ディープラーニングを用いた睡眠脳のリズムから深い催眠状態を予測する。データを再利用したアプローチ

Predicting Deep Hypnotic State From Sleep Brain Rhythms Using Deep Learning: A Data-Repurposing Approach.

• Sunil Belur Nagaraj
• Sowmya M Ramaswamy
• Maud A S Weerink
• Michel M R F Struys

抄録

背景:

脳波（EEG）から定量的な脳活動を追跡して催眠レベルを予測する脳モニターは、行動評価に代わる省力的な代替手段として提案されてきた。薬剤特異的な脳波パターンのため、すべての薬剤や薬剤の組み合わせに対して新たに開発された処理済みの脳波モニターを検証するためには、高価な臨床試験が必要となる。代替的で効率的かつ経済的な方法が必要とされている。

BACKGROUND: Brain monitors tracking quantitative brain activities from electroencephalogram (EEG) to predict hypnotic levels have been proposed as a labor-saving alternative to behavioral assessments. Expensive clinical trials are required to validate any newly developed processed EEG monitor for every drug and combinations of drugs due to drug-specific EEG patterns. There is a need for an alternative, efficient, and economical method.

方法:

ディープラーニングアルゴリズムを用いて、睡眠脳リズムから催眠レベルを予測するための新しいデータ再利用フレームワークを開発した。深層学習アルゴリズムのトレーニングにはオンラインの大規模な睡眠データセット（5723個の臨床脳波）を、デクスメデトミジン注入中のテストには臨床試験の催眠データセット（30個の脳波）を使用した。モデル性能は、精度とレシーバー演算子特性曲線下面積（AUC）を用いて評価した。

METHODS: Using deep learning algorithms, we developed a novel data-repurposing framework to predict hypnotic levels from sleep brain rhythms. We used an online large sleep data set (5723 clinical EEGs) for training the deep learning algorithm and a clinical trial hypnotic data set (30 EEGs) for testing during dexmedetomidine infusion. Model performance was evaluated using accuracy and the area under the receiver operator characteristic curve (AUC).

結果:

睡眠EEGで訓練された深層学習モデル（畳み込みニューラルネットワークと長期短期記憶ユニットの組み合わせ）は、デクスメデトミジンをプロトタイプ薬として用いて、精度（95％信頼区間[CI]）＝81（79.2-88.3）％、AUC（95％CI）＝0.89（0.82-0.94）で深層催眠レベルを予測した。また、デクスメデトミジン誘発性の深い催眠レベルの間の脳波パターンは、非遅発性眼球運動段階3の脳波睡眠と相同性があることを実証した。

RESULTS: The deep learning model (a combination of a convolutional neural network and long short-term memory units) trained on sleep EEG predicted deep hypnotic level with an accuracy (95% confidence interval [CI]) = 81 (79.2-88.3)%, AUC (95% CI) = 0.89 (0.82-0.94) using dexmedetomidine as a prototype drug. We also demonstrate that EEG patterns during dexmedetomidine-induced deep hypnotic level are homologous to nonrapid eye movement stage 3 EEG sleep.

結論:

我々は、大規模な睡眠脳波データ、ディープラーニング、データ再利用アプローチを用いて催眠レベルモニターを開発するための新しい方法を提案し、任意の個人をモニターするためにそのようなシステムを最適化することを提案する。睡眠脳波を用いて催眠レベルを予測するための新しいデータ再利用の枠組みを提供し、催眠レベルモニターを開発するための新たな臨床試験の必要性を排除する。

CONCLUSIONS: We propose a novel method to develop hypnotic level monitors using large sleep EEG data, deep learning, and a data-repurposing approach, and for optimizing such a system for monitoring any given individual. We provide a novel data-repurposing framework to predict hypnosis levels using sleep EEG, eliminating the need for new clinical trials to develop hypnosis level monitors.