一个深度学习算法模型,在成年人多睡眠学术中自动得分和评分阻塞性睡眠呼吸暂停
Marn Joon Park1, Ji Ho Choi2, Shin Young Kim2
1Department of Otorhinolaryngology-Head and Neck Surgery, Inha University Hospital, Inha University School of Medicine, Incheon, Republic of Korea.
Digital health
|October 21, 2024
概括
一个深度学习系统准确地使用多睡眠学数据对睡眠呼吸暂停患者的呼吸事件进行评分. 这种自动化方法提高了诊断睡眠呼吸障碍的效率和准确性.
科学领域:
- 睡眠医学 睡眠医学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 多睡眠学 (PSG) 对于诊断睡眠障碍,如阻塞性睡眠呼吸暂停 (OSA),至关重要.
- 手动评分PSG数据是劳动密集型和耗时的.
- 需要自动评分系统来提高效率和准确性.
研究的目的:
- 评估基于深度学习的自动评分系统,用于睡眠呼吸障碍患者的呼吸事件.
- 评估深度学习模型在检测各种OSA严重程度的呼吸暂停/呼吸暂停事件中的准确性.
主要方法:
- 一个深度学习算法是使用1000个多睡眠学 (PSG) 数据集 (700培训,200验证,100测试) 开发的.
- 该模型架构包括perceptron和长短期记忆层.
- 该模型在来自不同OSA严重程度组的100名患者的PSG数据上得到了验证.
主要成果:
- 深度学习算法在检测呼吸暂停/呼吸暂停事件方面实现了高灵敏度 (98.06-98.51%) 和特异性 (95.46-97.79%).
- 预测OSA的曲线下面面积值在不同的呼吸暂停-呼吸暂停指数值中始终很高 (0.9402-0.9442).
- 该模型在轻度,中度和重度OSA组之间没有显著的性能差异.
结论:
- 深度学习算法准确地识别了呼吸暂停/呼吸暂停的发作,并评估了OSA的严重程度.
- 使用深度学习技术的自动评分可以显著提高PSG分析的效率和准确性.
- 这项技术有望改善睡眠障碍的诊断和管理.


