KindSleep: KI-gestützte Diagnose von obstruktiver Schlafapnoe aus Oximetrie

Schlafapnoe betrifft weltweit fast ein Milliarden Menschen und erhöht das Risiko für Herz-Kreislauf-Erkrankungen erheblich. Die klassische Diagnose mittels Polysomnographie ist aufwendig und erschwert den breiten Zugang zu einer frühzeitigen Erkennung. Hier setzt das neue Deep‑Learning‑Framework KindSleep an: Es kombiniert klinisches Wissen mit ein‑kanaligen Oximetrie‑Signalen und Patientendaten, um die Apnoe‑Hypopnoe‑Index‑Bewertung (AHI) präzise zu bestimmen.

KindSleep arbeitet in zwei Schritten. Zunächst lernt das Modell, aus den rohen Oximetrie‑Daten klinisch interpretierbare Konzepte wie Desaturationsindizes und Atemstörungen zu extrahieren. Anschließend werden diese KI‑generierten Konzepte mit multimodalen klinischen Informationen fusioniert, um den AHI zu schätzen. Durch diese zweistufige Herangehensweise bleibt die Diagnose transparent und nachvollziehbar.

In einer umfangreichen Evaluation mit 9.815 Probanden aus drei unabhängigen Datensätzen (SHHS, CFS, MrOS) zeigte KindSleep herausragende Ergebnisse: Der R²‑Wert lag bei 0,917 und der Intraclass‑Correlation‑Coefficient (ICC) bei 0,957. Im Vergleich zu bestehenden Methoden übertraf KindSleep die Klassifikation der Schlafapnoe‑Schweregrade deutlich und erreichte gewichtete F1‑Scores zwischen 0,827 und 0,941 in diversen Bevölkerungsgruppen.

Dank der Einbettung klinisch relevanter Konzepte bietet KindSleep ein vertrauenswürdiges und nachvollziehbares Diagnosewerkzeug, das die Versorgung von Schlafmedizin‑Patienten nachhaltig verbessern kann.