Tim peneliti yang dipimpin Mount Sinai telah mengembangkan metode bertenaga AI untuk meningkatkan deteksi gangguan tidur umum, yang memengaruhi jutaan orang di seluruh dunia, dengan implikasi untuk mendiagnosis kondisi seperti Parkinson dan demensia.
Jutaan orang di seluruh dunia kini berpotensi menerima diagnosis yang lebih cepat dan akurat untuk gangguan tidur yang umum tetapi menantang, berkat kemajuan luar biasa oleh tim peneliti yang dipimpin oleh Mount Sinai. Upaya perintis ini telah menyempurnakan algoritma bertenaga AI yang mampu menganalisis rekaman video uji tidur klinis. Pengembangan, diterbitkan dalam Annals of Neurology, berjanji untuk merevolusi identifikasi gangguan perilaku tidur REM (RBD).
RBD adalah kondisi yang melibatkan gerakan abnormal atau tindakan fisik dari mimpi selama fase gerakan mata cepat (REM) saat tidur. RBD yang terisolasi, yang memengaruhi lebih dari 1 juta orang di Amerika Serikat saja, sering kali menjadi indikator awal kondisi neurologis yang parah, seperti penyakit Parkinson atau demensia.
Namun, diagnosisnya sangat sulit, memerlukan peninjauan subjektif studi tidur oleh profesional perawatan kesehatan.
Penelitian sebelumnya menunjukkan bahwa kamera 3D canggih mungkin diperlukan untuk menangkap kehalusan gerakan RBD, terutama jika alas tidur menghalangi pandangan.
Namun, upaya inovatif yang dipimpin Gunung Sinai ini, bekerja sama dengan Universitas Kedokteran Innsbruck dan kontribusi dari Institut Teknologi Federal Swiss di Lausanne, telah menghancurkan anggapan tersebut.
Dengan memanfaatkan kamera 2D konvensional yang tersedia di laboratorium tidur klinis, para peneliti mengembangkan metode pembelajaran mesin otomatis yang mampu menafsirkan data video-polisomnografi standar.
“Pendekatan otomatis ini dapat diintegrasikan ke dalam alur kerja klinis selama interpretasi tes tidur untuk meningkatkan dan memfasilitasi diagnosis, dan menghindari diagnosis yang terlewat,” kata penulis utama Emmanuel During, MD, seorang profesor madya neurologi dan kedokteran di Icahn School of Medicine di Mount Sinai, dalam sebuah pernyataan. rilis berita.
Ia menekankan bahwa metode tersebut dapat membantu dalam menyesuaikan rencana perawatan berdasarkan tingkat keparahan gerakan yang diamati selama tes tidur, yang pada akhirnya memungkinkan perawatan pasien yang lebih personal.
Studi ini melibatkan analisis rekaman tidur dari sekitar 80 pasien yang didiagnosis dengan RBD dan sekitar 90 kontrol, yang memiliki gangguan tidur yang berbeda atau tidak mengalami gangguan tidur. Dengan menggunakan AI untuk mendeteksi gerakan piksel di antara bingkai video, tim mengevaluasi berbagai faktor, seperti laju dan besarnya gerakan, dan mencapai tingkat akurasi yang belum pernah terjadi sebelumnya sebesar 92%.
Penerapan teknologi ini dalam pengaturan klinis dapat memfasilitasi proses diagnostik yang lebih efisien, secara signifikan mengurangi risiko kesalahan diagnosis dan memungkinkan intervensi lebih dini untuk kondisi yang berkaitan erat dengan RBD.
Dampak potensial dari temuan ini melampaui diagnosis individu. Karena industri perawatan kesehatan terus mengintegrasikan teknologi AI dan pembelajaran mesin, peningkatan akurasi diagnosis dan perawatan yang dipersonalisasi dapat menjadi hal yang lumrah.