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 SNF (im Bereich <0,5 mal Frequenzmaximum) und die hochfrequente Entropie SHF (im Bereich >1,5 mal Frequenzmaximum) wurden in Prozent der Gesamtentropie ermittelt.
Ergebnisse: Die Entropie war bei Normalatmung S=2,9±0,3 (SNF=0,7±0,4%, SHF=53,2±9,2%), bei obstruktiven Hypopnoen S=4,0 ±0,3 (SNF=3,7±2,5%, SHF=44,3±9,2%), bei obstruktiven Apnoen S=4,5 ±0,2 (SNF=10,6±4,2%, SHF=29,9±8,9%) und bei CSR S=3,6±0,3 (SNF=3,1 ±1,7%, SHF=34,5±7,8%). Die Unterschiede hinsichtlich S (p<0,000001), SLF (p<0,03) and SHF (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.