开发和应用基于机器学习的预测模型,用于阻塞性睡眠呼吸暂停查
Kang Liu1, Shi Geng2, Ping Shen1
1Department of Otolaryngology, Head and Neck Surgery, Affiliated Hospital of Xuzhou Medical University, Xuzhou, China.
Frontiers in big data
|May 31, 2024
概括
机器学习模型有效地选阻塞性睡眠呼吸暂停 (OSA),识别关键风险因素,如爱普沃思睡眠度量 (ESS) 总得分和早期干预的体重指数 (BMI).
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 睡眠医学研究 睡眠医学研究
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 对健康构成重大风险.
- 早期诊断和干预对于管理OSA至关重要.
- 开发准确的查工具对于临床实践至关重要.
研究的目的:
- 开发和评估用于阻塞性睡眠呼吸暂停 (OSA) 查和诊断的机器学习模型.
- 确定OSA严重程度分级和中度至重度OSA查的关键预测因素.
- 支持OSA的早期临床检测和管理.
主要方法:
- 对439名患者的临床数据进行了回顾性分析.
- 使用了人口统计数据,病史和爱普沃思睡眠度量 (ESS) 评分.
- 我们比较了五种机器学习算法:XGBoost,LR,SVM,LightGBM和RF,以提高预测准确度.
主要成果:
- 在OSA严重程度分级中,LightGBM表现出卓越的表现,强调ESS总得分,BMI,性别,高血压和GERD作为关键特征.
- 随机森林 (RF) 在查中度至重度OSA方面表现出色,以ESS总分,BMI,GERD,年龄和口腔干燥为主要预测因素.
- 在所有模型中,ESS总分和BMI始终被确定为关键特征.
结论:
- 机器学习模型是早期OSA识别和风险因素分析的有效工具.
- ESS总得分和BMI是OSA预测的关键指标.
- 公开可用的数据集,以促进OSA诊断的进一步研究和开发.
