محققان آمریکایی دریافته اند: دو مدل یادگیری ماشینی، به همراه تصاویر مغزی، می‌ توانند به تشخیص و درمان سریع ‌تر بیماری آپنه خواب، کمک کنند.

تحقیقات جدید محققان دانشگاه کالیفرنیا، لس آنجلس، نشان داده است که ترکیبی از داده ‌های تصویربرداری مغز و یادگیری ماشینی می ‌تواند آپنه خواب انسدادی (OSA) را به طور قابل ‌توجهی سریع ‌تر از روش ‌های استاندارد در حال استفاده که پیچیده، پرهزینه و زمان ‌بر هستند، تشخیص دهد. این یافته‌ ها، می ‌توانند به مداخلات سریع منجر شود و از بیماری های جدی و حتی مرگ زودهنگام جلوگیری کند.

پژوهشگران گفته اند:تیم تحقیقاتی قبلاً نشان داده بود که بزرگسالان مبتلا به مراحل اولیه OSA، تغییرات بافت مغزی دارند که می ‌توان آنها را معکوس و در نتیجه عملکردهای از دست رفته مغز را بازسازی کرد. با این حال، بزرگسالانی که مدت زیادی است به این بیماری، مبتلا هستند، تغییرات مغزی دارند که ترمیم و بازیابی عملکردهای مغز را حتی پس از درمان استاندارد، دشوار می کند.

OSA  به دلیل انسداد راه هوایی فوقانی در طول خواب، به طور معمول توسط بافت نرم در سقف دهان، ایجاد می شود. این امر، منجر به خروپف، خفگی، کاهش اکسیژن رسانی به مغز و بدن، و خواب آلودگی در طول روز می شود. خطر آپنه با بالا رفتن سن و چاقی، افزایش می یابد.

این بیماری، بر خلق و خو، شناخت، تنظیم دستگاه عصبی خودمختار و عملکردهای تنفسی تأثیر می گذارد که در صورت عدم درمان با عوارض جدی و حتی مرگ مرتبط است. با این حال، OSA را می توان با تشخیص زودهنگام و درمان سریع، بهبود بخشید.

راه های کنونی برای تشخیص OSA شامل پلی سومنوگرافی (تست خواب) یک شبه است که امواج مغزی، سطح اکسیژن و ضربان قلب و تنفس را ثبت می کند.به گزارش سیناپرس، این کار علاوه بر استفاده از تجهیزات و پرسنل، مستلزم اقامت در آزمایشگاه خواب به مدت ۷ تا ۱۰ ساعت، می باشد. این روش پرهزینه بوده و به دلیل نیاز به ارزیابی چندین ساعت داده، تشخیص آن به زمان قابل توجهی نیاز دارد.

محققان، برای این مطالعه داده های MRI 59 فرد مبتلا به OSA و 96 فرد سالم را مورد بررسی قرار دادند. MRI می تواند آسیب بافت مغز را در بزرگسالان مبتلا به OSA تشخیص دهد.

پژوهشگران به دنبال کشف این بودند: آیا یادگیری ماشینی می تواند OSA را از روی آسیب نشان داده شده در تصاویر، تشخیص دهد یا خیر.

دانشمندان، دو مدل یادگیری ماشینی را آزمایش کردند – یک ماشین بردار پشتیبان، که از الگوریتمی برای طبقه‌ بندی داده ‌ها استفاده می ‌کند، و یک جنگل تصادفی، سیستمی که از الگوریتم‌ ها برای ایجاد "جنگل" تصمیم‌ گیری استفاده می ‌کند. محققان، از این مدل ها برای تجزیه و تحلیل تصاویر مغز افراد استفاده کردند.

پژوهشگران، دریافتند که هر دو مدل دقیق بوده و می ‌توانند به عنوان ابزار غربالگری سریع و قابل اعتمادی برای تشخیص OSA استفاده شوند تا بتوان درمان اولیه را در بیماران جدی آغاز کرد.

یافته های تحقیقاتی در مجله Journal of Sleep Research منتشر شده اند.