儿科阻塞性睡眠呼吸暂停诊断:利用机器学习与线性差异分析
Han Qin1, Liping Zhang2, Xiaodan Li3
1Department of Child Health Care, Children's Hospital Capital Institute of Pediatrics, Chinese Academy of Medical Sciences & Peking Union Medical College, Capital Institute of Pediatrics, Beijing, China.
Frontiers in pediatrics
|February 29, 2024
概括
机器学习模型有效地使用临床数据对儿童进行阻塞性睡眠呼吸暂停 (OSA) 诊断,为查提供了多睡眠学 (PSG) 的可行替代方案.
科学领域:
- 儿科睡眠医学 儿科睡眠医学
- 医疗保健中的人工智能
- 临床诊断 临床诊断 临床诊断
背景情况:
- 儿童的阻塞性睡眠呼吸暂停 (OSA) 诊断通常依赖于多睡眠学 (PSG),这是一个资源密集的夜间睡眠研究.
- 在睡眠实验室之外可以获得的临床特征在儿科患者的OSA查中未得到充分利用.
- 为儿科OSA开发非侵入性,可访问的诊断工具是显著的临床需求.
研究的目的:
- 评估机器学习 (ML) 算法的有效性,用于诊断儿科阻塞性睡眠呼吸暂停 (OSA).
- 确定儿童OSA诊断的关键临床特征,这些特征可以在非医疗环境中收集.
- 将基于ML的诊断模型与基于问卷的传统PSG模型的性能进行比较.
主要方法:
- 一组2464名怀疑患有OSA的儿童 (3-18岁) 接受了临床数据收集和PSG.
- 数据被随机分为培训 (80%) 和测试 (20%) 组.
- 使用Elastic Net算法进行特征选择,然后使用分层10倍交叉验证进行模型开发和验证.
主要成果:
- 使用弹性网选择特征的机器学习模型实现了AHI ≥5的曲线下的面积 (AUC) 为0.73,AHI ≥10的AUC为0.78.
- 选择的特征表现优于来自PSG问卷的特征.
- 线性差异分析表明,OSA识别的敏感度为44%,特异性为90%,表明临床效用.
结论:
- 一个利用儿童临床特征的机器学习模型在诊断OSA方面表现出有效性.
- 这种方法为小儿病患者的OSA查和严重程度分层提供了一种实际的非夜间替代方案.
- 开发的ML模型为改善儿科OSA诊断的可访问性和效率提供了一个有希望的工具.
