相关实验视频
Updated: Jan 16, 2026
07:40
Multi-Modal Home Sleep Monitoring in Older Adults
Published on: January 26, 2019
8.1K
开发一种机器学习模型,用于查心力衰竭患者的睡眠呼吸暂停,使用睡眠传感器数据
Mathushan Gunasegaram1, Birthe Dinesen1, Nikolaj Müller Larsen1
1Laboratory Welfare Technologies - Digital Health & Rehabilitation, ExerciseTech, Department of Health Science and Technology, Aalborg University (AAU), Denmark.
Studies in health technology and informatics
|October 3, 2025
概括
这项研究探索了使用机器学习来选心力衰竭 (HF) 患者的睡眠呼吸暂停 (SA). 开发的模型有希望,但需要更多的数据来提高SA查的准确性.
科学领域:
- 心脏病学 心脏病学
- 肺部病理学 肺部病理学
- 医疗信息学 医疗信息学
背景情况:
- 睡眠呼吸暂停 (SA) 在心力衰竭 (HF) 患者中很常见,增加并发症风险.
- 早期发现HF的SA对于有效的治疗和改善患者的治疗结果至关重要.
- 目前的查方法可能无法完全优化HF人群.
研究的目的:
- 评估基于机器学习 (ML) 的SA查工具在HF患者中的可行性.
- 开发和评估一个预测模型,使用来自未来患者远程康复计划的数据.
- 为了确定未来的SA选工具在HF开发的潜在改进.
主要方法:
- 使用随机森林分类器构建SA选的预测模型.
- 采用了来自未来患者远程康复计划的数据来开发模型.
- 在曲线下的接收器操作特征面积 (ROC-AUC) 使用评估模型性能.
主要成果:
- 随机森林模型实现了一个有希望的ROC-AUC0.85.
- ML模型显示了作为HF患者的SA查工具的潜力.
- 模型的概括性受到缺少关键预测因素 (如氧和) 的限制.
结论:
- 机器学习模型显示了在心力衰竭患者中选睡眠呼吸暂停的潜力.
- 需要使用全面的标准化数据进行进一步的研究,以提高模型的准确性和临床实用性.
- 来自未来临床试验的高质量数据对于在高频中推进SA查至关重要.
