Promovendus Jaap van der Aar combineert slimme AI met gegevens van gewone smartwatches om zeldzame slaapstoornissen eerder op te sporen. Vier jaar lang ontwikkelde hij methoden om onopvallende wearables te gebruiken voor het volgen van slaappatronen. Zijn focus ligt op REM-slaapgedragsstoornis (RBD), een aandoening die vaak niet wordt herkend, maar bij vroegtijdige detectie beter te behandelen is. Zo krijgen artsen een krachtig hulpmiddel in handen.
"RBD is een slaapstoornis waarbij iemand zijn dromen naspeelt", zegt promovendus Jaap van der Aar. "Dit gebeurt omdat hun spieren niet verlamd zijn, zoals bij een normale REM-slaap. Dat kan ertoe leiden dat iemand in zijn slaap schopt, praat en slaat."
Onderzoek
Van der Aar verdedigde onlangs zijn proefschrift aan de TU/e, waar hij onderzoek deed binnen de Advanced Sleep Monitoring Group van de faculteit Electrical Engineering. Het onderzoek werd uitgevoerd in samenwerking met het Kempenhaeghe Center for Sleep Medicine en het Eindhoven MedTech Innovation Center (e/MTIC).
Slaap is niet voor iedereen hetzelfde. Tijdens een normale slaapcyclus doorlopen we verschillende fases, waaronder de REM-slaap (Rapid Eye Movement). Dat is de fase waarin we de meest levendige dromen ervaren. Normaal gesproken zijn de spieren tijdens deze fase tijdelijk verlamd, zodat we niet onbewust gaan bewegen. Bij mensen met REM-slaapgedragsstoornis (RBD) blijven de spieren echter wel actief, waardoor ze hun dromen letterlijk kunnen ‘uitspelen en bijvoorbeeld gaan slaan of schoppen.
Slaapmonitoring
Het onderzoek van Van der Aar richtte zich op het verfijnen van slaapmonitoringsmodellen, in een tijd waarin slaapmetingen steeds vaker plaatsvinden met comfortabele draagbare sensoren.
Volgens Van der Aar is de gouden standaard in ziekenhuizen polysomnografie (PSG), waarbij slaapstadia elke 30 seconden worden geëvalueerd. Het grootste probleem daarbij is dat patiënten een reeks sensoren moeten dragen en in een ziekenhuislaboratorium moeten slapen. Slapen in een onbekende omgeving, met al die sensoren om zich heen, kan de nachtrust extra verstoren en daarmee ook de kwaliteit van de verzamelde gegevens.
Ook merkt Van der Aar op dat bij traditionele polysomnografie meestal slechts één nacht wordt gemeten, waardoor er geen langetermijnbeeld van de slaap van patiënten ontstaat. Tegelijk is er een verschuiving gaande van bedrade elektrodes naar draagbare technologieën, zoals hoofdbanden voor hersenactiviteit en smartwatches voor hartslag en beweging. Deze ontwikkeling maakte het mogelijk om nieuwe methoden voor slaaponderzoek te ontwikkelen.
Verband met Parkinson
Voor z’n promotieonderzoek onderzocht Van der Aar hoe modellen in wearables geoptimaliseerd kunnen worden voor het meten van slaapstoornissen zoals slapeloosheid, apneu en REM-slaapgedragsstoornis. Hij stelt dat RBD de sterkste vroege aanwijzing is voor Parkinson en verwante neurodegeneratieve aandoeningen, omdat vrijwel alle mensen met deze stoornis die ziekten later ontwikkelen. Nauwkeurige slaapmetingen kunnen daardoor bijdragen aan eerdere opsporing en behandeling.
Een belangrijk obstakel bij vroege opsporing en behandeling is volgens Van der Aar echter dat de stoornis slechts een klein percentage van de algemene bevolking treft. RBD komt voor bij minder dan 1 procent van de algemene bevolking en treft vooral mannen boven de 50 jaar. Omdat bestaande AI-modellen voornamelijk zijn getraind op gezonde jongvolwassenen of op mensen met meer voorkomende slaapstoornissen, zijn zij volgens Van der Aar minder geschikt om data van mogelijke RBD-patiënten te beoordelen. Deze modellen hebben vaak moeite met het correct classificeren van slaapstadia, omdat de slaappatronen sterk afwijken van de data waarop zij zijn getraind.
Slaapopnames
In het algemeen zou Van der Aar graag honderden – zo niet duizenden – slaapopnames willen hebben om AI-modellen nauwkeurig te trainen, maar hij begon zijn werk met een veel lager aantal slaapopnames. "Voor mijn onderzoek zijn we een klinische studie gestart met 72 patiënten om draagbare EEG-hoofdbanden en fotoplethysmografie (PPG) smartwatches te evalueren. In het begin droegen de patiënten deze een week lang in de vertrouwde thuisomgeving, en daarna hebben we in de kliniek hun slaapstadia gemeten met PSG", zegt Van der Aar.
De 72 patiënten in het onderzoek bleken onvoldoende om de benodigde AI-modellen te trainen. Daarom maakten Van der Aar en zijn collega’s gebruik van de uitgebreide SOMNIA-dataset met slaapmetingen van duizenden patiënten. Met deze grotere dataset trainden zij eerst een algemeen model, dat vervolgens werd aangepast voor draagbare sensoren en voor het herkennen van zeldzamere slaapstoornissen bij de 72 onderzochte patiënten. Voor langdurige metingen koos Van der Aar voor PPG-smartwatches, omdat deze praktischer en comfortabeler zijn voor patiënten.
Smartwatches
Om te onderzoeken hoe smartwatches kunnen bijdragen aan betere slaapfasemonitoring, kwam hij bij de betreffende mensen thuis. Volgens Van der Aar maakt nauwkeurige slaapmeting het mogelijk om RBD sneller en eenvoudiger te signaleren bij patiënten bij wie al een vermoeden bestaat. Die data ondersteunen de behandelaar bij het stellen van een formele diagnose, wat ook kan bijdragen aan eerdere herkenning van de ziekte van Parkinson.
Van der Aar vertelt dat iedere patiënt die deel uitmaakte van onderzoek en met een niet-gediagnosticeerde slaapstoornis had naar Kempenhaeghe verwezen. Van die groep wilden de onderzoekers vaststellen welke slaapstoornis ze hadden. Ze hebben metingen gedaan om het AI-model te trainen, maar niet om de patiënten te diagnosticeren. Het stellen van een diagnose is aan de behandelende arts overgelaten. Van de 72 patiënten werden er uiteindelijk bij enkelen slapeloosheid, obstructieve slaapapneu, nachtmerries en andere slaapstoornissen vastgesteld. Slechts twee personen in de groep bleken RBD te hebben.
Hypnodensity
De Advanced Sleep Monitoring Group van de TU/e gebruikt een manier om slaap te analyseren, te weten met zogeheten hypnodichtheidsgrafieken. Die laten niet per halve minuut één vast slaapstadium zien, maar tonen hoe groot de kans is dat iemand zich in verschillende slaapstadia bevindt. Volgens Van der Aar levert deze aanpak extra inzichten op, vooral bij patiënten met RBD, die met traditionele slaapmetingen vaak verborgen blijven.
Van der Aar ziet grote kansen voor het combineren van wearables met geavanceerde AI-modellen die ook met kleine datasets en zeldzame slaapstoornissen kunnen omgaan. Volgens hem kan deze aanpak slaapmonitoring toegankelijker maken en verplaatsen van het ziekenhuis naar de thuissituatie. Het onderzoek van Van der Aar en zijn collega’s aan de TU/e biedt daarmee perspectief op eerdere opsporing en behandeling van slaapstoornissen zoals RBD, met als doel dat meer mensen weer kunnen rekenen op een goede nachtrust.
BIDSleep
Een ander manier om verschillende slaapfasen te herkennen, kan volgens de onderzoekers van de University of Massachusetts Amherst met een AI-gedreven app. Onlangs schreven we over de app BIDSleep die door de onderzoekers is ontwikkeld en Apple Watches inzet voor geavanceerd slaaponderzoek. De app kan verschillende slaapfasen nauwkeurig herkennen, iets wat voorheen vooral mogelijk was met dure en complexe laboratoriumapparatuur.
Volgens professor Joyita Dutta vormt deze technologie een toegankelijk en betaalbaar alternatief voor traditionele slaapstudies. Zij stelt dat het doel was een robuust systeem te ontwikkelen met een gewone consumenten-wearable, waardoor onderzoekers slaapgegevens kunnen verzamelen in de dagelijkse leefomgeving van mensen, inclusief tijdens dutjes, zonder dat een bezoek aan een slaaplaboratorium nodig is.
