Fullført master om bærbar sensorteknologi til vurdering av søvnforstyrrelser ved Parkinsons sykdom
Gratulerer til Lisa Aaslestad ved SEFAS og IGS med fullført mastergrad – og det med beste karakter (A)! Oppgaven heter "Bridging Gaps : Wearable sensing-driven assessment of REM sleep behavior disorder in Parkinson’s Disease. Results from the DIGI.PARK study", og i prosjektet sitt har Lisa sett på søvnforstyrrelser ved Parkinsons sykdom, og hvordan bærbar sensorteknologi kan forbedre vurderingen av sannsynlig søvnforstyrrelse hos pasienter med Parkinsons.
Hovedinnhold
Lisa hadde sin muntlige eksaminasjon av masterprosjektet sitt den 10. juni 2024. Veiledere har vært Line Iden Berge (hovedveileder), Monica Patrascu og Haakon Reithe.
Hurtige øyebevegelser, Rapid Eye Movement (REM)-søvnatferdsforstyrrelse (RBD) er et utbredt ikke-motorisk symptom ved Parkinsons sykdom (PD), som kan føre til forverret sykdomsprogresjon. RBD vurderes ofte ved hjelp av selvrapporterte spørreskjema og intervjuer, som ofte kritiseres for deres lave sensitivitet og spesifisitet. Selvrapporterte data kan være mindre pålitelige som følge av intersubjektivitet. Denne studien undersøker hvordan bærbar sensorteknologi kan forbedre vurderingen av sannsynlig RBD (pRBD) hos pasienter med PD.
Fjorten deltagere med PD besvarte spørreskjemaet RBD screening questionnaire (RBDSQ) og brukte en bærbar aktivitetssensor kontinuerlig i 14 netter. Aktivitetssensoren målte nattlige bevegelser og hjerterytmevariabilitet (HRV). Disse dataene ble visuelt inspisert og behandlet i et programmeringsverktøy for å segmentere og klassifisere bevegelser og HRV. Søvnforstyrrelser ble manuelt identifisert og analysert med søvnscoringsalgoritmen Cole-Kripke. I dataanalysen ble bevegelser, søvnparametere og HRV hos (i) personer med sannsynlig RBD (pRBD) og (ii) personer uten RBD (nRBD) sammenlignet. Spørsmål 4, 6.2, 7 og 9 fra RBDSQ ble deretter erstattet med svar fra objektive sensordata som indikerte pRBD for hver studiedeltaker. Ved å bruke to-proporsjons z-test ble forskjeller i forekomsten av rapporterte symptomer mot faktisk observerte data analysert, og Cronbachs alfa ble brukt for å vurdere den interne konsistensen av dataintegreringen i RBDSQ.
Studien fant signifikante forskjeller mellom selvrapporterte RBD-symptomer og objektive data fra aktivitetssensoren. Akselerasjonsdata viste høyere frekvens av nattlige bevegelser hos pasienter med pRBD, noe som ikke var fullstendig fanget opp i RBDSQ-skåringen. Cronbachs alfa indikerte høy indre konsistens (α = 0.87) når sensordata ble integrert i RBDSQ.
Integrering av data fra bærbare aktivitetssensorer sammen med spørreskjemaer kan være en mer objektiv metode til å vurdere RBD hos PD-pasienter. Denne tilnærmingen kan potensielt forbedre diagnostisk nøyaktighet ved å redusere subjektive skjevheter som medfølger selvrapporterte data.
Vi ser frem til å se mer av Lisa i hennes fremtidige karriere!