KI-gestützte Wearables zeigen vielversprechendes Potenzial bei der Erkennung und Überwachung von Schlafstörungen
Umfassende Übersichtsarbeit zeigt: Tragbare KI-Geräte können Schlafstörungen effektiv erkennen und diagnostizieren – der Großteil der Forschung konzentriert sich dabei auf die Erkennung von Schlafapnoe.
Zusammenfassung
Eine umfassende Scoping-Review von 46 Studien ergab, dass KI-gestützte Wearables vielversprechende Lösungen zur Erkennung und Überwachung von Schlafstörungen bieten. Der Großteil der Forschung konzentrierte sich auf Schlafapnoe, wobei handelsübliche am Handgelenk getragene Geräte am häufigsten eingesetzt wurden. Atemdaten und Herzfrequenz waren die wichtigsten Eingabegrößen für die KI-Modelle, wobei Convolutional Neural Networks den beliebtesten Algorithmus darstellten. Obwohl Wearables für Screening und Diagnose effektiv eingesetzt werden, nutzte keine der Studien sie für die Behandlung.
Detaillierte Zusammenfassung
Schlafstörungen betreffen 30–45 % der Erwachsenen weltweit und sind mit schwerwiegenden gesundheitlichen Erkrankungen verknüpft, darunter Diabetes und Herz-Kreislauf-Erkrankungen. Die herkömmliche Schlafüberwachung mittels Polysomnographie ist kostspielig und für den Langzeiteinsatz unpraktisch, weshalb zugängliche Alternativen benötigt werden.
Dieses Scoping-Review analysierte 46 Studien, die KI-gestützte Wearables zur Erkennung und Überwachung von Schlafstörungen untersuchten. Die Forschenden durchsuchten sieben große Datenbanken nach begutachteter Fachliteratur, die vor März 2024 veröffentlicht wurde, mit Fokus auf Studien, die KI-Algorithmen zur Erkennung oder Vorhersage von Schlafstörungen anhand von Wearable-Daten einsetzten.
Die Ergebnisse zeigen, dass KI-gestützte Wearable-Technologie vielversprechendes Potenzial für das Management von Schlafstörungen bietet. Schlafapnoe war der am häufigsten untersuchte Zustand, wobei kommerzielle Geräte in 65 % der Studien zum Einsatz kamen. Handgelenkgetragene Geräte waren am verbreitetsten (41 % der Studien), und Atemdaten dienten in 54 % der Forschungsarbeiten als primäre Eingabe für KI-Modelle. Konvolutionale neuronale Netze erwiesen sich als bevorzugter Algorithmus (37 % der Studien), gefolgt von Random Forest (30 %) und Support Vector Machines (26 %).
Diese Geräte zeigten Wirksamkeit beim Screening und der Diagnose verschiedener Schlafstörungen. Die Technologie bietet Möglichkeiten zur kontinuierlichen Überwachung, die die Schlafmedizin grundlegend verändern könnte, indem sie zugängliche und skalierbare Lösungen für die Früherkennung und das laufende Management von Schlafproblemen bereitstellt.
Die Forschung konzentriert sich jedoch nach wie vor stark auf Schlafapnoe, während andere Schlafstörungen nur begrenzt untersucht wurden. Darüber hinaus erforschte keine der Studien den Einsatz von Wearable-KI für therapeutische Interventionen, was eine erhebliche Lücke auf diesem Gebiet darstellt. Die Autoren betonen die Notwendigkeit vielfältigerer Forschung zu unterschiedlichen Schlafstörungen sowie einer Validierung anhand klinischer Daten, um das Potenzial dieser Technologie vollständig auszuschöpfen.
Wichtigste Erkenntnisse
- 65% of studies used commercial wearable devices, with wrist-worn devices being most popular
- Sleep apnea dominated research focus, with limited studies on other sleep disorders
- Convolutional neural networks were the most common AI algorithm (37% of studies)
- Respiratory data and heart rate were primary inputs for AI model development
- No studies investigated wearable AI for sleep disorder treatment, only screening and diagnosis
Methodik
Scoping-Review nach PRISMA-ScR-Leitlinien, bei dem sieben elektronische Datenbanken nach peer-reviewed Literatur durchsucht wurden. Zwei Gutachter führten Studienauswahl und Datenextraktion unabhängig voneinander durch, wobei von anfänglich 615 Artikeln 46 Studien die endgültigen Einschlusskriterien erfüllten.
Studienlimitierungen
Die Forschung konzentriert sich stark auf Schlafapnoe, während andere Schlafstörungen kaum untersucht wurden. Keine der Studien untersuchte therapeutische Anwendungen, und weitere klinische Validierungen sind erforderlich, um die Wirksamkeit in verschiedenen Bevölkerungsgruppen und bei unterschiedlichen Erkrankungen zu belegen.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: