基于电子健康记录的睡眠呼吸暂停测试预测

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 预测分析是一种预测分析.

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 诊断通常发生在生命的晚期,通过Polysomnography.
• 早期识别患有OSA风险的个体是必要的,以便及时进行干预.
• 电子健康记录 (EHR) 为开发预测模型提供了丰富的数据来源.

研究的目的:

• 开发使用EHR数据的预测模型,以识别可能在50岁后接受睡眠呼吸暂停测试的个人.
• 调查EHR数据变化和控制匹配对预测准确性的影响.
• 评估时间变量选择方法和子组建模型的有效性.

主要方法:

• 利用电子健康记录 (EHR) 数据来预测未来的睡眠呼吸暂停测试.
• 开发并比较了四个分类器:1-CNN,LSTM,随机森林和物流回归.
• 介绍了RankLi方法,用于基于t测试分歧得分的时间变量选择.
• 基于EHR记录数量和子组建模型的对照匹配策略进行了调查.

主要成果:

• 使用EHR记录数量的控制匹配被发现对模型性能至关重要.
• 基于EHR记录数量的单独子组的建模提高了预测的有效性.
• 深度学习模型,特别是1-CNN,显示出卓越的平衡精度和AUC.
• 在男性中,1-CNN模型在50岁时实现了90%的平衡精度和93%的AUC,使用100个时间变量.

结论:

• 使用EHR数据的预测建模可以促进早期识别患有阻塞性睡眠呼吸暂停风险的个体.
• 电子健康记录的数量显著影响控制匹配和预测模型性能.
• 深度学习方法,特别是1-CNN,显示出在不同人群中准确预测OSA风险的巨大潜力.