Polysomnografidataset för sömnanalys hos patienter med ischemisk stroke

Varför sömn efter stroke förtjänar uppmärksamhet

Många vet att sömn är viktig, men färre inser hur djupt den påverkar hjärnans förmåga att läka efter skada. Denna studie presenterar iSLEEPS, en stor ny samling detaljerade nattinspelningar av sömn från personer som återhämtar sig efter ischemisk stroke i Indien. Genom att göra dessa data fritt tillgängliga hoppas författarna påskynda upptäckter om hur andningsstörningar under sömn påverkar strokesjukdomens återhämtning och hjälpa ingenjörer att bygga smartare verktyg som automatiskt kan tolka sömntester.

Stroke, störd andning och en saknad pusselbit

Stroke är en ledande orsak till långvarig funktionsnedsättning, och andningsproblem under sömn—särskilt andningsuppehåll som kallas sömnapné—är slående vanliga hos strokepatienter. Dessa andningsstörningar kan fördubbla risken för ytterligare stroke och är kopplade till sämre återhämtning i vardagsfunktion. Läkare använder ett natttest kallat polysomnografi, som registrerar hjärnvågor, ögon‑ och muskelaktivitet, hjärtrytm, andning och syrenivåer, för att diagnostisera dessa problem. Trots dess betydelse har det funnits mycket få stora, öppna dataset med sådana inspelningar från strokepatienter, särskilt från icke‑västerländska länder. Befintliga öppna databaser är små, fokuserar på personer utan stroke eller saknar de detaljerade markeringar som behövs för att studera hur sömn och stroke samverkar.

Vad iSLEEPS‑samlingen innehåller

iSLEEPS‑datasetet fyller detta gap med 100 nattinspelningar från vuxna som haft en ischemisk stroke inom föregående månad, alla studerade vid ett stort neurovetenskapligt sjukhus i Bengaluru, Indien. Varje deltagare tillbringade en natt uppkopplad till flera sensorer som fångade hjärnvågor, ögonrörelser, muskeltonus, hjärtrytm, luftflöde, bröst‑ och bukrörelser, syrenivåer, snarkljud och kroppsläge. I genomsnitt varade varje studie omkring åtta timmar, och tillsammans uppgår de till nästan 800 timmars data. Tränade bedömare, under överinseende av en sömnspecialist, granskade inspelningarna i 30‑sekundersintervall och markerade när personen var vaken, i lätt sömn, djupsömn eller REM‑sömn, samt noterade andningsuppehåll, grundandning, syrefall och korta uppvaknanden.

Vilka patienterna är och hur deras sömn ser ut

Deltagarna representerar en verklighetsnära blandning av strokepatienter: vanliga tillstånd som diabetes, hjärtsjukdom och fetma exkluderades inte. Genomsnittsåldern är strax över 50 år, med fler män än kvinnor, vilket speglar den högre risken för sömnapné hos män. Analys av inspelningarna visar att andningsproblem under sömn är utbredda i denna grupp. Endast en liten minoritet har normal andning, medan de flesta hamnar i milda, måttliga eller svåra apnékategorier baserat på hur många andningsstörningar som sker per timme sömn. Datasets innehåller noggranna sammanställningar av olika typer av händelser—såsom obstruktiv apné, när luftvägen kollapsar; central apné, när hjärnan kortvarigt slutar sända andningssignaler; och hypopné, en partiell minskning av luftflödet—samt hur ofta de förekommer vid varje svårighetsnivå.

Testning av data med moderna algoritmer

För att visa hur iSLEEPS kan användas tränade forskarna flera moderna djupinlärningsmodeller för att automatiskt tilldela sömnstadier från enskilda kanaler av hjärn‑ eller ögonrörelsesignaler. De jämförde ett konvolutionsnätverk, ett långt korttidsminnesnätverk (LSTM) och en transformer‑baserad modell, var och en utformad för att lära sig mönster i tidsseriedata. Algoritmerna tränades och testades noggrant så att data från någon enskild patient aldrig förekom i mer än en uppsättning, och prestanda kontrollerades med upprepad korsvalidering. Bland dessa metoder presterade LSTM‑modellen bäst och markerade sömnstadier korrekt ungefär tre fjärdedelar av gångerna. Resultaten var dock märkbart svagare än vad liknande modeller uppnår hos friska frivilliga, vilket understryker att stroke förändrar sömnen på sätt som nuvarande automatiserade system ännu inte helt fångar upp.

Att öppna dörren för bättre vård

Genom att släppa iSLEEPS som ett öppet, väl dokumenterat dataset—komplett med avidentifierade inspelningar, detaljerade händelsemarkeringar och grundläggande klinisk information—tillhandahåller författarna en kraftfull ny resurs för forskare, kliniker och ingenjörer. Forskare kan använda det för att undersöka hur störd sömn och andning påverkar strokeåterhämtning, jämföra patienter över länder och bygga och testa nya algoritmer som en dag kan screena för farliga andningsproblem automatiskt, även utanför specialiserade sömnlaboratorier. För patienter och deras familjer innebär detta arbete i sista hand löftet om tydligare diagnoser och mer tidsenlig behandling av sömnproblem efter stroke, vilket potentiellt kan förbättra både återhämtning och livskvalitet.

Citering: 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

Nyckelord: stroke, sömnapné, polysomnografi, sömn-dataset, djupinlärning