Takaisin

Kehittyneet laskennalliset menetelmät ja mittauselektrodien materiaalivalinnat voivat parantaa merkittävästi uniapnean diagnostiikkaa

Obstruktiivinen uniapnea on kansanterveydellisesti merkittävä sairaus, josta kärsii uusimpien epidemiologisten tutkimusten mukaan jopa 1,5 miljoonaa suomalaista. Uniapnea voi aiheuttaa kognitiivisen suorituskyvyn heikkenemistä sekä altistaa sydän- ja verisuonisairauksille. Uniapnea on myös yhdistetty kasvaneeseen aivoinfarktin riskiin. Uniapnean vakavuuden arviointi ei kuitenkaan nykyisellään vastaa liitännäissairausriskiä eikä uniapnean aiheuttamien päiväaikaisten oireiden voimakkuutta. Tämä johtuu pitkälti siitä, että nykyisin diagnostisessa käytössä oleva apnea-hypopnea indeksi (AHI) ei yksinkertaisuutensa vuoksi ole riittävä arvioimaan uniapnean todellista vakavuutta. Lisäksi AHI:n laskeminen perustuu unirekisteröinnin tarkkaan analyysiin, joka on tällä hetkellä aikaa vievää manuaalityötä. Olemme pyrkineet ratkaisemaan työkuormaongelmaa kehittyneillä tekoälyratkaisuilla. Lisäksi olemme tutkineet uusien, hengityskatkojen ja happisaturaatiomuutosten vakavuutta paremmin kuvaavien parametrien hyödynnettävyyttä uniapneapotilaiden kognitiivisen suorituskyvyn ja aivoverenkiertohäiriöriskin arvioinnissa.

Suomessa suurin osa unirekisteröinneistä suoritetaan kotimittauksina, jotka eivät sisällä aivosähkökäyrän mittaamista. Tämä vääristää arviota yöllä nukutusta ajasta, jota käytetään useimpien uniapnean vakavuutta kuvaavien parametrien laskennassa. Myös unen pirstaleisuus ja poikkeamat univaiheiden suhteellisissa osuuksissa jäävät nykyään kotimittauksissa epäselviksi. Tähän puutteeseen olemme yrittäneet vastata kehittämämme elektrodipannan avulla. Elektrodipanta voidaan liittää osaksi kotona suoritettavaa unirekisteröintiä ja sen on havaittu tuottavan kliinisesti laadukkaita mittaustuloksia, vaikkakin unihäiriöpotilaiden yöaikainen hikoilu on aiheuttanut haasteita erityisesti syvää unta muistuttavan matalataajuisen häiriön seurauksena.

DI Laura Kalevon väitöskirjaan liittyvässä tutkimuksessa (Kalevo ym. IEEE Access 2020) jatkettiin Itä-Suomen yliopiston STAG-ryhmässä kehitetyn aivosähkökäyrää mittaavan pannan tutkimusta optimaalisista materiaalivalinnoista. Tutkimuksessa selvitettiin aikaisemmassa in vitro -tutkimuksessa valittujen elektrodimateriaalien vaikutusta pannan signaalinlaatuun ja hiestä aiheutuvan häiriön määrään in vivo -kokeissa. Tutkimus osoitti, että hiki alentaa merkittävästi ihon impedanssia, ja että oikealla materiaalivalinnalla voidaan vaikuttaa hiestä aiheutuvan häiriön määrään kotimittauksessa.

FM Samu Kainulaisen väitöskirjaan liittyvässä tutkimuksessa (Kainulainen ym. Eur Respir J 2020) selvitettiin hengityskatkojen ja happisaturaatiolaskujen vaikutusta päiväaikaiseen tarkkaavaisuuteen. Tutkimuksessa havaittiin, että happisaturaatiolaskujen syvyys ja vakavuus ovat yhteydessä heikentyneeseen psykomotorisen tarkkaavaisuustestin tulokseen. Perinteisten diagnostisten parametrien (mm. AHI), hengityskatkojen pituuksien ja heikentyneen tarkkaavaisuuden välillä yhteyttä ei havaittu. Nämä tulokset korostavat nykyisin diagnostiikan kulmakivenä toimivan AHI:n riittämättömyyttä, sekä auttavat ymmärtämään paremmin uniapnean aiheuttamien kognitiivisten haittojen syitä.

DI Akseli Leinon väitöskirjaan liittyvässä tutkimuksessa (Leino ym. Sleep Breath 2020) tutkittiin uniapneaan liittyvien yksittäisten hengityskatkojen vakavuutta Kuopion yliopistollisessa sairaalassa hoidossa olevilla akuuteilla aivoinfarktipotilailla. Tuloksia verrattiin hengityskatkojen vakavuuteen uniapneapotilaista koostuvassa verrokkiryhmässä, jossa ei ollut todettu aiempia aivoverenkiertohäiriöitä. Tutkimuksessa osoitettiin, että aivoinfarktipotilaat kärsivät verrokkiryhmän uniapneapotilaita lyhyemmistä hengityskatkoista, vaikka ryhmien välillä ei ollut tilastollisesti merkittävää eroa hengityskatkojen lukumäärässä. Aikaisemmassa kirjallisuudessa lyhyet hengityskatkot on yhdistetty unen pirstaloitumiseen ja kohonneeseen kuolleisuuteen, mikä korostaa aivoinfarktipotilaille tehtävän uniapnean rutiiniseulonnan tärkeyttä.

FM Sami Nikkosen väitöskirjaan liittyvässä tutkimuksessa (Nikkonen ym. Sci Reports 2019) kehitettiin neuroverkko, jolla voidaan automaattisesti arvioida AHI:a käyttämällä pelkästään yönaikaista happisaturaatiosignaalia. Neuroverkon arvioiman AHI:n mediaanivirhe verrattuna manuaalisesti määritettyyn AHI:in oli vain 0.78 1/h ja 90.9% potilaista luokiteltiin oikeaan uniapnean vakavuusluokkaan (ei uniapneaa, lievä, keskivaikea ja vaikea uniapnea). Kehitetty neuroverkko soveltuisi erityisesti laajoihin uniapneaseulontoihin, koska se on täysin automaattinen, eikä vaadi kuin helposti sormenpäästä mitattavan happisaturaatiosignaalin. 

Yllä mainittujen tutkimuksien rahoittamiseen ovat osallistuneet Suomen Akatemia, Business Finland, Kuopion yliopistollinen sairaala, Seinäjoen Keskussairaala, Tampereen yliopistollinen sairaala, Päivikki & Sakari Sohlbergin Säätiö, Paulon Säätiö, Kuopion Seudun Hengityssäätiö, Suomen Kulttuurirahasto, Tampereen Tuberkuloosisäätiö, Hengityssairauksien tutkimussäätiö, Instrumentariumin tiedesäätiö, Orionin tutkimussäätiö ja Suomen Tuberkuloosin Vastustamisyhdistyksen säätiö.

Lisätietoja:

Professori, ylifyysikko Juha Töyräs, FT, p. 044 355 2026, juha.toyras (a) uef.fi
Dosentti, yliopistotutkija Sami Myllymaa, FT, p. 040 557 2499, sami.myllymaa (a) uef.fi
Yliopistotutkija Timo Leppänen, FT, p. 044 532 6362, timo.leppanen (a) uef.fi

Sleep Technology and Analytics Group, https://www.uef.fi/fi/web/stag/

 

Kalevo et al, Effect of Sweating on Electrode-Skin Contact Impedances and Artifacts in EEG Recordings With Various Screen-Printed Ag/Agcl Electrodes, IEEE Access, 2020. DOI: 10.1109/ACCESS.2020.2977172

Kainulainen et al, Severe desaturations increase PVT-based median reaction time and number of lapses in OSA patients, European Respiratory Journal, 2020, available in early view. DOI: 10.1183/13993003.01849-2019

Leino et al, Acute stroke and TIA patients have specific polygraphic features of obstructive sleep apnea, Sleep & Breathing,  2020. https://doi.org/10.1007/s11325-019-02010-2

Nikkonen et al, Artificial neural network analysis of the oxygen saturation signal enables accurate diagnostics of sleep apnea, Scientific Reports, 9(13200), 2019. https://doi.org/10.1038/s41598-019-49330-7