Kunstig intelligens muliggjør mer detaljert søvnanalyse

Louise Frøstrup Follin og Stine Knudsen Heier 

Når søvn undersøkes gjøres det ved en såkalt polysomnografi, som måler hjernens aktivitet ved hjelp av elektroder. Disse elektrodene registrerer signaler fra hjernen, sammen med øyebevegelser og muskelaktivitet. Basert på disse signalene deles søvnen inn i ulike stadier som beskriver hvor dypt eller lett vi sover. Denne inndelingen brukes både i klinisk praksis og forskning for å forstå søvnkvalitet, søvnsykdommer og hjernens funksjon under søvn.

Hvordan måles søvn?

Polysomnografisk søvnopptak deles deretter tradisjonelt inn i 30-sekunders epoker, hvor en søvntekniker/søvnekspert skårer hver epoke med et søvnstadium: non-REM-søvn stadie 1(N1), non-REM-søvn stadie 2 (N2), non-REM søvn stadie 3 (N3), REM-søvn eller våken.

Denne inndelingen har vært standard i flere tiår og brukes fortsatt i både menneske- og automatisk søvnskåring. Denne metoden gir en oversiktlig beskrivelse av søvn gjennom natten, men innebærer samtidig at all informasjon innenfor én epoke komprimeres til ét enkelt søvnstadium – også selv om for eksempel flere kortere søvnstadier ses innenfor de 30 sekunder: man må uansett velge et av dem som det «endelige» søvnstadie for den aktuelle epoken. Dette betyr at oppvåkninger kortere enn 30 sekunder og raske søvnstadieskift blir ignorert/skjult, men fordi søvn i klinikken tradisjonelt skåres av mennesker (søvnteknikere/søvneksperter) er 30-sekunders epoker det nåværende validerte, pragmatiske «kompromiss».

Mini-epoker gir mer detaljert bilde av søvnen

I en tidligere studie viste Louise Frøstrup Follin og kollegaer, basert på KI-analyse av et mindre datasett, at skåring av søvnstadier i kortere intervaller, nemlig såkalte 5-sekunders mini-epoker gir et mye mer detaljert bilde av søvnens dynamikk, med betydelig flere skifte av søvnstadier enn det som fanges opp med tradisjonell 30-sekunders epokeskåring.

Illustrasjon: Louise Frøstrup Follin

Eksempel på søvnsignaler i en 30-sekunders intervall, som i henhold til standard regler må klassifiseres som dyp søvn (N3) selv om der også ses typiske kjennetegn på lettere søvn (N2). Figuren er basert på søvndata fra en frisk deltaker fra forskningsprosjektet.  

Samtidig ble en viktig begrensning tydelig i denne tidligere studien: det manglet presise og validerte metoder for å skåre søvn på 5-sekunders nivå på en pålitelig og skalerbar måte.

Tilpasning av KI-modell for rask og presis søvnanalyse

I en ny studie har Follin og kollegaer derfor undersøkt om en eksisterende KI-modell kunne trenes til å analysere søvn i 5-sekunders intervaller, såkalte mini-epoker, med samme høye presisjon som ved tradisjonell 30-sekunders epoke søvnstadium skåring.

Resultatene viser at dette er mulig. Etter trening til mini-epoker oppnådde den automatiske modellen en presisjon på nivå med det som tidligere er rapportert for både menneskelig og automatisk søvnskåring i 30-sekunders epoker. Samtidig fanget mini-epokene også opp langt flere korte oppvåkninger og raske skift mellom søvnstadier enn det man fant ved 30-sekunder epoker.

Det vil si at mini-epoker gir et mer realistisk og nyansert bilde av søvnens reelle dynamikk. Forskjellene mellom mini-epoker og tradisjonell 30-sekunders søvnskåring viser at viktige sider ved søvnens struktur først blir synlige når man analyserer den i høyere tidsoppløsning.

Et dilemma er dog, at hvis mennesker skal analysere søvn i så korte intervaller,  er mini-poker ikke gjennomførbare i klinisk praksis. Det tar simpelthen for lang tid. Studien viser derfor at automatiserte metoder er avgjørende for å kunne ta i bruk mer detaljert søvnskåring i større skala.

På sikt kan dette gjøre avanserte søvnanalyser mer tilgjengelige, uten økt tidsbruk, og forhåpentlig bidra til mer presis diagnostikk og bedre oppfølging av pasienter med søvnsykdommer.

Forfattere

Førsteforfatter Louise Frøstrup Follin er medisinsk ingeniør og ph.d.-stipendiat ved Nasjonalt senter for sjeldne diagnoser, enhet hjernesykdommer. Artikkelen inngår i hennes doktorgradsarbeid/prosjekt «Narcolepsy after H1N1 vaccination: A data-driven approach for understanding electrophysiological signals and disease risk in vaccinated individuals». Alexander Neergaard Zahid, medisinsk ingeniør og ph.d. , spesialisert i automatiske søvnanalyser og Stine Knudsen-Heier, overlege, ph.d., leder av forskningen på narkolepsi ved Nasjonalt senter for sjeldne diagnoser, enhet hjernesykdommer samt Louises ph.d.-hovedveileder er sisteforfattere på artikkelen.

Follin LF, Christensen JAE, Vevelstad J, Juvodden HT, Viste R, Hansen BH, Perslev M, Kaufmann T, Zahid AN, Knudsen-Heier Sl. Optimizing automated sleep stage scoring of 5-second mini-epochs: a transfer learning study. SLEEPJ. December 2025

Optimizing automated sleep stage scoring of 5-s mini-epochs: a transfer learning study | SLEEP | Oxford Academic

Andre artikler fra doktorgraden: 

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? 

Del av forskningsprosjekt

Studien er  en del av forskningsprosjektet ”Fenotype og patogenese ved narkolepsi etter H1N1-vaksinasjon i Norge”  ved Nasjonalt senter for sjeldne diagnoser, enhet hjernesykdommer 

Til Nasjonalt senter for sjeldne diagnoser, enhet hjernesykdommer