阻害性睡眠時無呼吸症候群における併発症の識別には,さまざまなデータと1次元の収縮性ニューラルネットワークを用いた

科学分野:

• バイオメディカルエンジニアリング
• 医療における人工知能
• 睡眠医学研究 睡眠医学研究

背景:

• ディープラーニング (DL) の進歩により,病気の予測のための多様な生物医学データを統合することができます.
• 阻害性睡眠時無呼吸症 (OSA) は,しばしば主要な併発症と関連しています.
• 準確な併発性疾患の特定は,OSA患者の効果的な管理に不可欠です.

研究 の 目的:

• OSA併発症のマルチラベル分類 (MLC) のためのマルチモダルのDLフレームワークの開発と評価.
• 病理学的タイムシリーズ信号 (SpO2,空気流) と臨床データを併発性疾患の予測に活用する.
• フレームワークの堅強さと,患者集団全体に共通する汎用性を評価する.

主な方法:

• 144人のOSA患者を対象とした遡及的観察研究.
• SpO2,エアフロー,および臨床データを融合させるための1Dコンボリューションニューラルネットワーク (1D-CNN) の開発.
• ハイパーパラメータ最適化とクラス不均衡の加重損失のためのオプトナによるモデルトレーニング.

主要な成果:

• 1D-CNNモデルは,従来のML分類器と比較して優れた性能を達成しました (マクロAUC-ROC=0.731,AUC-PR=0.750).
• このモデルは,年齢,性別,BMIの異なるグループで一貫したパフォーマンスを示し,人口統計学的バイアスを最小限に示した.
• 生理学的信号 (SpO2,空気流) は,共病性特有のパターンをコードすることが判明しました.

結論:

• SpO2とエアフロー信号は,OSAに関連する併発症の効率的かつスケーラブルなスクリーニングを可能にします.
• 提案されたDLフレームワークは,睡眠医学における臨床的意思決定支援システムの方法論的基盤を提供します.
• 将来の研究は,モデルの解釈可能性と臨床採用を強化するために,マルチセンターデータセットに焦点を当てるべきです.