Takaisin

Uniapneatutkimus hyvässä nosteessa

Uniapnean diagnostiikan kehittämiseen tähtäävä tutkimus on hyvässä nosteessa Itä-Suomen yliopistossa. Sovelletun fysiikan laitoksen STAG-unitutkimusryhmän tutkijat kehittävät uusia, nykyistä tarkempia, potilasystävällisempiä ja pitkälle automatisoituja menetelmiä uniapnean diagnostiikkaan.

Tutkimuksissa tehdään tiivistä kansainvälistä yhteistyötä maailman huipputasoa olevien yhteistyökumppanien kanssa ja hyödynnetään verkostojen kautta saatuja erittäin suuria potilasaineistoja. Tutkimuksia ovat rahoittaneet muun muassa Suomen Akatemia, Innovaatiokeskus Business Finland, Kuopion yliopistollinen sairaala ja useat yksityiset säätiöt.  
 
Obstruktiivinen uniapnea on kansanterveydellisesti ja -taloudellisesti merkittävä sairaus, jossa potilas kärsii unenaikaisista täydellisistä tai osittaisista ylähengitysteiden tukkeumista. Hoitamaton uniapnea aiheuttaa potilaalle merkittävän terveysriskin, lisäten muun muassa riskiä sairastua diabetekseen ja sydän- ja verisuonitauteihin. Hoitamaton uniapnea voi aiheuttaa myös päiväväsymystä ja laskea vireystilaa, mitkä lisäävät liikenneonnettomuusriskiä. On arvioitu, että maailmanlaajuisesti noin miljardi ihmistä sairastaa uniapneaa. Jatkuvasti lisääntyvän ylipainon ja väestön ikääntymisen myötä uniapnean yleisyyden uskotaan yhä kasvavan tulevaisuudessa.
 
Uniapnean diagnosointi perustuu unilaboratoriossa tai potilaan kotona suoritettavaan polygrafiarekisteröintiin. Menetelmät ovat kuitenkin työläitä, suhteellisen kalliita ja saatavilla rajoitetusti. Lisäksi polygrafiarekisteröinneistä johdettavat diagnostiset parametrit, kuten apnea-hypopnea indeksi (AHI), ovat vanhanaikaisia ja puutteellisia. Esimerkiksi AHI huomioi ainoastaan unenaikaisten hengityskatkojen lukumäärän, mutta ei esimerkiksi niiden kestoa. Myöskään hengityskatkoihin liittyvien veren happisaturaatiolaskujen pituutta tai syvyyttä ei huomioida systemaattisesti. AHI:n on osoitettu korreloivan heikosti potilaan kokemien päiväaikaisten oireiden ja vakavien liitännäissairauksien kanssa. Polygrafiarekisteröinnit sisältävät kuitenkin erittäin paljon potilaan unen aikana kerättyä digitaalista dataa, jota voitaisiin hyödyntää paljon tehokkaammin uniapnean diagnostiikassa, ennustettaessa taudin kehittymistä ja oikean, yksilöllisen hoitopolun valinnassa.
 
Itä-Suomen yliopiston STAG-unitutkimusryhmässä uniapnean diagnostiikan puutteisiin on etsitty ratkaisuja eri lähestymiskulmista. Kehitettävät menetelmät perustuvat puettaviin, potilaan unta häiritsemättömiin antureihin, tarkempiin diagnostisiin parametreihin, sekä tekoälyyn pohjautuviin moderneihin laskennallisiin ratkaisuihin. Uusien menetelmien odotetaan parantavan merkittävästi uniapnean vakavuuden arviointia, edistävän potilaskohtaista hoitosuunnittelua sekä uniapneaan liittyvien päiväaikaisten oireiden ja liitännäissairauksien ennustamisen luotettavuutta.
 
Monipuolista tutkimusta ja uusien laitteiden, materiaalien ja koneoppimisen kehittämistä
 
FM Sami Nikkosen väitöskirjatyöhön liittyvässä tutkimuksessa (Nikkonen ym. Sleep Breath 2019) selvitettiin, kuinka uniapnealle tyypillisten hengityskatkojen vakavuus (lukumäärä ja yksittäisten hengityskatkojen pituus) muuttuu yön aikana, ja kuinka tämä vakavuuden muutos on yhteydessä uniapnean vakavuuteen ja kuolleisuuteen. Tutkimuksessa havaittiin, että hengityskatkojen lukumäärä ja pituus kasvavat merkittävästi aamua kohden. Lisäksi havaittiin, että mikäli tämä tuntikohtainen vaihtelu otettaisiin huomioon uniapnean vakavuusluokittelussa, vakavuusluokat olisivat paremmin yhteydessä kohonneeseen kuolemanriskiin kuin nykyinen apnea-hypopnea indeksin perusteella tehty luokittelu.
 
FM Samu Kainulaisen väitöskirjatyöhön liittyvässä tutkimuksessa (Kainulainen ym. J Clin Sleep Med 2019) selvitettiin, kuinka uniapnealle tyypillisten hengityskatkojen pituus, sekä niiden aiheuttamien happisaturaatiolaskujen pituus ja syvyys, ovat yhteydessä uniapneapotilaiden objektiivisesti mitattuun päiväaikaiseen väsymykseen. Tutkimus osoitti, että erityisesti happisaturaatiolaskujen vakavuus on vahvasti yhteydessä päiväaikaiseen väsymykseen, mutta hengityskatkojen lukumäärä (AHI) ei ole. Tällä hetkellä uniapnean diagnosointi perustuu pääasiassa AHI:in, minkä vuoksi tutkimuksen tulokset ovat tärkeä askel kohti tarkempaa uniapnean diagnostiikkaa.
 
DI Laura Kalevon väitöskirjatyöhön kuuluvassa tutkimuksessa (Kalevo ym. IEEE Access 2019) selvitettiin STAG-ryhmässä kehitetyn aivosähkötoimintaa mittaavan elektrodipannan optimaalisia materiaalivalintoja. Voimakas yöhikoilu on tyypillinen obstruktiivisen uniapnean oire. Hikoilu on ongelma myös polygrafiatutkimuksissa, koska hiki voi aiheuttaa mitattaviin EEG-signaaleihin matalataajuista häiriötä vaikeuttaen signaalin tulkintaa. Tutkimuksen tavoitteena oli selvittää, voidaanko EEG-pannassa käytettyjen seripainettujen Ag/AgCl-elektrodien häiriöherkkyyttä parantaa oikeilla materiaali- ja rakennevalinnoilla. Elektrodien häiriöherkkyyttä tutkittiin sähkökemiallisilla menetelmillä fysiologisessa keittosuolaliuoksessa ja keinohiessä. Tutkimus osoitti, että eri elektrodityyppien välillä oli eroja häiriöherkkyydessä ja materiaalit tulee valita huolellisesti hiestä aiheutuvien häiriöiden minimoimiseksi.
 
FM Henri Korkalaisen väitöskirjatyöhön liittyvässä tutkimuksessa (Korkalainen ym. IEEE J Biomed Health Inform 2019) kehitettiin koneoppimiseen pohjautuva menetelmä univaiheiden automaattiseen tunnistamiseen EEG-signaaleista. Univaiheiden tunnistaminen kliinisistä mittauksista vastasi 83.8 prosenttisesti ihmisen manuaalisesti tekemää analyysia. Tämä tarkkuus vastaa kokeneen lääkärin tekemän silmämääräisen analyysin toistettavuutta, mutta automaattisen menetelmän etuna on se, että se suorittaa univaiheiden tunnistamisen aina järjestelmällisesti samalla tavalla. Tutkimuksessa saavutettiin lisäksi 82.9 prosentin tarkkuus hyödyntämällä ainoastaan yhtä EEG kanavaa, kun taas käsin tehtävässä silmämääräisessä analyysissa hyödynnetään yleensä kolmea EEG kanavaa sekä silmien liikkeitä ja leuan lihasten aktiivisuutta kuvaavia signaaleja. Tutkimus osoitti, että automaattinen univaiheiden tunnistaminen voidaan tehdä luotettavasti koneoppimisen avulla, ja tämä avaa mahdollisuudet myös kevennettyjen kliinisten mittausasetelmien kehittämiseen ja EEG- kanavien vähentämiseen.

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) kuh.fi

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

Nikkonen S, Töyräs J, Mervaala E, Myllymaa S, Terrill P, Leppänen T. Intra-night variation in apnea-hypopnea index affects diagnostics and prognostics of obstructive sleep apnea. Sleep Breath. 2019 Jul 11. https://link.springer.com/article/10.1007/s11325-019-01885-5

Kainulainen S, Töyräs J, Oksenberg A, Korkalainen H, Sefa S, Kulkas A, Leppänen T. Severity of Desaturations Reflects OSA-Related Daytime Sleepiness Better Than AHI. J Clin Sleep Med. 2019 Aug 15;15(8):1135-1142. https://jcsm.aasm.org/doi/10.5664/jcsm.7806

Kalevo L, Miettinen T, Leino A, Kainulainen S, Myllymaa K, Töyräs J, Leppänen T, Myllymaa S. Improved sweat artifact tolerance of screen-printed EEG electrodes by material selection-comparison of electrochemical properties in artificial sweat. IEEE Access. Vol. 7, 2019, Article number 8835030, pp. 133237-133247. https://ieeexplore.ieee.org/document/8835030

Korkalainen H, Aakko J, Nikkonen S, Kainulainen S, Leino A, Duce B, Afara IO, Myllymaa S, Toyras J, Leppanen T. Accurate Deep Learning-Based Sleep Staging in a Clinical Population with Suspected Obstructive Sleep Apnea. IEEE J Biomed Health Inform. 2019 Dec 19. https://ieeexplore.ieee.org/document/8936942


Siirry uutisarkistoon