NEW YORK / MÜNCHEN – Ein innovatives Forscherteam vom Mount Sinai hat eine bahnbrechende Methode entwickelt, die mithilfe von Künstlicher Intelligenz (KI) Videoaufnahmen aus klinischen Schlafstudien analysiert und die Diagnostik einer weit verbreiteten Schlafstörung verbessert, die über 80 Millionen Menschen weltweit betrifft.

Die REM-Schlaf-Verhaltensstörung (RBD) ist eine ernstzunehmende Schlafstörung, die charakterisiert ist durch ungewollte Bewegungen oder das Ausleben von Träumen während der REM-Phase des Schlafes. Besonders alarmierend ist, dass diese Störung bei gesunden Erwachsenen auftritt und häufig ein frühes Anzeichen für ernsthafte Erkrankungen wie Parkinson oder Demenz darstellt. In den USA sind mehr als eine Million Menschen betroffen.

Die Diagnose dieser Störung gestaltet sich jedoch äußerst schwierig, da die Symptome oft unbemerkt bleiben und sich leicht mit anderen Erkrankungen verwechseln lassen. Der gängige Diagnoseweg führt über eine aufwendige Schlafstudie, das sogenannte Video-Polysomnogramm, die oftmals in spezialisierten Schlaflaboren durchgeführt werden muss.

In der Vergangenheit wurde geschlussfolgert, dass für die Erkennung der Bewegungen während des Schlafs 3D-Technologie erforderlich sein könnte, da Bettlaken oder Decken die Aktivitäten verdecken könnten. Diese revolutionäre Studie ist jedoch die erste, die eine automatisierte Methode des maschinellen Lernens vorstellt, die klassische 2D-Kameras nutzt, die häufig in den Schlaflabors zu finden sind. Durch die Definition zusätzlicher Merkmale von Bewegungen hat das Team bemerkenswerte Fortschritte erzielt: es wurde eine Genauigkeitsrate von fast 92 Prozent bei der Erkennung von RBD erreicht!

Dr. Emmanuel During, der korrespondierende Autor und Associate Professor für Neurologie, hebt hervor: „Dieser automatisierte Ansatz hat das Potenzial, den klinischen Alltag erheblich zu beeinflussen, die Diagnoseverfahren zu verbessern und Fehldiagnosen zu minimieren. Darüber hinaus könnten Ärzte auf Basis der Bewegungsanalysen individuell angepasste Behandlungspläne für ihre Patienten erstellen.“

Das Mount Sinai-Team baute zudem auf einem Vorschlag von Forschern der Medizinischen Universität Innsbruck auf, der ebenfalls eine automatisierte Analyse der Bewegungen in Schlafstudien zum Ziel hatte. Mit Computer Vision, einem Teilbereich der Künstlichen Intelligenz, verwandelten die Forscher alltägliche 2D-Aufnahmen in präzise Datenanalysen. Für die Untersuchung wurde der Schlaf von circa 80 RBD-Patienten sowie einer Kontrollgruppe mit etwa 90 Patienten ohne RBD überwacht.

Ein raffinierter Algorithmus platschte die Bewegungen im REM-Schlaf, indem er die Pixelbewegung zwischen aufeinanderfolgenden Video-Frames untersuchte. Die Wissenschaftler extrahierten wichtige Variablen wie Rate, Verhältnis und Geschwindigkeit der Bewegungen, was eine Rekordgenauigkeit von 92 Prozent erzielte.

Diese zukunftsweisende Forschung stellt eine bedeutende Entwicklung im Bereich der Schlafmedizin dar und wird von Forschern der Eidgenössischen Technischen Hochschule Lausanne unterstützt, die ebenfalls expertise in Computer Vision zur Verfügung stellen. Die Hoffnung ist, dass diese Methoden die Schlafdiagnostik revolutionieren und Millionen von Betroffenen helfen, die richtige Behandlung zu erhalten.