基于多数据和机器学习的临时关疾病患者的阻塞性睡眠呼吸暂停的自动预测
Yeon-Hee Lee1, Seonggwang Jeon2, Q-Schick Auh3
1Department of Orofacial Pain and Oral Medicine, Kyung Hee University, Kyung Hee University Dental Hospital, #613 Hoegi-dong, Dongdaemun-gu, Seoul, 02447, Korea. omod0209@gmail.com.
Scientific reports
|August 21, 2024
概括
阻塞性睡眠呼吸暂停 (OSA) 是常见的临时关疾病 (TMD) 患者. 一个使用多式联络数据,特别是MRI的AI模型,准确地预测TMD患者的OSA,帮助诊断.
科学领域:
- 医疗成像和人工智能的人工智能
- 睡眠医学和牙科.
- 多模式数据分析数据分析多模式数据分析
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 和关节障碍 (TMD) 分享复杂的病理生理联系.
- 在TMD患者中准确诊断OSA对于有效管理至关重要.
- 当前的诊断方法可能无法完全捕捉这些条件之间的相互作用.
研究的目的:
- 开发一个自动预测模型来诊断患有TMD的患者的OSA.
- 利用多模式数据,包括临床,多睡眠学,X射线和MRI数据.
- 研究机器学习技术在识别OSA预测因子方面的有效性.
主要方法:
- 收集了55名患有睡眠投诉的TMD患者的多式联络数据.
- 采用先进的机器学习模型,如3D VGG16和物流回归.
- 使用精度,后勤回归,多层感知子和AUC分数来评估模型性能.
主要成果:
- 在研究中,53%的TMD患者被诊断为OSA.
- 人工智能模型在预测OSA时达到80.00-91.43%的准确性.
- 纳入MRI数据显著改善了AUC得分,达到1.00.
- 阻塞性呼吸暂停指数是一个关键预测指标 (值:4.25事件/小时).
- 人工智能驱动的热图突出显示了与OSA存在或不存在相关的不同解剖区域.
结论:
- 一个基于人工智能的模型显示了高准确度和在TMD患者中诊断OSA的潜力.
- 多模式数据,特别是MRI,提高了诊断能力.
- 该模型提供了关于OSA阳性和OSA阴性TMD患者之间的解剖学差异的见解.
- 这种方法为了解和管理同时发生的OSA和TMD提供了一个有希望的工具.
