通过机器学习方法探索表型,以改善阻塞性睡眠呼吸暂停的长期死亡风险分层:一项观察性队列研究
Pasquale Tondo1, Giulia Scioscia2, Sebastien Bailly3
1Department of Medical and Surgical Sciences, University of Foggia, Foggia, Italy; Department of Specialistic Medicine, Pulmonary and Critical Care Unit, University-Hospital Polyclinic of Foggia, Foggia, Italy; Grenoble Alpes University, HP2 Laboratory, INSERM, CHU Grenoble Alpes, Grenoble, France.
European journal of internal medicine
|December 17, 2024
概括
使用机器学习识别阻塞性睡眠呼吸暂停 (OSA) 表型,揭示了不同的患者群体. 夜间低氧症成为严重OSA病例中死亡率的关键预测因素.
科学领域:
- 睡眠医学 睡眠医学
- 心脏病学 心脏病学
- 肺部病理学 肺部病理学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 是一种复杂的睡眠障碍,患者表现不同.
- 识别不同的OSA表型对于准确的长期死亡风险分层至关重要.
- 机器学习方法为OSA中的表型发现提供了新的方法.
研究的目的:
- 为了识别阻塞性睡眠呼吸暂停 (OSA) 的不同表型.
- 研究已识别的OSA表型与长期死亡率之间的关联.
- 为了利用机器学习来进行OSA患者分层.
主要方法:
- 追溯分析402名OSA患者的15年随访和持续的正气道压力 (CPAP) 坚持.
- 用于基于多维基底线数据的OSA表型识别的等级分类.
- 使用监督分析来评估表型特征与死亡率之间的联系.
主要成果:
- 确定了三种不同的OSA表型:集群1 (中年,严重肥胖,严重的OSA与低氧化症),集群2 (年轻,超重,中度的OSA) 和集群3 (老年人,肥胖,多病症,严重的OSA与低氧化症).
- 在集群1和集群3观察到明显更高的死亡率 (p < 0.001).
- 夜间低氧症被确定为主要死亡风险因素 (HR 2.63,p = 0.032),即使经过对混因素进行调整.
结论:
- 使用机器学习可以识别明显的OSA表型,有助于患者分层.
- 精确确定夜间低血对于改善OSA患者的死亡风险评估至关重要.
- 基于表型的方法提高了对OSA的理解和管理.
