你睡得好不好讓AI告訴你！榮陽楊智傑團隊透過大數據與AI建模協助居家睡眠評估

解析▪新創技術

2022-09-07

上一則

下一則

返回列表

｜

充足的睡眠對於維持整體健康，及健全心理功能相當重要，而睡眠品質不佳可能導致認知功能下降，引發失智症、阿茲海默氏症等風險。然而，完整的睡眠診斷評估(Polysomnography, PSG)及追蹤流程相當繁瑣、複雜，為此，陽明交大楊智傑主任率領榮陽團隊，透過大數據與AI簡化流程，並透過三項關鍵技術，致力於讓睡眠檢測走入家中...

台灣睡眠醫學學會研究結果顯示，全台慢性失眠症盛行率為 11.3%，而過往研究指出充足的睡眠對於維持整體健康，及健全心理功能具有相當重要的角色。長期睡眠品質不良會影響許多生活行為，如: 反應速度下降、工作記憶(working memory)受損、高功能之執行功能和邏輯推理能力變差、對記憶鞏固的作用削弱。睡眠品質不佳也被發現和認知功能下降有關，日後約有2至4倍的機率發展成認知功能障礙乃至失智症的風險。老年人如睡中易醒，也會導致認知功能下降，罹患阿茲海默氏症的風險會提高1.5倍，導致醫療保健成本增加，並提高憂鬱症和其他身體疾病發生之風險。並且睡眠困擾不單影響具有社會生產力的成人，兒童也會因為睡眠品質不佳導致學習狀況不良。

正確地找出睡眠品質不佳的原因有其必要性與意義，患者需要接受專科醫師進行完整的睡眠診斷評估(Polysomnography, PSG)，以及持續的追蹤和衛教，才有效的管理睡眠品質。繁瑣與複雜的檢驗流程對於患者與醫療從業人員皆是一項艱鉅的任務。楊智傑主任率領榮陽團隊透過大數據與AI簡化檢驗流程並將睡眠檢測延伸至居家層級。

※睡眠障礙的評估非常繁雜，因此楊智傑主任率領團隊致力將睡眠檢測帶入家中。(照片來源：楊智傑主任)

挑戰傳統睡眠多項生理檢測用AI將睡眠檢測居家化

現行評估與診斷睡眠問題，患者需接受複雜的貼身儀器裝設與睡眠多項生理功能檢查(Polysomnography, PSG)，如: 腦波圖、眼動圖、下顎肌電圖、心電圖、口鼻呼吸氣流、胸腹呼吸動作、睡眠狀態血中含氧濃度、睡覺的姿勢等監測外，更要在所在醫院住一晚。對於患者與醫事人員皆是相當麻煩的流程。

榮陽楊智傑主任團隊串聯醫療大數據庫、AI人工智慧與穿戴式裝置研發人工智慧輔助居家睡眠評估平台，改善傳統臨床看診流程與推進居家健康醫療的效度。同時搭配學研與真實世界的醫療大數據、演算法、穿戴裝置，降低傳統睡眠中心因人力密集導致研究與診斷的困境。

此平台透過以下三項關鍵技術將居家睡眠檢測的流程標準化並應用兩項生理訊號，提供與醫院睡眠檢查診斷準確率相當的檢驗結果:

睡眠問卷的智慧化診斷平台：
傳統的睡眠問診常仰賴制式的睡眠問卷，例如匹茲堡睡眠品質量表。然而，這些問卷常只能作為睡眠障礙嚴重程度的量化指標，並沒有實際應用於臨床區分兩大最常見的睡眠障礙，即失眠和呼吸中止症。此平台透過台北榮總精神部的睡眠檢查以及臨床問卷大數據，並應用人工智慧技術，將問卷資料轉化為區分失眠以及呼吸中止症兩個診斷。目前模型已達到平均91.5%的診斷準確度。
心電訊號的睡眠分期人工智慧模型與分析：
腦波穿戴式裝置目前因其價格昂貴無法普及至家庭，也難以切入居家場域進行長時間的睡眠量測。因此，應用心電訊號所取得的心律資訊，能透過自律神經特徵值的量測，建立推估睡眠分期的應用能夠解決此痛點。
此平台已建立實際以心電訊號推估睡眠分期的人工智慧模型。此技術有過去文獻的支持，能夠取代腦波進行睡眠分期的判讀，具備技術可行性。心電訊號受到自律神經的調控，在睡眠期的不同階段會對心律間期(Interbeat Interval)產生不同的影響，因此利用心電訊號能判斷不同的睡眠分期，包括清醒(Wake)、非動眼期第一期(Non-REM 1, N1)、非動眼期第二期(Non-REM 2, N2)、非動眼期第三期(Non-REM 3, N3)、動眼期(REM)。此平台利用心電訊號所得的心跳間期數據，進行快速傅立葉轉換，取得頻譜數據後，進行人工智慧模型的建模。再利用標準PSG大數據的心電訊號以及腦波分期資訊，將每120秒的心電訊號經人工智慧建模後建立對應的腦波睡眠分期的分類器，目前此模型應用心電訊號可達到平均98.0%的睡眠分期的分類準確率。
血氧濃度訊號的呼吸中止症人工智慧模型與嚴重程度分析：
傳統呼吸中止干擾指數的缺點是未能包含缺氧嚴重程度的資訊。對於居家檢查的應用而言，偵測呼吸氣流並不是最有效率或最便利的辦法，簡單的血氧濃度監測通常可以達到篩檢呼吸中止症的目的。因此以血氧濃度訊號評估呼吸中止嚴重程度，是發展居家檢查應用於篩檢呼吸中止症的重要題目。
此平台具體建立血氧濃度判別呼吸中止嚴重程度的人工智慧模型，呼吸中止症會造成呼吸氣流停止產生缺氧，應用連續每秒鐘的血氧濃度監測，可進行血氧濃度趨勢的監測與偵測缺氧的情形，並據以推估呼吸中止症的嚴重程度。傳統上，進行呼吸中止症嚴重程度的判讀，需要呼吸氣流，胸腹帶呼吸訊號，以及血氧濃度資訊。應用人工智慧技術，建立以下分析流程來進行單一血氧濃度判別呼吸中止症嚴重程度的分析。此平台以PSG大數據的血氧濃度訊號建立不同程度呼吸中止症的深度學習模型，可以血氧濃度訊號區分重度、中度以及輕度呼吸中止症，平均達90.3%診斷準確率。