预测阻塞性睡眠呼吸暂停的严重程度使用人工智能工具

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 睡眠医学 睡眠医学

背景情况:

• 阻塞性睡眠呼吸暂停综合征 (OSAS) 对健康构成重大风险.
• 准确预测OSAS严重程度对于及时干预至关重要.
• 当前的诊断方法可能是资源密集的.

研究的目的:

• 开发和验证人工智能 (AI) 模型,用于预测OSAS严重程度.
• 确定与OSAS严重程度相关的关键临床和多睡眠学特征.
• 探索AI在提高OSAS诊断和风险评估方面的潜力.

主要方法:

• 利用了750名住院患者的数据集,具有20个属性,包括人口统计,病史,人体测量和多睡眠学 (PSG) 数据.
• 预处理的数据使用最小-最大缩放和合成少数人过量采样技术 (SMOTE) 来平衡类别,将数据集增加到1250.
• 开发了一种多层人工神经网络 (ANN) 模型,并通过k-fold交叉验证评估性能;对特征的重要性进行信息获取分析.

主要成果:

• 该ANN模型在预测OSAS严重程度方面表现出很高的准确性 (AUC:0.966,CA:0.880).
• 信息获取分析确定了爱普沃思睡眠度量,最低的夜间氧和度,睡眠时间百分比为80-90%的氧和度,以及子厚度作为重要的预测因素.
• 这些特征是早期OSAS检测和管理的关键风险因素.

结论:

• 基于人工智能的模型是预测OSAS严重性的有效工具.
• 这项研究支持OSAS的先进诊断工具的开发.
• 在疑似病例中,AI可以使用夜间脉冲氧计和其他风险因素准确评估OSAS的严重程度.