Einleitung: Die Aufhebung der physiologischen Muskelatonie im REM-Schlaf (REM sleep without atonia [RSWA]) ist ein notwendiges Kriterium für die Diagnose der REM-Schlaf Verhaltensstörung (RBD). Aktuelle Methoden der RSWA Bestimmung beinhalten die Ableitung mehrerer Muskeln, sowie die Einteilung in phasische, tonische und „any“ Aktivitäten. Ziel war es, eine vereinfachte Methode zu evaluieren, die bei alleiniger Ableitung der Kinnmuskulatur sowie der Bewertung eines einzelnen Aktivitätswertes, trotzdem eine verlässliche Bewertung des REM-Schlafs zulässt. Methoden: Jeweils 20 RBD-Patienten, gesunde Kontrollprobanden und Patienten mit periodischen Beinbewegungen (PLMS), gematcht nach Alter und Geschlecht, wurden manuell und automatisch RSWA ausgewertet. Die neue Methodik stellt eine Weiterentwicklung einer von Lapierre & Montplaisir (1992) vorgeschlagenen Methode dar. Eine Aktivierung des m. mentalis wurde definiert als eine Überschreitung des EMG Grundtonus während des REM-Schlafs um das 4-fache für mindestens eine Sekunde. Innerhalb einer Aktivierung ist eine Unterbrechung von bis zu einer Sekunde zulässig. Die Festlegung des EMG Grundtonus erfolgt für jede REM Episode separat. Aus der Summe aller Aktivierungen und der Gesamtzeit im REM-Schlaf ergibt sich der RSWA Prozentsatz. Ergebnisse: Die manuelle Auswertung korrelierte in hohem Maße mit der automatischen Analyse (rs = 0,949, p <0,05). Die RBD Patienten zeigten mit durchschnittlich 30,4 % signifikant höhere automatische RSWA Werte als die PLMS Patienten (2,8 %) und Kontrollprobanden (4,8 %). Mittels Receiver Operating Characteristic (ROC) Kurven konnten Cut-off Werte für die RBD Diagnose ermittelt werden. Für die automatische RSWA Auswertung konnte ein optimaler Cut-off Wert bei 16,6 % mit einer Sensitivität von 75 % und einer Spezifität von 100 % ermittelt werden. Die Fläche unter der Kurve (AUC) ergab 0,92. Die manuelle Analyse zeigte mit einer Sensitivität von 90 % und einer Spezifität von 92,5 % bei einem Cut-off Wert von 4,9 % eine noch höhere diagnostische Genauigkeit (AUC = 0,96). Eine Regressionsanalyse konnte keinen Einfluss von Alter, Geschlecht, Medikation, Begleiterkrankungen, Body-Maß-Index, RBD Schweregrad und RBD Dauer auf den RSWA Wert zeigen. Schlussfolgerungen: Eine präzise Diagnose sowie Verlaufskontrolle von RBD ist vor dem Hintergrund der zugrundeliegenden Neurodegeneration von erheblicher Bedeutung. An 60 polysomnografischen Aufzeichnungen konnte diese vereinfachte Methode der RSWA Auswertung validiert werden, die trotz Simplifizierungen vergleichbar gute Ergebnisse liefert, wie bereits etablierte Methoden. Insbesondere die Automatisierung der Methode konnte die diagnostische Genauigkeit von bisherigen Algorithmen noch übertreffen.
Objectives: REM sleep without atonia (RSWA) is the polysomnographic feature of REM sleep behavior disorder (RBD) and one of the required diagnostic criteria. Current methods to quantify RSWA include the EMG montage of several muscles, as well as evaluation of phasic -, tonic -, and “any” muscle activity, but are however laborious and time consuming. The aim of this study was to evaluate a simplified and time-efficient scoring method to quantify RSWA, based on chin EMG only with one type of activation measured, in order to form a reliable estimate about the extent of muscle activation during REM sleep. Methods: Motor activity during REM sleep was quantified both manually and automatically in 20 RBD subjects, 20 healthy controls and 20 patients with periodic limb movement disorder (PLMD) matched for age and gender. Our definition of muscle activation during REM sleep was adapted from the original method suggested by Lapierre and Montplaisir (1992). We define muscle activation in a REM-episode as muscle activity lasting for more than 1 second, with an amplitude exceeding 4 times the lowest background EMG activity. Interruptions with less activity up to 1 second are included. The lowest background EMG activity is determined for each REM-episode separately. RSWA is defined as the percentage of REM time containing EMG activation, out of the total time of REM sleep. Results: Computerized RSWA scoring correlated highly with the manually-derived scoring (Spearman-rho = 0.949, p < 0.05). Mean automatic RSWA values were significantly higher in RBD patients (30.4 %) compared to healthy controls (4.8 %) and PLMS patients (2.8 %). Receiver operating characteristic (ROC) curves provided cut-off values for the diagnosis of RBD. An optimal cut-off for the automatic analysis of 16.6 % identified RBD with 75 % sensitivity and 100 % specifity. The corresponding area under the curve (AUC) was 0.92. Manual scoring cut-off of 4.9 % was 90 % sensitive and 92.5 % specific (AUC=0.96). Regression analysis did not show any influence of age, gender, medication, comorbidities, body-mass-index, RBD-severity and RBD-duration on the RSWA value. Conclusion: Accurate diagnosis of RBD and evaluation of its progression is of the greatest importance given the progressive neurodegeneration of RBD patients. AUC values are in line with published results from already established methods for scoring RSWA. The results indicate that our scoring method is a reliable and efficient tool for detecting RSWA in RBD patients. The automatic scoring even exceeded previous computerized approaches.
