HRV를 이용한 수면 무호흡 검출에 관한 연구

Abstract

[한글]

성공적인 임플란트 시술을 위해서는 임플란트가 식립될 골조직이 충분해야 한다. 임플란트 주위의 골조직이 충분하지 못한 경우 자가골 이식술이나 차폐막을 이용한 골재생술식이 필요하나, 환자나 술자에게 모두 시간과 경비가 많이 든다는 단점이 있다. 이를 극복하기 위해 오스테오톰을 이용한 ridge expansion법이나 bone flap을 형성한 후 치즐을 이용해 치조골을 벌리는 테크닉이 고안되었다. 이 두 가지 방법은 모두 치조골이 3-4mm 정도의 넓이가 되고 어느 정도 bone elasticity가 있는 경우에 가능하며, 치조골의 폭이 2.5mm 이하로 좁아 cortical bone만 존재할 경우 bone elasticity가 없어 치조골파절이 발생되어 실패할 가능성이 커진다.

이 연구는 마이크로소우를 이용한 새로운 ridge splitting technique을 이용해 심하게 퇴축된 치조골을 분할하여 치조골의 폭경의 증가와 임플란트 주위 치조골의 수직적 골흡수를 임상적, 방사선학적으로 관찰하였다. 이 테크닉은 2.5mm 치조골을 분할하여 동시에 임플란트를 식립할 수 있으며, 경우에 따라서는 치조골을 분할하고 한달 후에 식립하는 2회법을 할 수도 있다. 이 테크닉의 장점은 0.25mm의 얇은 디스크를 사용함으로 골손실을 최소화하며 치조골을 분할 할 수 있고, 절제된 힘으로 외상을 최소화하여 치조골을 splitting하여 기존의 방법으로는 불가능한 2.5mm 이하의 얇은 골을 분할하여 임플란트를 식립할 수 있다는 것이다. 31명의 환자에 microsaw technique으로 75개의 임플란트를 식립하였으며 24-52개월 간 관찰하여 다음과 같은 결과를 얻었다.

1. 일차수술 시 치조골 폭경은 2.8 mm 이었으며 이차수술 시 5.7 mm로 증가하였으며. 평균 골 폭경의 증가량은 2.8 mm 이었다.

2. 임플란트 식립 시와 비교해 보철물 장착 시 임플란트 주위의 수직골흡수는 0.5mm 이었다. 1년 후에는 0.9mm로 증가하였으며 그 이후에는 안정적인 소견을 보였다.

3. 위축된 치조골에서 마이크로소우를 이용한 새로운 ridge splitting technique의 성공률은 97.5%이었다.

이상의 결과로 위축된 치조골에 마이크로소우를 이용한 새로운 ridge splitting technique은 비교적 높은 성공률을 나타내는 예견 가능한 수술법이라고 할 수 있다.

[영문]

Obstructive Sleep Apnea(OSA) is a representative symptom of sleep disorder which is caused by airway obstruction. Because of the serious disturbances in normal sleep patterns, people who suffer from OSA often feel very sleepy and tired during the day time. Also, the decrease of O2 saturation by OSA causes hypertension or arrhythmia. So, it is important to know whether OSA has generated and how often OSA events have happened. OSA is usually diagnosed through the laboratory based Polysomnography(PSG) which is uncomfortable and expensive.In this paper, the detection method for OSA events, using S-pulse amplitude and Heart Rate Variability(HRV), has been developed. The proposed method uses the ECG data sets provided from Physionet. And the data sets are composed of learning sets, training sets. The features for OSA events detection are the average and standard deviation of 1 minute R-R interval, power spectrum of R-R interval and S-pulse amplitude from learning data sets. These features are applied to the input of RBF Neural Network. To evaluate the method, we used the training data sets. And we achieved sensitivity of 89.66%, specificity of 95.25%. A perfect grouping also can be achieved using detected apnea rate. So, we can know that the features proposed in this paper are important to detect OSA.