Polysomnographie-Datensatz zur Schlafanalyse bei ischämischen Schlaganfallpatienten

Warum Schlaf nach einem Schlaganfall Aufmerksamkeit verdient

Viele Menschen wissen, dass Schlaf wichtig ist, aber nur wenige erkennen, wie tiefgreifend er die Fähigkeit des Gehirns beeinflusst, sich nach einer Verletzung zu erholen. Diese Studie stellt iSLEEPS vor, eine große neue Sammlung detaillierter nächtlicher Schlafaufzeichnungen von Menschen, die sich von einem ischämischen Schlaganfall in Indien erholen. Indem die Daten frei zugänglich gemacht werden, hoffen die Autorinnen und Autoren, Entdeckungen darüber zu beschleunigen, wie Atemstörungen im Schlaf die Schlaganfall‑Erholung beeinflussen, und Ingenieuren zu helfen, bessere automatische Werkzeuge zur Auswertung von Schlafuntersuchungen zu entwickeln.

Schlaganfall, gestörte Atmung und ein fehlendes Puzzlestück

Der Schlaganfall ist eine führende Ursache langfristiger Behinderung, und Atemstörungen im Schlaf — insbesondere Atemaussetzer, die als Schlafapnoe bezeichnet werden — sind bei Schlaganfallüberlebenden auffallend häufig. Diese Störungen können das Risiko für einen weiteren Schlaganfall verdoppeln und stehen in Verbindung mit einer schlechteren Erholung der Alltagsfunktionen. Ärztinnen und Ärzte verwenden einen nächtlichen Test namens Polysomnographie, der Hirnströme, Augen‑ und Muskelaktivität, Herzrhythmus, Atmung und Sauerstoffsättigung aufzeichnet, um diese Probleme zu diagnostizieren. Trotz seiner Bedeutung gab es jedoch nur sehr wenige große, offene Datensätze solcher Aufzeichnungen von Schlaganfallpatienten, besonders aus nicht‑westlichen Ländern. Verfügbare öffentliche Datenbanken sind klein, konzentrieren sich auf Personen ohne Schlaganfall oder fehlen die detaillierten Markierungen, die nötig sind, um das Zusammenspiel von Schlaf und Schlaganfall zu untersuchen.

Was die iSLEEPS‑Sammlung enthält

Der iSLEEPS‑Datensatz schließt diese Lücke mit 100 nächtlichen Aufzeichnungen von Erwachsenen, die innerhalb des vorangegangenen Monats einen ischämischen Schlaganfall erlitten hatten; alle wurden an einem großen Neurowissenschaftskrankenhaus in Bengaluru, Indien, untersucht. Jede Teilnehmerin bzw. jeder Teilnehmer verbrachte eine Nacht mit mehreren Sensoren, die Hirnströme, Augenbewegungen, Muskeltonus, Herzrhythmus, Luftstrom, Brust‑ und Bauchbewegung, Sauerstoffsättigung, Schnarchgeräusche und Körperposition erfassten. Im Durchschnitt dauerte jede Untersuchung etwa acht Stunden; zusammen ergeben sie fast 800 Stunden an Daten. Geschulte Auswerterinnen und Auswerter, betreut von einer Schlafspezialistin bzw. einem Schlafspezialisten, überprüften die Aufnahmen in 30‑Sekunden‑Abschnitten und markierten Wachzustand, Leichtschlaf, Tiefschlaf und REM‑Schlaf sowie Atemaussetzer, flache Atmung, Sauerstoffabfälle und kurze Erwachungen.

Wer die Patientinnen und Patienten sind und wie ihr Schlaf aussieht

Die Teilnehmenden repräsentieren eine reale Mischung von Schlaganfallpatienten: Häufige Begleiterkrankungen wie Diabetes, Herzkrankheiten und Adipositas wurden nicht ausgeschlossen. Das Durchschnittsalter liegt bei etwas über 50 Jahren, mit mehr Männern als Frauen, was dem höheren Risiko für Schlafapnoe bei Männern entspricht. Die Analyse der Aufzeichnungen zeigt, dass Atemstörungen im Schlaf in dieser Gruppe weit verbreitet sind. Nur eine kleine Minderheit zeigt normale Atmung; die Mehrheit fällt je nach Anzahl der Atemstörungen pro Schlafstunde in leichte, mittelschwere oder schwere Apnoe‑Kategorien. Der Datensatz erfasst sorgfältig verschiedene Ereignistypen — etwa obstruktive Apnoe, bei der die Atemwege kollabieren; zentrale Apnoe, bei der das Gehirn vorübergehend keine Atemsignale sendet; und Hypopnoe, eine partielle Reduktion des Luftflusses — sowie deren Häufigkeit auf den jeweiligen Schweregraden.

Testen der Daten mit modernen Algorithmen

Um zu demonstrieren, wie iSLEEPS genutzt werden kann, trainierten die Forschenden mehrere moderne Deep‑Learning‑Modelle, die automatisch Schlafstadien aus einzelnen Kanälen von Hirn‑ oder Augenbewegungssignalen zuweisen. Sie verglichen ein Faltungsnetzwerk, ein Long‑Short‑Term‑Memory‑Netzwerk und ein transformerbasiertes Modell, die jeweils darauf ausgelegt sind, Muster in Zeitreihendaten zu lernen. Die Algorithmen wurden so trainiert und getestet, dass Daten einer einzelnen Person niemals in mehr als einer Menge auftauchten, und die Leistung wurde mittels wiederholter Kreuzvalidierung überprüft. Unter diesen Methoden schnitt das LSTM‑Modell am besten ab und klassifizierte Schlafstadien richtig in etwa drei Viertel der Fälle. Die Ergebnisse waren jedoch deutlich schlechter als die vergleichbarer Modelle bei gesunden Probanden, was verdeutlicht, dass Schlaganfall den Schlaf so verändert, dass derzeitige automatische Systeme diese Veränderungen noch nicht vollständig erfassen.

Die Tür zu besserer Versorgung öffnen

Indem iSLEEPS als offenen, gut dokumentierten Datensatz veröffentlicht wird — einschließlich anonymisierter Aufnahmen, detaillierter Ereignismarkierungen und grundlegender klinischer Informationen — stellen die Autorinnen und Autoren eine leistungsfähige neue Ressource für Wissenschaftlerinnen und Wissenschaftler, Klinikpersonal und Ingenieurinnen und Ingenieure bereit. Forschende können sie nutzen, um zu untersuchen, wie gestörter Schlaf und Atmung die Schlaganfall‑Erholung beeinflussen, Patientengruppen über Ländergrenzen hinweg zu vergleichen und neue Algorithmen zu entwickeln und zu testen, die eines Tages gefährliche Atemstörungen automatisch erkennen könnten, sogar außerhalb spezialisierter Schlaflabore. Für Patientinnen und Patienten sowie deren Familien liegt das erklärte Ziel dieser Arbeit in einer klareren Diagnose und einer schnelleren Behandlung von Schlafproblemen nach einem Schlaganfall, was potenziell sowohl die Erholung als auch die Lebensqualität verbessern kann.

Zitation: Maiti, S., Sharma, S.K., Mythirayee, S. et al. Polysomnography Dataset for Sleep Analysis in Ischemic Stroke Patients. Sci Data 13, 421 (2026). https://doi.org/10.1038/s41597-026-06747-w

Schlüsselwörter: Schlaganfall, Schlafapnoe, Polysomnographie, Schlafdatensatz, Deep Learning