在癌症患者中查阻塞性睡眠呼吸暂停 - 机器学习方法
Karen A Wong1, Ankita Paul2, Paige Fuentes3
1Pulmonary Service, Department of Medicine, Memorial Sloan Kettering Cancer Center, New York, NY, USA.
Sleep advances : a journal of the Sleep Research Society
|December 22, 2023
概括
机器学习准确地选癌症患者的阻塞性睡眠呼吸暂停 (OSA),优于传统方法. 癌症特异性因素,如辐射和转移,是这一群体OSA风险的关键预测因素.
科学领域:
- 在瘤学瘤学.
- 睡眠医学 睡眠医学
- 数据科学数据科学数据科学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 在癌症患者中很常见,增加死亡风险.
- 目前的OSA查工具不包括癌症特异性风险因素.
- 在癌症患者中识别OSA对于管理并发症和改善结果至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于查癌症患者的阻塞性睡眠呼吸暂停 (OSA).
- 为了确定预测OSA风险的癌症相关特征.
- 将ML模型的性能与STOP-Bang问卷进行比较.
主要方法:
- 对接受家庭睡眠呼吸暂停测试 (HSAT) 的癌症患者的回顾性分析.
- 无监督机器学习 (核心主要组件分析) 用于特征提取和维度缩小.
- 监督机器学习 (PCA + 随机森林) 用于OSA分类,通过k-fold交叉验证进行优化.
主要成果:
- 内核PCA确定了8个组件,解释了98%的OSA变异.
- 关键预测因素包括吸烟,喘,CKD,STOP-Bang得分,种族,糖尿病,RT-HNT,癌症类型和转移.
- 该PCA+RF模型实现了高灵敏度 (96.8%),特异性 (92.3%) 和AUC (0.88),表现优于STOP-Bang.
结论:
- PCA + RF ML模型在癌症患者的OSA查中表现出卓越的准确性.
- 对头部/部/胸部 (RT-HNT) 的辐射,癌症转移和癌症类型是OSA的重要癌症相关风险因素.
- 这种ML方法提供了一个更有效的工具,用于在这个脆弱人群中识别OSA.
