сомнология

В статье представлен инновационный подход к автоматическому обнаружению апноэ во сне с использованием архитектуры глубокого обучения. Исследователи разработали фреймворк на основе самообучения (self-supervised learning), интегрированный с иерархической остаточной сетью перекрестного слияния (hierarchical residual cross fusion network). Данная методология позволяет эффективно извлекать и объединять признаки из различных временных масштабов сигналов полисомнографии, что критически важно для точной диагностики нарушений дыхания. Использование механизмов перекрестного слияния помогает минимизировать потерю информации при анализе сложных паттернов сна. Предложенная модель демонстрирует высокую точность в классификации эпизодов апноэ, превосходя существующие аналоги за счет более глубокого понимания контекстуальных зависимостей в данных. Результаты исследования имеют высокую практическую значимость для автоматизации скрининга расстройств дыхания во сне и снижения нагрузки на врачей-сомнологов.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная мультимодальная модель искусственного интеллекта, предназначенная для выявления риска развития расстройства поведения в фазе быстрого сна (RBD) у пациентов с большим депрессивным расстройством (БДР). Методология исследования базируется на интеграции различных типов данных, включая нейровизуализацию, показатели полисомнографии и клинические характеристики пациентов. Использование мультимодального подхода позволило значительно повысить точность прогнозирования коморбидных состояний по сравнению с традиционными унимодальными методами. Ключевые результаты демонстрируют высокую чувствительность и специфичность алгоритма, что позволяет на ранних стадиях выявлять пациентов с высоким риском нейродегенеративных изменений. Данная разработка имеет критическое значение для персонализированной психиатрии, позволяя врачам своевременно корректировать терапевтическую стратегию и проводить превентивную диагностику. Практическая значимость работы заключается в создании надежного инструмента поддержки принятия клинических решений для психиатров и сомнологов.

Исследование представляет ActiTect — инновационный программный конвейер на базе машинного обучения, разработанный для автоматизированного скрининга расстройства поведения в фазе быстрого сна (RBD). Методология исследования опирается на использование стандартизированной актиграфии, что позволяет перенести процесс диагностики из специализированных лабораторий сна в условия домашнего мониторинга. Система анализирует паттерны движения пациента, используя алгоритмы глубокого обучения для выявления специфических признаков RBD. Ключевой особенностью ActiTect является его высокая обобщающая способность, позволяющая эффективно работать на различных наборах данных без потери точности. Внедрение данного решения может значительно повысить доступность ранней диагностики нейродегенеративных заболеваний, связанных с RBD, за счет снижения нагрузки на клинический персонал и стоимости обследований. Результаты демонстрируют потенциал автоматизации рутинного скрининга с использованием носимых устройств.