Künstliche Intelligenz bei Schlafstörungen im Kindesalter

Schlafstörungen betreffen einen erheblichen Anteil von Kindern und Jugendlichen in Deutschland und haben weitreichende Auswirkungen auf die körperliche und psychische Gesundheit. Moderne Technologien wie künstliche Intelligenz (KI) eröffnen neue Möglichkeiten in der Prävention, Diagnostik und Behandlung pädiatrischer Schlafprobleme. Dieser Artikel beleuchtet, wie maschinelles Lernen und Deep Learning die schlafmedizinische Versorgung von Kindern revolutionieren können – von präventiven Apps über intelligente Diagnoseverfahren bis hin zu personalisierten Therapieansätzen.

Prävalenz und gesundheitliche Bedeutung von Schlafstörungen bei Kindern

Gemäß der KiGGS-Basiserhebung (2003–2006) und der anschließenden Erhebung (2014–2017) berichteten 22,0 % der 11–17-Jährigen über Schlafschwierigkeiten. Über ein Drittel derjenigen, die als Kinder und Jugendliche unter Schlafproblemen litten, gaben auch rund 10 Jahre später Schlafschwierigkeiten an [1]. Die Prävalenzen im Alter von 0–2 Jahren liegen den meisten Studien zufolge höher, für die übrigen Kinder etwas niedriger. „Die hohe Prävalenz von Schlafproblemen und die damit verbundenen gesundheitlichen Risiken verdeutlichen die hohe Public-Health-Relevanz des Themas.” [1, S. 2].

Auswirkungen auf die kindliche Entwicklung

Erholsamer Schlaf ist ein relevanter Faktor für die gesunde Entwicklung von Kindern und Jugendlichen. Altersadäquater ungestörter Schlaf ist essenziell für:

• Kognitive Funktions- und Leistungsfähigkeit – die neuronale Netzwerkbildung und Gedächtniskonsolidierung findet im Schlaf statt
• Schulische Leistungen – positiver Zusammenhang mit Schlafqualität
• Somatische Parameter wie Übergewicht/Adipositas und das kardiovaskuläre System (z. B. Blutdruck- und Herzfrequenzregulation)
• Psychische Gesundheit – Zusammenhänge zwischen Schlafproblemen und hyperkinetischen Störungen, Störungen des Sozialverhaltens, Angststörungen und Depressionen [1]

Vor diesem Hintergrund stellt sich die Frage, ob durch die Nutzung künstlicher Intelligenz (KI) Diagnostik, Behandlung und Management in der pädiatrischen Schlafmedizin effizienter, zielgerichteter und personalisierter umgesetzt werden können.

Grundlagen: Maschinelles Lernen und Deep Learning

Maschinelles Lernen (ML)

ML ist ein Teilgebiet der künstlichen Intelligenz. Dabei sind Daten der Ausgangspunkt. Sie können strukturiert (Tabellen) oder unstrukturiert (Bilder, Texte) sein. ML ermöglicht Computersystemen, aus Daten zu lernen und verborgene Muster zu erkennen [2].

Hierbei kommen statistische Modelle und Algorithmen zum Einsatz, um auf der Grundlage großer Datenmengen Vorhersagen und Entscheidungen zu treffen. In verschiedenen medizinischen Fachdisziplinen wurden ML-Techniken bereits erfolgreich eingesetzt. Dazu zählen unter anderem:

• Die Diagnosefindung
• Die Risikostratifizierung
• Die Evaluation von Therapieansprechen
• Die Unterstützung bei der Auswahl individueller Behandlungsstrategien [3, 4]

Deep Learning (DL)

DL stellt einen speziellen Teilbereich des maschinellen Lernens dar, der auf tiefen, mehrschichtigen, künstlichen neuronalen Netzwerken basiert [5]. Diese Netzwerkarchitekturen ermöglichen die automatisierte Erkennung von komplexen Mustern und Zusammenhängen in umfangreichen Datensätzen. Besonders in der Schlafmedizin, in der zeitabhängige und mehrschichtige Daten eine zentrale Rolle spielen, ermöglicht DL neue Möglichkeiten zur selbstständigen Analyse und Interpretation.

Aufbau neuronaler Netzwerke

Die dem DL zugrundeliegenden Schichten lassen sich wie folgt beschreiben:

Eingabeschicht: Die erste Schicht des neuronalen Netzwerks nimmt die Rohdaten in Form von Merkmalen auf, die für die Aufgabe relevant sind. Zum Beispiel könnten dies Pixelwerte eines Bildes oder Merkmale eines Datensatzes sein.

Versteckte Schichten: Zwischen der Eingabeschicht und der Ausgabeschicht befinden sich eine oder mehrere versteckte Schichten. Diese Schichten verarbeiten die Eingabedaten, indem sie komplexe Beziehungen und Merkmale extrahieren. Jede versteckte Schicht besteht aus Neuronen, die miteinander verbunden sind und Informationen weitergeben. Durch diese Schichten kann das Netzwerk lernen, komplexe Muster zu erkennen.

Aktivierungsfunktionen: Mathematische Funktionen, die auf die Ausgaben der Neuronen in den versteckten und der Ausgabeschicht angewendet werden. Sie bestimmen, ob ein Neuron aktiviert wird oder nicht. Sie helfen dabei, die nichtlinearen Beziehungen zwischen den Eingaben und Ausgaben zu modellieren.

Ausgabeschicht: Die letzte Schicht des Netzwerks, die die Vorhersage oder Entscheidung basierend auf den verarbeiteten Informationen aus den versteckten Schichten liefert. Sie gibt das Endergebnis aus, wie z. B. die Klassifizierung eines Bildes oder eine numerische Vorhersage.

Training: Der Prozess, bei dem das neuronale Netzwerk aus einem Trainingsdatensatz lernt. Während des Trainings werden die Gewichte der Verbindungen zwischen den Neuronen angepasst, um die Vorhersagen des Modells zu optimieren. Dies geschieht meist durch einen Algorithmus, der die Fehler zwischen den Vorhersagen und den tatsächlichen Werten minimiert. Das Training besteht aus mehreren Iterationen, wobei das Modell ständig verbessert wird (▶ Abb. 1).

Risiken und Herausforderungen von Deep Learning

Deep Learning hat das Potenzial, viele Probleme zu lösen, birgt jedoch auch bedeutende Risiken in sich:

• Black-Box-Problem: Es ist oft schwierig nachzuvollziehen, wie Entscheidungen und Vorhersagen auf der Basis neuronaler Netzwerke zustande kommen
• Datenqualität: Schlechte oder verzerrte Daten können zu falschen Vorhersagen führen
• Overfitting: Modelle können zu stark an Trainingsdaten angepasst werden, was zu Verarbeitungsproblemen neuer, unbekannter Daten führt
• Bias: Wenn die Trainingsdaten Vorurteile oder Diskriminierungen enthalten, kann das Modell diese Vorurteile verstärken und in seinen Vorhersagen widerspiegeln

Wichtig: Daraus ergibt sich, dass die Eingabequalität der Daten entscheidend für die Ergebnisse ist, die mit KI generiert werden. KI-generierte Ergebnisse und Vorhersagen sind daher stets kritisch zu hinterfragen und dürfen nicht unbedacht übernommen werden.

Verantwortung und rechtliche Rahmenbedingungen

Insbesondere im medizinischen Bereich sind die Verantwortlichkeiten klar zu regeln. Wegen der Störanfälligkeit der KI-Technologie, z. B. durch gezielte Angriffe von außen, sowie das Risiko der Nutzung manipulierter Daten, muss die Verantwortung für Entscheidungen unter Nutzung der KI personalisiert beim behandelnden Arzt bzw. bei der behandelnden Ärztin verbleiben. Das setzt voraus, dass die behandelnden Personen die fachlichen Voraussetzungen dafür erworben haben müssen, um KI-generierte Ergebnisse kritisch hinterfragen zu können.

EU AI Act und Hochrisiko-KI-Systeme

In diesem Zusammenhang ist auf den EU AI Act [6] zu verweisen, in dem in Artikel 14 steht, welche risikoabhängigen Voraussetzungen KI-Systeme erfüllen müssen. So gilt für Hochrisiko-KI-Systeme, dass:

• Ihre Beaufsichtigung durch natürliche Personen gewährleistet sein muss
• Diese Personen in der Lage sein müssen, die einschlägigen Fähigkeiten und Grenzen des Systems angemessen zu verstehen
• Der Betrieb ordnungsgemäß überwacht werden kann, einschließlich in Bezug auf das Erkennen und Beheben von Anomalien, Fehlfunktionen und unerwarteter Vorhersagen oder Entscheidungen
• Insbesondere wenn Hochrisiko-KI-Systeme Informationen oder Empfehlungen ausgeben, auf deren Grundlage natürliche Personen Entscheidungen treffen – wie in der Regel im medizinischen Bereich üblich

Abb. 1: Schematische Darstellung des Deep Learning; [KI generiert].

Anwendungsmöglichkeiten von KI in der pädiatrischen Schlafmedizin

Die pädiatrische Schlafmedizin ist eine junge Disziplin in Deutschland, deren Anfänge Mitte der 1980er-Jahre zu datieren sind. Schlafstörungen bei Kindern werden in Deutschland in wenigen zertifizierten Zentren behandelt. Im Studium und in der Weiterbildung kommen Schlafstörungen bei Kindern und Jugendlichen praktisch nicht vor und in der pädiatrischen Praxis spielen sie nur eine untergeordnete Rolle. Insofern ist die Versorgungssituation in Deutschland unzureichend, obwohl die Problematik, wie eingangs beschrieben, gesamtgesellschaftlich bedeutsam ist.

In der Schlafmedizin geht es darum, zu differenzieren zwischen Schlafproblemen als Befindlichkeitsstörungen und Schlafstörungen, die den international definierten Kriterien entsprechen. Grundlage für letztere ist die Internationale Klassifikation von Schlafstörungen ICSD [7].

Unter Nutzung KI-basierter Technologien bietet sich nun die Möglichkeit, die schlafmedizinische Versorgung von Kindern und Jugendlichen dem tatsächlichen Bedarf entsprechend flächendeckend umzusetzen. Dabei sind zwei Anwendungsfelder zu unterscheiden: (1) Prävention und (2) Diagnostik und Therapie.

Präventions-Apps mit KI-Unterstützung

KI-basierte präventive Maßnahmen können dazu beitragen, die Entwicklung von Schlafproblemen zu definierten Schlafstörungen zu verhindern. Dabei spielen folgende Komponenten eine Rolle:

• Schlafhygiene
• Abendroutinen, z. B. meditative Geschichten
• Entspannungsübungen und Traumklänge
• Schlaftracking
• Wissensvermittlung zum Kinderschlaf im Sinne der Psychoedukation

Tools können dazu beitragen, die Umsetzung von Maßnahmen zu strukturieren.