בינה מלאכותית לאבחון הפרעת REM Sleep Behavior Disorder (RBD)

פיתוחים בטכנולוגיות בינה מלאכותית לאבחון הפרעות שינה: דיוק באבחון REM Sleep Behavior Disorder ותרומתו לרפואה מותאמת אישית

REM Sleep Behavior Disorder (RBD) ובעברית הפרעת התנהגות בשנת REM, היא הפרעת שינה המתאפיינת באובדן טונוס שרירים במהלך שלב ה-REM ובתנועות פיזיות חריגות המבטאות את חלומותיהם של הסובלים מההפרעה (During et al., 2025).

הפרעה זו היא סימן מוקדם אפשרי למחלות נוירודגנרטיביות כמו פרקינסון ודמנציה (Stiasny-Kolster et al., 2007). מאמר זה מתאר את השימוש בטכנולוגיות בינה מלאכותית (AI) לאבחון מדויק יותר של RBD, תוך בחינת השפעתה על מדעי השינה.

האתגר באבחון RBD

אבחון מדויק של RBD דורש בדיקות שינה מתקדמות כמו פוליסומנוגרפיה. תהליך זה יקר ומסובך, וכולל ניתוח ידני של נתוני שרירים ותנועות (Ferri et al., 2010). במקרים רבים, התסמינים אינם מזוהים כראוי, או שהם מתבלבלים עם הפרעות שינה אחרות (Gnarra et al., 2023).

פיתוחים מבוססי בינה מלאכותית

במחקר שנערך במרכז הרפואי הר סיני, פותח אלגוריתם מבוסס AI המנתח הקלטות וידאו של בדיקות שינה. האלגוריתם זיהה תנועות במהלך שלב ה-REM עם דיוק של 92% (Mount Sinai, 2025). בשיטות דומות, נעשה שימוש בטכניקות למידת מכונה כמו Random Forest ו-XGBoost, שהשיגו דיוק גבוה בזיהוי RBD באמצעות נתוני פעילות שרירים (Salsone et al., 2022).

בנוסף, כלים מבוססי AI נותנים מענה לאתגרים טכניים כמו ניתוח תנועות מתחת לשמיכות, באמצעות זיהוי תנועות פיקסלים בווידאו דו-ממדי (Cooray et al., 2018).

שימוש קליני והשפעות עתידיות

האלגוריתמים החדשים יכולים להקל על רופאים באבחון ההפרעה ולהפוך את תהליך האבחון לפחות תלוי בידיים מיומנות. כלים אלה יאפשרו רפואה מותאמת אישית, באמצעות ניתוח אוטומטי של חומרת ההפרעה והתאמת טיפול בהתאם (During et al., 2025). מעבר לכך, ניתן יהיה לזהות סיכון מוקדם למחלות נוירודגנרטיביות באמצעות ניטור שוטף של מטופלים עם RBD (Heller et al., 2017).

אתגרים ותחומים למחקר עתידי

על אף ההתקדמות, עדיין קיימים אתגרים בשימוש בטכנולוגיות AI. יש צורך בשיפור הכלים לאיסוף וניתוח נתונים אמינים, כמו גם במודלים שיכולים להתמודד עם שונות אישית גבוהה (Göktepe-Kavis et al., 2024). נוסף על כך, נדרשים מחקרים נוספים כדי לאשר את התוצאות בקרב אוכלוסיות מגוונות ולשלב טכנולוגיות ניידות שיכולות לשמש לאבחון ביתי (Neikrug & Ancoli-Israel, 2012).

סיכום ומסקנות

בינה מלאכותית מחוללת שינוי בתחום אבחון הפרעות השינה, ומציעה פתרונות חדשניים לאתגרים הקליניים הקיימים. פיתוחים אלה מאפשרים שיפור באבחון ובטיפול ב-RBD, עם פוטנציאל לשנות את מהלך המחלה ולשפר את איכות חייהם של המטופלים.

רשימה ביבליוגרפית

1. During, E., & Mount Sinai Research Team. (2025). Automated method to detect common sleep disorder affecting millions. Annals of Neurology.
2. Stiasny-Kolster, K., Mayer, G., Schäfer, S., Möller, J. C., Heinzel-Gutenbrunner, M., & Oertel, W. (2007). The REM sleep behavior disorder screening questionnaire—A new diagnostic instrument. Movement Disorders.
3. Ferri, R., Rundo, F., Manconi, M., Plazzi, G., Bruni, O., Oldani, A., Ferini-Strambi, L., & Zucconi, M. (2010). Improved computation of the atonia index in normal controls and patients with REM sleep behavior disorder. Sleep Medicine. Available at: Gnarra, O., Wulf, M., Schäfer, C., Nef, T., & Bassetti, C. (2023). REM Sleep Behaviour Disorder, a narrative review from a technological perspective. Sleep. Available at:
4. Salsone, M., Quattrone, A., Vescio, B., Ferini-Strambi, L., & Quattrone, A. (2022). A Machine Learning Approach for Detecting Idiopathic REM Sleep Behavior Disorder. Diagnostics.
5. Heller, J., Brčina, N., Dogan, I., Holtbernd, F., Romanzetti, S., Schulz, J., Schiefer, J., & Reetz, K. (2017). Brain imaging findings in idiopathic REM sleep behavior disorder (RBD). Sleep Medicine Reviews.
6. Göktepe-Kavis, P., Aellen, F., Alnes, S. L., & Tzovara, A. (2024). Sleep Research in the Era of AI. Clinical and Translational Neuroscience.
7. Neikrug, A., & Ancoli-Israel, S. (2012). Diagnostic tools for REM sleep behavior disorder. Sleep Medicine Reviews. Available at: