Fjerde doktorgrad om narkolepsi fra Nasjonalt senter for sjeldne diagnoser, enhet hjernesykdommer

KI analyserer polysomnografier like godt som søvnteknikere  – og mye raskere! 

Personer med narkolepsi diagnostiseres med søvnmålinger hvor hjernebølger og muskelaktivitet analyseres under søvn. Tradisjonelt deles søvnen inn i 30-sekunders intervaller (såkalte epoker) som vurderes manuelt av søvnteknikere, som “søvnskårer” hver enkelt epoke som et av fem mulige søvnstadier. Søvnskåring er et svært tidkrevende og komplisert arbeid for søvnteknikerne i den kliniske hverdagen.  

Follin har brukt en automatisk søvnskåringsmodell som ved hjelp av KI analyserer søvnstadier i søvnmålinger (polysomnografier) fra personer med narkolepsi og deres søsken. Hun finner at KI har høy overensstemmelse med de menneske-skårete epoker. Det er kjent at søvnteknikere ikke er 100% enige seg imellom når de søvnskårer epokene i polysomnografier. KI var heller ikke enig med søvnteknikeren i alle epoker i Follins analyser. Men KI hadde en “enighet” på samme nivå som den man vanligvis kjenner mellom forskjellige søvnteknikere. KI er derfor like bra som søvnteknikere til å skåre 30-sekunders epoker - og KI gjør det mye raskere!   

Mer detaljerte narkolepsi-funn med KI 

Personer med narkolepsi har ofte svært fragmentert nattesøvn, både mange skift mellom de forskjellige søvnstadier og i form av korte oppvåkninger.  For å undersøke dette mer nøyaktig definerte Follin og kolleger en ny manual for søvnteknikeres søvnskåring av enda kortere intervaller på 5 sekunder (såkalte mini-epoker). Søvnteknikeren skåret deretter søvnen manuelt i disse mini-epokene. Follin og kollegaer trente videre den automatiske KI-søvnskåringsmodellen på søvnteknikerens mini-epoke skåringer, så den fikk høy enighet med  søvnteknikeren. Slik kan man få et mer nøyaktig bilde av søvnen ved narkolepsi, og ved bruk av KI kan man på veldig kort tid analysere mye mer data enn ved manuell søvnskåring. 

Eksempel på en polysomnografi 

Illustrasjon: Louise Frøstrup Follin

Fragmentert nattesøvn ved narkolepsi 

Follin og kollegaer viser at når KI-modellen analyserer søvn med 5-sekunders mini-epoker fanger man opp mange flere oppvåkninger, samt andre viktige deler av søvnfragmenteringen ved narkolepsi, som ikke fanges opp ved søvnskåring av de vanlige 30-sekunders epoke-analyser.   

Kortere tidsintervaller gir økt mulighet for persontilpasset vurdering av narkolepsi 

Videre viser Follin at detaljerte mini-epoke-analyser av søvnfragmenteringen avspeiler alvorlighetsgraden av narkolepsi. Dette fanges heller ikke opp ved 30-sekunders epoker. Det overses altså potensiell viktig klinisk informasjon ved den nåværende tradisjonelle måten å analysere nattesøvn ved narkolepsi.  For å fange opp flere sykdomsrelevante endringer må søvnen derfor analyseres i kortere tidsintervaller. En så detaljert analyse er imidlertid svært krevende å gjennomføre for søvnteknikere i klinisk praksis.

Follins doktorgrad viser at KI-modeller kan trenes til å fange opp klinisk relevante detaljerte endringer i søvnen som ellers ville bli oversett. KI-analyser – selv av korte 5-sekunders mini-epoker – går veldig fort, slik at også detaljerte polysomnografi-analyser ved bruk av KI er lite ressurskrevende og veldig mye raskere enn ved tradisjonell manuell søvnskåring.   På sikt åpner dette opp for mer persontilpasset vurdering av personer med narkolepsi. 

Ønsker om videre forskning og utvikling

Stine Knudsen Heier er klinisk søvn-ekspert og prosjektleder for ”Fenotype og patogenese ved narkolepsi etter H1N1-vaksinasjon i Norge”, som er prosjektet Louise Follin har tatt sin doktorgrad på. Hun sier dette om Louise Follins arbeid, og videre utvikling av bruk av KI i sammenheng med søvnanalyser og narkolepsi: 

- Louises forskning gir et svært lovende grunnlag for at kunne ta i bruk KI-basert analyse av polysomnografier som et støtteverktøy i klinikken. Dette vil gi – hardt tiltrengte – muligheter for raskere diagnostikk og behandling av personer med narkolepsi og andre søvnsykdommer. Mere detaljerte KI-analyser kan i tillegg gi bedre vurdering av alvorlighetsgraden av narkolepsi og potentielt også av andre søvnsykdommer. Dette kan være et viktig steg mot mer persontilpasset medisin for den enkelte, og vi håper å kunne videreutvikle det Louise har startet, sier Stine Knudsen Heier.

Hun ser frem til videre forskning på temaet: 

- Målet er at KI-basert søvnanalyse på sikt skal kunne hjelpe leger til å diagnostisere og behandle personer med narkolepsi og andre søvnsykdommer i Norge både raskere og mer presist. Vi søker derfor forskningsmidler for å løfte dette til klinikken.  

Louise Follin er nå ansatt som spesialingeniør hos National senter for sjeldne diagnoser, enhet hjernesykdommer, hvor hun jobber med håndtering og automatisk KI-analyse av søvndata ved narkolepsi og andre sjeldne søvnsykdommer. 

- Louise, hva skal du gjøre nå? 

- Det føles godt å være ferdig med ph.d-en, men jeg har også lyst til å bruke det jeg har jobbet med til noe konkret - særlig å bidra til at KI faktisk kan tas i bruk som et støtteverktøy til klinisk søvnskåring, slik at personer med narkolepsi og andre søvnsykdommer raskere kan få hjelpen de trenger. 

Foto: Marit Skram

Tittel på avhandlingen: 

Narcolepsy after H1N1 vaccination: A datadriven approach for understanding electrophysiological signals and disease risk in vaccinated individuals. 

På norsk: Narkolepsi etter H1N1-vaksinasjon: En datadrevet metode til forståelse av elektrofysiologiske signaler og sykdomsrisiko hos vaksinerte personer.

Les mer

Les mer forskningsprojsektet og om doktoravhandlingen og hvordan Follin har brukt KI for mer detaljert skåring av søvn ved narkolepsi 

 Andre artikler fra Louise Follins doktorarbeid:

• Ny doktoravhandling har brukt KI for mer detaljert skåring av søvn ved narkolepsi
• Kunstig intelligens muliggjør mer detaljert søvnanalyse
• Høyoppløselig automatisk søvnanalyse avslører nye søvnmønstre ved narkolepsi
• Bedre og hurtigere søvnanalyse: Kan kunstig intelligens hjelpe oss til å få et mer presist bilde av søvnen vår?

Til  Nasjonalt senter for sjeldne diagnoser, enhet hjernesykdommer