Explore the vast range of titles available.

Traumatic brain injury (TBI) is a global problem and causes long-term disability in millions of individuals. This is a major problem for both military and civilian-related populations. The prevalence of sleep disorders in individuals with TBI is very high, yet mostly unrecognized. Approximately 46% of all chronic TBI patients have sleep disorders, which require nocturnal polysomnography and the Multiple Sleep Latency Test for diagnosis. These disorders include sleep apnoea (23% of all TBI patients), post-traumatic hypersomnia (11%), narcolepsy (6%) and periodic limb movements (7%). Over half of all TBI patients will have insomnia complaints, most often with less severe injury and after personal assault, and half of these may be related to a circadian rhythm disorder. Hypothalamic injury with decreased levels of wake-promoting neurotransmitters such as hypocretin (orexin) and histamine may be involved in the pathophysiology of excessive sleepiness associated with TBI. These sleep disorders result in additional neurocognitive deficits and functional impairment, which might be attributed to the original brain injury itself and thus be left without specific treatment. Most standard treatment regimens of sleep disorders appear to be effective in these patients, including continuous positive airway pressure for sleep apnoea, pramipexole for periodic limb movements and cognitive behavioural therapy for insomnia. The role of wake-promoting agents and CNS stimulants for TBI-associated narcolepsy, post-traumatic hypersomnia and excessive daytime sleepiness requires further study with larger numbers of patients to determine effectiveness and benefit in this population. Future research with multiple collaborating centres should attempt to delineate the pathophysiology of TBI-associated sleep disorders, including CNS-derived hypersomnia and circadian rhythm disturbances, and determine definitive, effective treatment for associated sleep disorders.

Zusammenfassung Der Apnoe-Hypopnoe-Index ist als singulärer Parameter für Schweregradeinteilung und Therapiesteuerung bei obstruktiver Schlafapnoe (OSA) inzwischen aufgrund verschiedener Limitationen überholt. Im vorliegenden Übersichtsartikel werden aktuelle Erkenntnisse zu Endotypen und Phänotypen bei OSA beleuchtet, die Einblicke in pathophysiologische Mechanismen sowie klinische Erscheinungsbilder geben. Pathophysiologische Einflussgrößen umfassen neben anatomischen Gesichtspunkten auch funktionelle Aspekte, deren Kenntnis und Identifikation individuelle Therapiemöglichkeiten eröffnet. Neue polysomnographische Parameter sind in der Lage, Risikokollektive in Bezug auf die kardiovaskuläre und Gesamtmortalität sowie das neurokognitive Outcome zu identifizieren. Auch klinische Parameter wie die Symptomatik haben bei Patienten mit OSA einen besonderen Stellenwert. Potenziell hilfreich für die Identifikation und Charakterisierung bestimmter Risikokollektive sind Biomarker wie z. B. Micro-RNA.

Objectives: The aims of this study were to explore the use of unsupervised machine learning in clustering the population based on reports of oral pain, psychological distress, and sleep problems and to compare demographic and socio-economic characteristics as well as levels of functional domains (work, social, and leisure) between clusters. Materials and Methods: In this cross-sectional study, a total of 1613 participants from the National Health and Nutrition Examination Survey in 2017–2018 were analyzed. Five variables, including oral pain, depression, anxiety, sleep apnea, and excessive daytime sleepiness, were selected for cluster analysis using the k-medoids clustering algorithm. The distribution of categorical variables between clusters was assessed using χ2 test. One-way analysis of variance and Kruskal–Wallis H test were used to compare numerical variables as appropriate. Results: Five distinct clusters were identified: healthy, norm, anxiety, apnea-comorbid, and pain-comorbid. The apnea-comorbid cluster had mean age of 59 years and higher proportion of men. The pain-comorbid cluster had mean age of 56 years and higher proportion of women. Whites constituted a majority of both comorbid clusters. The pain-comorbid cluster demonstrated the least percentage of individuals with college degree, the lowest income, and significant impairment in all functional domains. Conclusion: Through the use of unsupervised machine learning, the clusters with comorbidity of oral pain, psychological distress, and sleep problems have emerged. Major characteristics of the comorbid clusters included mean age below 60 years, White, and low levels of education and income. Functional domains were significantly impaired. The comorbid clusters thus call for public health intervention.

Sleep disorders such as insomnia, obstructive sleep apnoea (OSA), excessive daytime sleepiness (EDS) and fatigue, sleep deprivation and restless legs syndrome (RLS) are increasingly seen in clinical practice. Sleep is considered vital for preserving daytime cognitive function and physiological well-being. Sleep insufficiency may have deleterious effects on work-life balance, overall health and safety. The consequential economic burden at both the individual and societal levels is significant. Moreover, sleep disorders are commonly associated with other major medical problems such as chronic pain, cardiovascular disease, mental illness, dementias, gastrointestinal disorders and diabetes mellitus. Thus, in order to properly care for patients presenting with sleep-related morbidity, and to reduce the consequential economic burden, accurate screening efforts and efficacious/cost-effective treatments need to be developed and employed.

Zusammenfassung In den deutschen Begutachtungsleitlinien zur Kraftfahreignung von 2016 wird die Begutachtung bei Tagesschläfrigkeit und beim obstruktiven Schlafapnoe-Syndrom (OSAS) geregelt. Bei messbarer auffälliger Tagesschläfrigkeit ist die Fahreignung eingeschränkt; unbehandelte oder therapieresistente Tagesschläfrigkeit mit hohem Ausprägungsgrad schließt die Fahreignung grundsätzlich aus. Bei der Abklärung sollte eine schlafmedizinische bzw. somnologische Qualifikation vorhanden sein. Neben subjektiven Verfahren wie Fragebögen sollten mehrdimensionale objektive Verfahren eingesetzt werden, insbesondere leistungsbezogene Messmethoden. Gemäß den Leitlinien erfolgt die Begutachtung der Fahreignung bei messbarer auffälliger Tagesschläfrigkeit über ein gestuftes Vorgehen. Bei Kraftfahrern mit erhöhten Anforderungen (Fahrerlaubnisgruppe 2) werden strengere Kriterien angelegt. Durch eine geeignete Behandlung kann bei vielen Fahrern mit Tagesschläfrigkeit zumindest eine bedingte Fahreignung unter bestimmten Auflagen erreicht werden.

Zusammenfassung Fragestellung Die kardiorespiratorische Polysomnographie (PSG) stellt den Goldstandard in der Diagnostik schlafbezogener Atemstörungen (SBAS) dar. Aufgrund des hohen Arbeits- und Kostenaufwands ist die PSG der letzte Schritt in einer Stufendiagnostik, an deren Anfang ein Screeningtest steht. SleepMinder® ist ein neues Screeninggerät zur Erkennung von respiratorischen Ereignissen. Das Ziel dieser Studie war die Bestimmung der diagnostischen Genauigkeit von SleepMinder®. Patienten und Methoden SleepMinder® ist ein neues, kontaktloses Messsystem, das die Bewegung des Patienten während des Schlafes misst und auf dem Prinzip der Reflektion von sehr leistungsarmen Radiowellen beruht. In einem Kollektiv von 52 Patienten mit Verdacht auf obstruktive Schlafapnoe (OSA) wurde simultan zur diagnostischen PSG eine Einfachdiagnostik mit SleepMinder® und automatischer Auswertung durchgeführt. Dabei wurde die diagnostische Güte der durch SleepMinder® ermittelten Ergebnisse überprüft. Ergebnisse Der Vergleich zwischen PSG und SleepMinder® zeigte für einen Apnoe-Hypopnoe-Index(AHI)-Schwellenwert von 5/h eine Sensititivität von 100 %, eine Spezifität von 50 % sowie einen positiven Vorhersagewert (PPV) von 89 % und einen negativen Vorhersagewert (NPV) von 100 %. Der positive Likelihood-Quotient (LR+) betrug 8,4 und der negative Likelihood-Quotient (LR−) 0,01. Für einen AHI-Schwellenwert von 10/h ergaben sich eine Sensitivität von 91,6 %, eine Spezifität von 75 %, ein PPV von 89 % sowie ein NPV von 80 %. Der LR+ lag bei 8,25, der zugehörige LR− bei 0,25. Für einen AHI-Schwellenwert von 15/h betrugen die Sensitivität 96 %, die Spezifität 88 %, der PPV 87 % und der NPV 95 %. Für diesen Schwellenwert lag der LR+ bei 6,75 und der LR− bei 0,1. Schlussfolgerungen Die diagnostische Güte des Screeninggerätes SleepMinder® war gut. Das Ergebnis dieser Studie legt deshalb den Schluss nahe, dass SleepMinder® die Anforderungen an ein Screeninggerät zur Verbesserung der Prätestwahrscheinlichkeit für OSA erfüllt.

Zusammenfassung Hintergrund Die kardiorespiratorische Polysomnographie (PSG) ist der Goldstandard der Diagnostik schlafbezogener Atemstörungen (SBAS) und stellt aufgrund des großen Zeit- und Kostenaufwands den letzten Schritt einer Stufendiagnostik dar. Ziel Das Ziel war die Bestimmung der diagnostische Aussagekraft von SleepMinder® (Resmed Sensor Technologies, Dublin, Irland) bei der Erkennung von Schlafdauer (engl. Total Sleep Time [TST]) und Schlafeffizienz (SE). Material und Methoden SleepMinder® ist ein kontaktloses Screeninggerät zur Analyse respiratorischer Ereignisse und der Schlafqualität, basierend auf dem Prinzip der Reflexion leistungsarmer Radiowellen. In einem Kollektiv von 57 Patienten mit Verdacht auf SBAS wurde simultan zu einer PSG eine Messung mit SleepMinder® durchgeführt und die diagnostische Aussagekraft der durch SleepMinder® erhaltenen Ergebnisse ermittelt. Zusätzlich wurde der Einfluss von periodischen Beinbewegungen (PLM) auf die klinische Güte von SleepMinder® untersucht. Ergebnisse SleepMinder® überschätzt im Vergleich zur PSG die TST, wobei kein statistisch signifikanter Unterschied beim Vergleich zwischen Gruppe 1 (Apnoe-Hypopnoe-Index [AHI] < 15/h) und Gruppe 2 (AHI ≥ 15/h) bestand. Gruppe 1 zeigte eine Abweichung von 5 % und Gruppe 2 eine von 6 % beim Vergleich der mittels SleepMinder® und PSG bestimmten TST. Bei 51 % der Patienten trat eine Abweichung < 10 % auf, bei 70 % der Patienten < 20 % und bei 9 % der Patienten ≥ 30 %. Die mittlere Abweichung lag bei 24 min. Für den Vergleich von SE PSG und SE SleepMinder® ergab sich eine Abweichung von 1 % in Gruppe 1 und von 7 % in Gruppe 2 (p = n. s.). Auch hier fand sich kein statistisch signifikanter Unterschied zwischen den untersuchten Gruppen. Bei 49 % der Patienten zeigte sich eine Abweichung < 10 %, bei 67 % der Patienten < 20 % und bei 7 % der Patienten ≥ 30 %. Die mittlere Abweichung lag bei 2 %. Diskussion Die Möglichkeit durch SleepMinder® TST und SE mit moderater Genauigkeit zu schätzen kann beim Screening zur Bestimmung von SBAS eine nützliche Zusatzfunktion sein, um zu entscheiden, ob bspw. ein geringer AHI darauf zurückzuführen ist, dass der Patient während der Nacht kaum geschlafen hat.

Purpose: Patients with opioid use disorder (OUD) face high rates of unemployment, putting them at higher risk of treatment nonadherence and poor outcomes, including overdose death. The objective of this study was to investigate sleep quality and its association with other biopsychosocial risk factors for unemployment in patients receiving opioid agonist treatment (OAT) for OUD. Methods: Using a cross-sectional survey design, participants from 3 OAT programs for OUD completed questionnaires to measure sleep quality (Pittsburgh Sleep Quality Index [PSQI]); pain disability; catastrophic thinking; injustice experience; quality of life; and self-assessed disability. Spearman’s rank correlation was used to test for associations between sleep quality and other study variables. Results: Thirty-eight participants completed the study, with mean age 45.6 ± 10.9 years, 27 (71.1%) males, and 16 (42.1%) reporting a high school diploma/equivalent certification as the highest level of academic attainment. Poor sleep quality (defined as PSQI > 5) was identified in 29 participants (76.3%) and was positively correlated with pain disability (r = 0.657, P < .01), self-assessed disability (r = 0.640, P < .001), symptom catastrophizing (r = 0.499, P < .001), and injustice experience (r = 0.642, P < .001), and negatively correlated with quality of life (r = −0.623, P < .001). Conclusions: There was a high prevalence of poor sleep quality in patients with OUD on OAT and this was associated with multiple known risk factors for unemployment. These findings warrant the consideration of regular screening for sleep problems and the inclusion of sleep-related interventions to improve sleep quality, decrease the unemployment rate, and enhance the recovery process for individuals with OUD undergoing OAT.