用数据驱动的表型化解开睡眠-清醒障碍的复杂格局:伯尔尼中心的一项研究

科学领域:

• 神经学 神经学
• 睡眠医学 睡眠医学
• 数据科学数据科学数据科学

背景情况:

• 由于有限的生物标志物和频繁的并发症,诊断睡眠-清醒障碍 (SWD) 是复杂的.
• 准确的患者分层对于有效的SWD管理和治疗至关重要.

研究的目的:

• 评估一种以数据驱动的机器学习方法,用于在被诊断为SWD的大群个体中识别不同的患者群.
• 评估聚类算法在区分SWD,特别是中心高睡眠障碍 (CDH) 中的潜力.

主要方法:

• 利用来自伯尔尼睡眠登记处的6958名患者的数据集,结合了300个变量,包括临床数据,多睡眠学和问卷.
• 开发了一种机器学习管道,从三个患者队列中提取和聚类临床数据:CDH,所有SWD和没有并发症的SWD.
• 分析了每个队列内的患者群,以确定模式和潜在的诊断子组.

主要成果:

• 在CDH队列中,确定了四个群,其中两个特定于1型麻醉症 (NT1).
• 完整的SWD队列分析揭示了九个集群,包括睡眠呼吸暂停综合征和NT1的不同组,但大部分是混合的SWD.
• 在不包括并发症的队列中发现了慢性失眠障碍的额外集群.

结论:

• 这项研究证实了1型麻醉症和睡眠呼吸暂停综合征在更广泛的SWD频谱中的明显聚类.
• 这些发现表明,以数据为导向的方法可以识别一些SWD子组,但对于其他人来说存在显著的重叠.
• 开发新的生物标志物对于改善多种SWD的表型和准确诊断至关重要.