Mustererkennung von obstruktiver Schlafapnoe und Cheyne-Stokes-Atmung

G. Weinreich; H. Teschler

doi:10.1055/s-2007-973407

Pneumologie, Inhaltsverzeichnis

Mustererkennung von obstruktiver Schlafapnoe und Cheyne-Stokes-Atmung

G Weinreich ¹, H Teschler ¹

¹Ruhrlandklinik, Essen

Abstract

Einführung: Bisherige Screeningverfahren für schlafbezogene Atmungsstörungen (SBAS) basieren auf dem Apnoe-Hypopnoe-Index (AHI), der die Anzahl der Reduktionen der Atemflussamplitude beschreibt, aber keine Aussage über die Art der zugrunde liegenden SBAS trifft. Die Unterscheidung zwischen obstruktiver Schlafapnoe (OSA) und Cheyne-Stokes-Atmung (CSR) beruht auf den Fähigkeiten des erfahrenen Schlafmediziners, der den beiden Erkrankungen typische Muster zuordnen kann. In dieser Studie untersuchten wir die diagnostische Genauigkeit einer flussbezogenen automatischen Mustererkennung.

Methoden: Es wurde der Atemfluss von 10 Patienten mit obstruktiven Apnoen, 13 Patienten mit obstruktiven Hypopnoen und 10 Patienten mit CSR einer Spektralanalyse mit Fast Fourier Transformation (FFT) unterzogen. Die Untersuchungsintervalle wurden in Epochen von 3 Minuten Dauer unterteilt (n=202 für obstruktive Apnoen, n=96 für obstruktive Hypopnoen, n=140 für CSR, n=74 für Normalatmung). Als Maß für die Frequenzvariabilität des Powerspektrums wurde die spektrale Entropie S herangezogen. Die niederfrequente Entropie S_NF (im Bereich <0,5 mal Frequenzmaximum) und die hochfrequente Entropie S_HF (im Bereich >1,5 mal Frequenzmaximum) wurden in Prozent der Gesamtentropie ermittelt.

Ergebnisse: Die Entropie war bei Normalatmung S=2,9±0,3 (S_NF=0,7±0,4%, S_HF=53,2±9,2%), bei obstruktiven Hypopnoen S=4,0 ±0,3 (S_NF=3,7±2,5%, S_HF=44,3±9,2%), bei obstruktiven Apnoen S=4,5 ±0,2 (S_NF=10,6±4,2%, S_HF=29,9±8,9%) und bei CSR S=3,6±0,3 (S_NF=3,1 ±1,7%, S_HF=34,5±7,8%). Die Unterschiede hinsichtlich S (p<0,000001), S_LF (p<0,03) and S_HF (p<0,000001) waren hochsignifikant.

Schlussfolgerung: Die Spektralanalyse deckte signifikante Unterschiede bei Normalatmung, OSA und CSR auf. Deshalb kann eine automatische Mustererkennung mittels FFT-basierter Algorithmen Eingang in Screeninggeräte finden, so dass in Zukunft beim Screening auf eine beobachterabhängige Auswertung weitestgehend verzichtet werden kann.