一个新的机器学习模型用于选阻塞性睡眠呼吸暂停的风险,使用面摄影与问卷
June-Young Park1, Hye-Rim Shin2, Min Hye Kim3
1Department of Convergence Healthcare Medicine, Ajou University, Suwon, Republic of Korea.
概括
这项研究开发了一种新的查阻塞性睡眠呼吸暂停 (OSA) 的方法,使用面部照片和问卷. 综合方法在分类中度至重度OSA方面取得了很高的准确性,改善了早期检测和治疗.
科学领域:
- 睡眠医学 睡眠医学
- 医疗保健中的人工智能
- 心血管健康 心血管健康
背景情况:
- 未诊断的阻塞性睡眠呼吸暂停 (OSA) 带来了显著的心血管风险和死亡率.
- 由于OSA的高流行率,早期和有效的OSA查至关重要.
- 目前的选方法可以改进,以提高可访问性和效率.
研究的目的:
- 开发和验证适度至严重阻塞性睡眠呼吸暂停 (OSA) 的实用和有效的查方法.
- 将面部摄影分析与睡眠问卷数据相结合,以提高OSA风险评估.
- 提高OSA查的准确性和可访问性.
主要方法:
- 追溯分析748名参与者接受了多睡眠学,睡眠问卷 (STOP-BANG) 和面部摄影.
- 利用卷积神经网络从面部图像中提取OSA概率得分.
- 采用了四种机器学习模型,其中逻辑回归显示了最高的性能,以分类OSA严重程度.
主要成果:
- 后勤回归实现了97.2%的接收机操作员曲线 (AUC) 下面面积,并在分类OSA时达到91.9%的准确性.
- 与任何一种方法单独相比,将面部照片分析与问卷相结合显著改善了OSA检测 (97.2%的AUC与照片的85.7%相比,问卷的64-79.1%).
- 该研究分析了426名参与者,其中213名在中度/重度OSA组,213名在没有/轻度OSA组.
结论:
- 结合面部分析的卷积神经网络和问卷调查数据的机器学习的两阶段方法准确地分类了OSA.
- 这种新的方法有望促进及时的OSA治疗并减少不必要的评估.
- 简单的面部照片和睡眠问卷可以有效地用于OSA查.
