Die manuelle Auswertung von Polysomnographien (PSG) ist zeitaufwändig und subjektiv. Künstliche Intelligenz (KI) bietet vielversprechende Möglichkeiten, diesen Prozess zu automatisieren und zu unterstützen.

In diesem Artikel werden zunächst die Grundlagen des maschinellen Lernens in der Schlafauswertung erläutert, einschließlich des überwachten Lernens und der Bedeutung einer adäquaten Datentrennung. Anschließend werden die zentralen Anforderungen an Datenqualität und Datenvielfalt für die praktische Anwendung im Schlaflabor dargestellt. Die Bedeutung geeigneter Bewertungsmetriken und die Wichtigkeit der Untersuchung der Klassifikationsgüte in verschiedenen Patientengruppen werden hervorgehoben.

Ausgehend von diesen Anforderungen wird ein Überblick über aktuelle Algorithmen zur automatisierten Apnoe‑/Hypopnoe-Erkennung gegeben. Trotz Fortschritten in der automatisierten Erkennung gibt es noch keine vollständig evaluierten Algorithmen, die eine manuelle Beurteilung ersetzen können. Dieser Artikel soll dazu beitragen, aktuelle Algorithmen zu bewerten und Anforderungen an die zukünftige Entwicklung von KI-Algorithmen in der Schlafmedizin zu formulieren.