基于通过电话和智能手表的多模式信号来自动监测阻塞性睡眠呼吸暂停

科学领域:

• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学
• 机器学习 机器学习

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 是一种与心血管疾病相关的普遍睡眠障碍.
• 目前通过多睡眠学 (PSG) 进行诊断是昂贵的,并且对广泛的查不方便.
• 需要可访问,负担得起的OSA初步选方法.

研究的目的:

• 开发和验证一种新的阻断性睡眠呼吸暂停 (OSA) 家庭查方法.
• 使用可穿戴技术 (智能手表,智能手机) 来检测生理信号和打.
• 采用机器学习来分类OSA风险水平.

主要方法:

• 通过智能手表和智能手机收集过夜的生理数据和打段.
• 将问卷信息纳入分析中.
• 在一项医院内研究中,对350名睡眠障碍患者验证了该系统.
• 利用机器学习算法进行OSA风险分类.

主要成果:

• 开发的方法与 PSG 诊断的 OSA 严重程度有很强的一致性 (与 AHI 的相关性 = 0.92).
• 获得了高分类准确度 (88.1%轻度,84.5%中度,85.1%严重的OSA).
• 在检测轻度 (89.1%),中度 (84.2%) 和严重 (85.6%) OSA方面表现出极好的灵敏度.

结论:

• 可穿戴设备为大规模阻塞性睡眠呼吸暂停查提供了一个有希望的解决方案.
• 这种新的家庭方法为传统的PSG提供了成本效益和用户友好的替代方案.
• 这项技术有可能改善OSA的早期检测和管理.