In questo recente studio gli autori avrebbero individuato un modello di machine learning per la diagnosi dei disturbi del sonno.

Diagnosi dei disturbi del sonno: modelli di machine learning

I disturbi del sonno sono patologie molto frequenti nella popolazione. Tra questi vi è il disturbo comportamentale del sonno REM (RBD), che comporta la perdita del tono muscolare inibitorio durante la fase REM del ciclo del sonno, e in circostanze fisiologiche serve a prevenire il movimento durante i sogni.

La loro diagnosi è ancora difficoltosa poiché, secondo le linee guida, si richiede l’osservazione di questa perdita di controllo durante il sonno, e quindi la registrazione e successiva visione dei video.

Oltre ad essere un disturbo del sonno che comporta stanchezza e mancato riposo all’indomani, è stato anche associato alle sinucleopatie, e per questo viene considerato un possibile segnale di allarme nello sviluppo di patologie neurodegenerative.

Caratteristiche dello studio

• Tipo di studio: Studio prospettico osservazionale.
• Luogo: Austria.
• Tipo di pazienti: 53 pazienti con diagnosi di RBD.

Scopo dello studio: i modelli di machine learning sono validi per la diagnosi dei disturbi del sonno?

Lo scopo dello studio prospettico osservazionale era convalidare l’utilizzo di analisi automatizzate di video 3D, applicandolo ad una coorte ampia di soggetti, e ampliandolo con l’analisi dei movimenti di testa, mani, e porzione superiore del corpo.

Progettazione

Hanno partecipato allo studio 53 pazienti affetti da RBD, e 128 pazienti nel gruppo controllo, di cui però 89 avevano disturbi del sonno che sono considerati diagnosi differenziali di RBD.

Un algoritmo ha poi analizzato i video 3D, che ha identificato i movimenti durante la fase REM di quattro zone d’interesse (ROI): testa, mani, porzione superiore e inferiore del corpo. La durata dei movimenti è stata usata come criterio classificativo, dividendoli in tre categorie:

• breve (0.1–2 s)
• medio (2–15 s)
• lungo (15–300 s).

È stata poi allenata un’intelligenza artificiale utilizzando un modello di machine learning di regressione logistica, con l’obiettivo di imparare a distinguere grazie ai criteri classificativi le persone affette da RBD da quelle non malate.

Risultati

Gli autori hanno evidenziato i seguenti risultati:

• il criterio classificativo che ha dato il miglior risultato è stato quello per i movimenti brevi, in tutte e quattro le ROI.
• L’accuratezza è stata del 0.866 ± 0.007.
• I pazienti con RBD sono stati distinti dal gruppo controllo con successo, anche rispetto a coloro affetti da altri disturbi del sonno.

Conclusioni

Il modello si è rivelato in grado di differenziare tra pazienti e persone non affette del disturbo, ed anche da coloro che soffrono di altri disturbi del sonno.

Potrebbe quindi essere usato come strumento d’aiuto per la diagnosi di RBD, e potenzialmente come screening per la popolazione generale.

Riferimenti:

ARTICOLO ORIGINALE: Cesari, M, Ruzicka, L, Högl, B, et al., Improved automatic identification of isolated rapid eye movement sleep behavior disorder with a 3D time-of-flight camera. Eur J Neurol. 2023; 30: 2206-2214.