强化机器学习方法用于OSA患者查:模型开发和验证研究
Rongrong Dai1,2, Kang Yang3,4, Jiajing Zhuang3
1The Sleep Disorder Medicine Center of the Second Affiliated Hospital of Fujian Medical University, Quanzhou, 362000, Fujian, China.
Scientific reports
|August 26, 2024
概括
使用年龄,性别,BMI和心率的机器学习模型可以预测阻塞性睡眠呼吸暂停 (OSA). 人工神经网络模型在早期OSA诊断和临床决策方面表现最好.
科学领域:
- 睡眠医学 睡眠医学
- 医疗保健中的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 是一种普遍的疾病,具有可识别的风险因素,包括年龄,性别,体重指数 (BMI) 和睡眠期间的平均心率.
- 准确预测OSA对于及时干预和管理至关重要,但当前的方法可能很复杂或无法获得.
研究的目的:
- 开发和评估机器学习模型,以使用简单,可访问的参数来预测中度至严重的OSA.
- 将这些预测模型集成到基于云的移动平台中,以提高临床效用.
主要方法:
- 利用了610名接受多睡眠图 (PSG) 的患者的临床数据.
- 应用后勤回归,人工神经网络,天真贝叶斯,支持矢量机,随机森林和决策树算法.
- 经过训练和验证的模型使用年龄,性别,BMI和睡眠期间的平均心率作为预测因素.
主要成果:
- 所有六种机器学习模型都有效地预测了中度至重度的OSA.
- 人工神经网络模型实现了最高的性能,AUROC为80.4%,准确率为69.9%.
- 其他车型也表现出了竞争力的表现,AUROCs在70.4%至80.2%之间.
结论:
- 年龄,性别,BMI和心率等简单参数是OSA的重要预测因素.
- 机器学习模型,特别是人工神经网络,为早期OSA诊断提供了可靠的工具.
- 集成到移动平台可以改善睡眠医学的临床决策.
