Voidaanko unta parantamalla tukea tehohoitopotilaiden toipumista?

Suurin osa teho-osaston potilaista kärsii liian vähäisestä ja katkonaisesta unesta, mikä vaikuttaa kielteisesti potilaiden hyvinvointiin. Tieto perustuu pitkälti potilaiden subjektiivisiin kokemuksiin. Nyt aiheesta halutaan saada tieteellisesti tutkittua tietoa muun muassa koneoppimiseen perustuvia menetelmiä hyödyntämällä.

Julkaistu: 7.7.2022
Kirjoittaja: Sami Nikkonen
Kuva: Shutterstock

 

Huono uni on erittäin yleistä teho-osastoilla, joilla suurin osa potilaista kärsii liian vähäisestä ja katkonaisesta unesta. Huono uni voi johtua useista erilaisista häiriötekijöistä, kuten kivusta, melusta ja häiriöäänistä, liiallisesta valaistuksesta sekä hoitotoimenpiteistä ja niiden huonosta ajoituksesta. Huonolla unella on väsymyksen lisäksi myös muita negatiivisia vaikutuksia sekä potilaiden henkiseen ja fyysiseen hyvinvointiin että toipumiseen. Unta teho-osastoilla ei kuitenkaan ole tutkittu perusteellisesti, ja tieto huonosta unenlaadusta perustuu pitkälti subjektiivisiin havaintoihin ja potilaiden omiin arvioihin. Tämä johtuu pääasiassa siitä, että perinteiset menetelmät unen mittaamiseen soveltuvat huonosti teho-osastokäyttöön.

Perinteisessä unipolygrafiassa mitataan lukuisia biosignaaleja, kuten aivo-, lihas- ja sydänsähkökäyriä sekä hengitystä, asentoa ja happisaturaatiota. Unipolygrafiamittauksen valmistelu ja elektrodien paikalleen laittaminen vaativat myös paljon aikaa sekä koulutettua henkilökuntaa. Lisäksi unipolygrafiamittauksen analysoiminen ja univaiheiden määrittäminen edellyttää paljon manuaalista työtä. Perinteinen laaja unipolygrafia soveltuukin huonosti teho-osastojen käyttöön menetelmän kompleksisuuden ja hinnan vuoksi.

Unen laatuun ja univaiheiden arviointiin on kuitenkin kehitetty koneoppimiseen perustuvia menetelmiä, joita voidaan käyttää myös perinteistä unipolygrafiaa huomattavasti karsitumpiin mittausasetelmiin. Yksi erityisesti teho-osastoille soveltuva mittausasetelma on pelkästään pulssioksimetrista saatavan fotopletysmografiasignaalin käyttäminen. Tutkimusryhmämme on jo aikaisemmin kehittänyt koneoppimiseen ja neuroverkkoihin perustuvia menetelmiä, joilla univaiheita voidaan arvioida automaattisesti fotopletysmografiasignaalista. Fotopletysmografiasignaalin mittaaminen on hyvin yksinkertaista, ja se mitataan joka tapauksessa kaikilta teho-osastopotilailta happisaturaation seurannassa. Näin ollen unen seuranta ei vaatisi välttämättä ylimääräisiä sensoreita, jotka häiritsisivät lisää potilasta tai hoitotoimenpiteitä. Koska menetelmä on automaattinen, se ei myöskään vaadi raskasta signaalien manuaalista analyysiä.

Sakari Alhopuron säätiön rahoittamassa tutkimushankkeessa pyrimme validoimaan menetelmiä, joilla teho-osastopotilaiden unta voidaan seurata ja analysoida. Tavoitteenamme on tutkia objektiivisesti unen laatua ja määrää sekä sitä, vastaavatko tulokset aiempia subjektiivisia havaintoja.

Menetelmien avulla tutkitaan myös teho-osaston uniympäristöä sekä määritetään yksityiskohtaisesti teho-osastoympäristön suurimpia häiriötekijöitä ja niiden vaikutusta uneen. Pyrimme esimerkiksi selvittämään, minkätyyppiset äänet häiritsevät unta eniten ja voitaisiinko erityisesti näitä ääniä välttää.  Lisäksi tutkimme, voitaisiinko hoitotoimenpiteitä ajoittaa siten, että ne eivät katkaisisi palautumista tukevia syvän unen syklejä.

Hyödynnämme saamaamme tutkimustietoa myös teho-osaston uniympäristön optimointiin – pyrimme siis minimoimaan unta häiritsevät tekijät osaston normaalin toiminnan ehdoilla. Hankkeen lopullisena tavoitteena on tutkia, kuinka tämä uniympäristön muutos vaikuttaa unen määrään ja laatuun sekä miten muutos vaikuttaa potilaiden paranemiseen.

 

 

 

FT Sami Nikkonen työskentelee tutkijana sovelletun fysiikan laitoksella Itä-Suomen yliopistossa sekä kuvantamiskeskuksessa Kuopion yliopistollisessa sairaalassa. Nikkosen tutkimus keskittyy unen mittaamiseen ja unisairauksien diagnostiikkaan. Nikkonen väitteli filosofian tohtoriksi Itä-Suomen yliopistosta vuonna 2020. Väitöskirja käsitteli menetelmiä uniapnean diagnostiikan parantamiseen laskennallisten työkalujen ja koneoppimisen avulla.

 

 

 

 

Lue lisää