor de klinische setting: "De algoritmes in consumentenapparaten zijn getest op kleine groepen gezonde proefpersonen die geen slaapstoornis hebben. Bovendien beoordelen deze apparaten de slaap vaak over grote tijdsvensters om de batterij te sparen. Hierdoor gaan fijne details in de gegevens verloren. Bovendien zijn de prestaties en nauwkeurigheid voor verschillende slaapstadia vrij laag."

Om betrouwbare algoritmen te ontwikkelen voor medische toepassing, zijn honderden slaapopnames nodig die gemeten zijn met PSG, in combinatie met gegevens van draagbare apparaten. Deze gegevens moeten komen van mensen van verschillende leeftijden en met allerlei slaapstoornissen. Bovendien moeten de opnames handmatig worden gemarkeerd door slaapexperts en pas daarna kunnen de algoritmes op basis van deep learning worden gemaakt. "Als je een van deze stappen overslaat, zul je een inferieur algoritme produceren”, zegt Overeem. "Bij monitoren van slaapstoornissen is het zo dat de effectiviteit van de hardware zo goed is als de algoritmes waarmee de gegevens worden geanalyseerd."

Volgende stappen

De nieuwe algoritmes die door de onderzoekers zijn ontwikkeld, zouden gebruikt kunnen worden in draagbare apparaten van verschillende fabrikanten, op voorwaarde dat de sensoren in de apparaten van voldoende hoge kwaliteit zijn.

"Dergelijke technologieën en algoritmen zouden een belangrijke aanvulling kunnen zijn op op onze ‘ gereedschapskist’ om slaap te meten, en een aanvulling kunnen vormen op de huidige manier met PSG”, merkt van Gilst op.

Nu het nieuwe algoritme er is, is Overeem enthousiast over de toekomstige mogelijkheden. "We kunnen nu beginnen met studies om echt te kijken naar wat deze technologieën opleveren voor de klinische praktijk. We zijn bijvoorbeeld bezig om slaappatronen op lange termijn te beoordelen bij patiënten met slapeloosheid, in een poging om de ernst en variabiliteit van de stoornis beter in te schatten en de behandeling verder op maat te maken."

Daarnaast zou Overeem de gegevens willen gebruiken om gegevens over de hele 24-uurs periode te meten. "In dat geval zouden we een beter beeld krijgen van de negatieve effecten van verstoorde slaap op het functioneren overdag."

Meer informatie over de paper

Titel paper: A computationally efficient algorithm for wearable sleep staging in clinical populations, Scientific Reports, (2023).

Dit project werd uitgevoerd binnen het Eindhoven MedTech Innovation Center (e/MTIC) en in een project waarbij de Technische Universiteit Eindhoven (TU/e), Kempenhaeghe en Philips betrokken zijn.