06 Hatlinski porownanie algorytmow.p65
Transkrypt
06 Hatlinski porownanie algorytmow.p65
PRACA ORYGINALNA Porównanie algorytmów analizy danych pulsoksymetrycznych do przesiewowej diagnostyki Zaburzeń Oddychania Podczas Snu (ZOPS) The comparison of sleep apnea screening tests analyzing algorithms Grzegorz J. Hatliński, Andrzej Kukwa, Tomasz Grochowski Klinika Otolaryngologii Oddziału Stomatologii Akademii Medycznej w Warszawie t Abstract Pulseoxymetric data analyzing algorhitms in sleep apnea Introduction. The aim of this study was to compare currently used algorithms and new sleep apnea screening tests analyzing algorithms. Material and methods. New algorithm is based on calculating the mean values of sleep study parameters (such as desaturation index) including only one hour intervals. We compared new and currently used algorithms in sleep studies of different stages sleep apnea patients. Results. There is no difference between results obtained with both algorithms in patients with moderate and severe stage of sleep apnea syndrome. New algorithms shows higher parameter values in patients with benign stage of sleep apnea syndrome. Adres do korespondencji: mgr inż. Grzegorz J. Hatliński Klinika Otolaryngologii Oddziału Stomatologii Akademii Medycznej w Warszawie ul. Stępińska 19/25 00–739 Warszawa e-mail: [email protected] ISSN 1641–6007 Sen 2007, Tom 7, Nr 2, 117–121 Copyright © 2007 Via Medica Conclusions. The sleep apnea screening tests based on a new algorithms seems to be more sensitive especially with the patients with benign sleep apnea syndrome and other sleep respiratory disturbances. Key words: respiratory disorders during sleep, pulseoximetry t Wstęp Spośród wielu symptomów najbardziej niewątpliwą i pierwotną konsekwencją Zaburzenia Oddychania Podczas Snu (ZOPS) jest niedotlenienie organizmu, co najdobitniej ujawnia pomiar saturacji krwi. Ze względu na wysokie wymagania w stosunku do personelu medycznego oraz koszta aparatury i środków nietrwałych nie jest możliwe wykorzystanie pełnej polisomnografii (PSG) w diagnostyce ZOPS na skalę masową. Z doświadczeń autorów artykułu wynika, że pulsoksymetria jest najprostszym i najbardziej miarodajnym testem przesiewowym do diagnostyki ZOPS, umożliwia obiektywną i wybitnie skorelowaną z ZOPS interpretację [1–3]. Ocena saturacji krwi jest również jednym z podstawowych wskaźników do oceny stopnia zaawansowania ZOPS. Nowe metody analizy danych oparte na ocenie dynamiki zmian saturacji krwi zastosowane w systemach pulsoksymetrycznych autorów umożliwiają szybką i skuteczniejszą detekcję ZOPS i dobrą ocenę stopnia zaawansowania ZOPS, ułatwiają śród- i międzyosobniczą analizę porównawczą, uwzględniają, w przeciwieństwie do metody statystycznej, ocenę morfologiczną zmian saturacji oraz umożliwiają lepszą ocenę efektów leczenia przyczynowego [4]. W niniejszej pracy autorzy proponują kolejny sposób na www.sen.viamedica.pl 117 SEN 2007, Tom 7, Nr 2 Rycina 1. Przykład z wykorzystaniem nowych metod analizy danych pulsoksymetrycznych zwiększenie wykrywalności ZOPS w badaniach przesiewowych — nową formułę algorytmu analizy danych pulsoksymetrycznych, która zwiększa czułość detekcji ZOPS, szczególnie w przypadku nieznacznych symptomów ZOPS oraz kilkudniowego monitorowania SaO2. Jakość i rozrzut wyników badań polisomnograficznych Do głównych czynników wpływających na jakość badań polisomnograficznych i rozrzut śródosobniczy wyników, szczególnie wyników kolejnych badań u tej samej osoby, można zaliczyć: a) jakość urządzeń diagnostycznych i czujników; b) kwalifikacje kadry; c) warunki badań; d) kondycja psychofizyczna osoby badanej. Spośród wyżej wymienionych jedynie kondycja psychofizyczna osoby badanej jest czynnikiem niezależnym od badaczy. Należy pamiętać, że badanie nocne, które odbywa się w czasie snu osoby badanej, ma pewne cechy badania psychofizycznego, dlatego możemy się spodziewać dużego rozrzutu kolejnych wyników badań u tej samej osoby, szczególnie w przypadku nieznacznych ZOPS oraz u osób mających problemy z jakością snu (np. z bezsennością). 118 W niniejszej pracy stosowano trzy sposoby, które zwiększają czułość detekcji ZOPS w badaniu pulsoksymetrycznym i uwzględniają, wynikający również z psychofizycznego charakteru badania nocnego, duży rozrzut wyników kolejnych badań u tej samej osoby: a) nowe metody analizy danych pulsoksymetrycznych; b) prezentacja danych w formie jednogodzinnych interwałów czasowych; c) nowa formuła algorytmu analizy danych pulsoksymetrycznych. Wśród nowych metod analizy danych pulsoksymetrycznych (ryc. 1) do podstawowych należą: rozkład wielkości spadków saturacji, współczynnik zmian saturacji (WZS), graficzną prezentację funkcji F (SaO2, Puls), współczynnik desaturacji (DC, desaturation coefficient) i wektor desaturacji (DV, desaturation vector). Zarówno nowe metody, jak i prezentacja danych w formie jednogodzinnych interwałów czasowych (ryc. 2) znacznie ułatwiają i obiektywizują ocenę efektów leczenia ZOPS. t Materiał i metody Celem pracy było porównanie algorytmów analizy danych pulsoksymetrycznych do przesiewowej diagnostyki ZOPS. Pojęcie „algorytmu analizy danych pulsoksy- www.sen.viamedica.pl Grzegorz J. Hatliński i wsp., Algorytm analizy danych pulsoksymetrycznych w ZOPS SEN Rycina 2. Prezentacja danych pulsoksymetrycznych w formie jednogodzinnych interwałów czasowych metrycznych” oznacza sposób obliczania średnich wartości danych pulsoksymetrycznych, uzyskanych z zastosowaniem różnych metod (np. indeks desaturacji [ODI, oxygen desaturation index], DC), całonocnego badania z jego ściśle określonych interwałów czasowych — w opisywanym przypadku jednogodzinnych (ryc. 2). Porównania algorytmów dokonano również z użyciem nowych metod analizy danych pulsoksymetrycznych oraz u osób z różnym stopniem Zaburzenia Oddychania Podczas Snu. Klasyczny algorytm obliczania średnich wartości parametrów całonocnego badania pulsoksymetrycznego, na przykład indeksu desaturacji, uwzględnia wszystkie jednogodzinne interwały czasowe [1], – gdzie: A — średnia wartość (np. ODI, DC), Ai — wartość dla i-tego jednogodzinnego interwału czasowego, n — ilość jednogodzinnych interwałów czasowych, k — ilość jednogodzinnych interwałów czasowych o zerowych wartościach parametru Ai. Klasyczny i nowy algorytm średnich wartości porównano z użyciem tych metod analizy danych pulsoksymetrycznych, które uwzględniają spadki saturacji od 4% — podstawowe kryterium detekcji ZOPS o wysokiej czułości i specyficzności [5]. Są to: indeks desaturacji (ODI), współczynnik desaturacji (DC), wektor desaturacji z polem decyzyjnym (DV). t Wyniki i wnioski – gdzie: A — średnia wartość (np. ODI, DC), Ai — wartość dla i-tego jednogodzinnego interwału czasowego, n — ilość jednogodzinnych interwałów czasowych. Nowa formuła algorytmu opiera się na obliczaniu średnich wartości poszczególnych parametrów całonocnego badania pulsoksymetrycznego tylko z uwzględnieniem ich niezerowych jednogodzinnych interwałów czasowych [2], Uzyskane wyniki wskazują (ryc. 3), że w przypadku osób ze średnim i dużym stopniem Zaburzenia Oddychania Podczas Snu obydwa omawiane algorytmy obliczania średnich wartości danych pulsoksymetrycznych (ODI, DC i DV) dają jednakowe rezultaty. W przypadku łagodnej symptomatologii parametry całonocnego badania pulsoksymetrycznego z wykorzystaniem nowej formuły algorytmu osiągają wyższe wartości. Nowa formuła algorytmu, która do uśredniania parametrów całonocnego badania pulsoksymetrycznego uwzględnia tylko jednogodzinne interwały czasowe o niezerowych wartościach: a) zwiększa czułość badań pulsoksymetrycznych w przypadku łagodnej symptomatologii Zabu- www.sen.viamedica.pl 119 SEN 2007, Tom 7, Nr 2 Rycina 3. Przykład wyników z zastosowaniem dwóch algorytmów u osób z różnym stopniem ZOPS rzeń Oddychania Podczas Snu oraz w przypadku osób cierpiących na zaburzenia snu (niska jakość snu); b) jest szczególnie przydatna w przypadku monitorowania ZOPS u dzieci; c) jest dobrym narzędziem w przypadku przesiewowego oraz ciągłego kilkudniowego monitorowania w warunkach domowych (Holter); d) ułatwia śród- i międzyosobniczą analizę porównawczą; e) obiektywizuje ocenę efektów leczenia ZOPS. t Streszczenie Algorytmy analizy danych pulsoksymetrycznych w ZOPS Wstęp. Celem pracy było porównanie dotychczasowych i nowych algorytmów analizy danych pulsoksymetrycznych do przesiewowej diagnostyki ZOPS. Materiał i metody. Nowa formuła algorytmu opiera się na obliczaniu średnich wartości poszczególnych parametrów całonocnego badania pulsoksymetrycznego, na przykład indeksu desaturacji, tylko z uwzględnieniem ich niezerowych jednogodzinnych interwałów. Porównania algorytmów dokonano również z użyciem nowych metod analizy danych pulsoksymetrycznych. Do porównania wykorzystano wyniki badań osób z różnym stopniem Zaburzeń Oddychania Podczas Snu. Wyniki. Wyniki uzyskane z wykorzystaniem dotychczasowego i nowego algorytmu analizy danych pulsoksymetrycznych nie różnią się w przypadku chorych ze średnim i dużym stopniem ZOPS. W przypadku łagodnej symptomatologii parametry całonocnego badania pulsoksymetrycznego z wykorzystaniem nowej formuły algorytmu osiągają wyższe wartości. Wnioski. Nowa formuła algorytmu, która do uśredniania całonocnego badania pulsoksymetrycznego uwzględnia tylko jednogodzinne interwały o niezerowych wartościach, jest bardziej czuła w przypadku nieznacznych Zaburzeń Oddychania Podczas Snu oraz w przypadku osób cierpiących na zaburzenia snu. Słowa kluczowe: Zaburzenia Oddychania Podczas Snu, pulsoksymetria 120 www.sen.viamedica.pl Grzegorz J. Hatliński i wsp., Algorytm analizy danych pulsoksymetrycznych w ZOPS SEN t Piśmiennictwo 1. Kukwa A., Hatliński G., Kowalski Jerzy. System pulsoksymetryczno-respiratoryjny do całonocnych badań przesiewowych osób podejrzanych o Zespół Snu z Bezdechami. Polish Acoustical Society, Waves Methods and Mechanics in Biomedical Engineering 1999. 2. Hatliński G., Bochenek W., Kukwa A. The choice of screening or polysomnographic investigation method in patients with the Sleep Apnea Syndrome. Polish Acoustical Society, Wave Methods and Mechanics in Biomedical Engineering 2002. 3. Hatliński G., Kornacki W., Kukwa A. Wielostopniowa procedura monitorowania zaburzeń oddychania podczas snu (ZOPS). Acta Bio-Optica et Informatica Medica, Inżynieria Biomedyczna 2006; 1 (12). 4. Hatliński G., Kukwa A., Obarska A., Bochenek W. New methods of pulsoximetry data analysis in patients with respiratory disorders during sleep. Polish Acoustical Society Dep. Cracow, Structures-Waves-Human Health. Waves-Human-Biomedical Engineering 2004; 13. 5. Teramoto S., Matsuse T., Fukuchi Y. Clinical significance of nocturnal oximeter monitoring for detection of sleep apnea syndrome in the elderly. Sleep Medicine 2002; 3: 67–71. www.sen.viamedica.pl 121