使用人工智能的查预测模型,用于在急性缺血性中风患者中适度至严重的阻塞性睡眠呼吸暂停
Huan-Jan Lin1, Tian-Hsiang Huang2, Hui-Ci Huang3
1Doctoral Degree Program in Biomedical Engineering, College of Medicine, Kaohsiung Medical University, Kaohsiung, Taiwan; Department of Neurology, Kaohsiung Medical University Hospital, Kaohsiung, Taiwan; Post Baccalaureate Medicine, College of Medicine, Kaohsiung Medical University, Kaohsiung, Taiwan.
人工智能可以预测中风患者的阻塞性睡眠呼吸暂停 (OSA). 年龄,BMI和ESS等关键因素有助于识别中度至重度的OSA,有助于临床决策.
科学领域:
- 神经学 神经学
- 睡眠医学 睡眠医学
- 人工智能的人工智能
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 在中风后患者中普遍存在.
- 常规的多睡眠学 (PSG) 查OSA往往是不切实际的在临床环境中由于资源的限制和患者的状况.
- 这项研究探讨了急性缺血性中风患者OSA预测的AI.
研究的目的:
- 开发和评估人工智能 (AI) 模型,用于预测急性缺血性中风患者中中度至重度阻塞性睡眠呼吸暂停 (OSA) 的情况.
- 在这个患者群体中确定与中度至重度OSA相关的关键临床特征.
- 评估各种机器学习算法在OSA预测中的性能.
主要方法:
- 146名急性缺血性中风患者接受了多睡眠扫描 (PSG) 进行OSA查.
- 收集了人口统计数据,BMI,爱普沃思睡眠度量 (ESS) 评分和中风风险因素.
- 后勤回归确定了重要的OSA预测因子,然后在六个机器学习模型 (决策树,SVM,随机森林,XGBoost,AdaBoost,梯度提升) 中用于性能比较.
主要成果:
- 年龄,性别,BMI,子周长和ESS得分与中度至重度的OSA有显著的相关性.
- XGBoost模型显示出最高的预测性能,AUC为0.89,准确度为0.80,F1得分为0.80.
- 该研究成功地确定了关键的促成因素,以及在中风患者中OSA的高性能预测模型.
结论:
- 在缺血性中风患者中发现了中度至重度OSA的关键因素.
- XGBoost模型显示出作为OSA查医疗保健机构的决策支持工具的巨大潜力.
- 在资源有限的环境中,人工智能驱动的预测可以克服传统PSG的局限性.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
04:54Author Spotlight: IntelliSleepScorer — A High-Accuracy, Accessible GUI Software for Automated Sleep Stage Scoring in Mice and its Application in Psychiatric Research
Published on: November 8, 2024
