Publiserat: 7.7.2022
Skribenten: Sami Nikkonen
Bilden: Shutterstock

 

Dålig sömn är mycket vanligt på intensivvårdsavdelningarna, där de flesta patienter lider av otillräcklig och fragmentarisk sömn. Dålig sömn kan bero på flera olika störande faktorer, till exempel smärta, buller och störande ljud, alltför stark belysning eller vårdåtgärderna och en dålig schemaläggning av dem. Dålig sömn orsakar inte bara trötthet utan har också andra negativa konsekvenser för patienternas psykiska och fysiska välbefinnande och återhämtning. Sömnen på intensivvårdsavdelningarna har dock inte undersökts ingående, och informationen om dålig sömnkvalitet är främst baserad på subjektiva iakttagelser och patienternas egen bedömning. Det här beror huvudsakligen på att traditionella metoder för att mäta sömn lämpar sig dåligt för intensivvårdsavdelningar.

Traditionell sömnpolygrafi mäter många olika biosignaler, som till exempel EEG, EKG och EMG-kurvor samt andningen, sovpositionen och syremättnaden. Förberedelserna inför sömnpolygrafimätningar och placeringen av elektroderna kräver dessutom mycket tid och utbildad personal. Det krävs också omfattande manuellt arbete för att analysera en sömnpolygrafi och fastställa sömnfaserna. Den traditionella omfattande sömnpolygrafin lämpar sig dåligt för användning på intensivvårdsavdelningar på grund av metodens komplexitet och pris.

Men andra metoder som bygger på maskininlärning har utvecklats för att bedöma sömnens kvalitet och sömnfaserna. De här metoderna kan tillämpas också i betydligt mer avskalade mätningsförhållanden än den traditionella sömnpolygrafin. Ett mätningssätt som lämpar sig särskilt väl för intensivvårdsavdelningar är att endast använda en fotopletysmografisignal från en pulsoximeter. Vår forskargrupp har redan tidigare utvecklat metoder som bygger på maskininlärning och neuronnät och som kan användas för att bedöma sömnfaserna automatiskt utifrån en fotopletysmografisignal. Det är mycket enkelt att mäta fotopletysmografisignaler, och de mäts i vilket fall som helst på alla intensivvårdspatienter i samband med syremättnadsövervakningen. Sömnobservation kräver alltså inte nödvändigtvis extra sensorer som ytterligare stör patienten eller vårdåtgärderna. Eftersom metoden är automatisk kräver den inte heller arbetsintensiv manuell analys av signalerna.

I vårt forskningsprojekt som finansieras av Sakari Alhopuros stiftelse strävar vi efter att validera metoder för att observera och analysera sömnen hos intensivvårdspatienter. Vårt mål är att objektivt undersöka sömnens kvalitet och mängd samt huruvida resultaten överensstämmer med de tidigare subjektiva iakttagelserna.

Med hjälp av metoderna undersöker vi också sömnmiljön på intensivvårdsavdelningen och identifierar detaljerat avdelningsmiljöns största störningsfaktorer och deras inverkan på sömnen. Vi försöker till exempel utreda vilken typ av ljud som stör sömnen mest och om just sådana ljud går att undvika.  Vi undersöker också om vårdåtgärderna kan schemaläggas så att de inte avbryter djupsömnscyklerna, som stöder återhämtningen.

Vi utnyttjar också de data vi samlar in för att optimera sömnmiljön på intensivvårdsavdelningen – vi strävar alltså efter att minimera alla faktorer som stör sömnen, med hänsyn till avdelningens normala verksamhet. Det yttersta målet med projektet är att undersöka hur den här förändringen i sömnmiljön påverkar sömnens mängd och kvalitet och hur förändringen påverkar patienternas tillfrisknande.

 

 

 

 

FD Sami Nikkonen arbetar som forskare vid institutionen för tillämpad fysik vid Östra Finlands universitet och på Kuopio universitetssjukhus bilddiagnostiska centrum. Nikkonens forskning fokuserar på sömnmätning och diagnostisering av sömnsjukdomar. Nikkonen disputerade för filosofie doktorsexamen vid Östra Finlands universitet 2020. Hans avhandling behandlade metoder för att förbättra diagnostiken vid sömnapné med hjälp av beräkningsverktyg och maskininlärning.