可穿戴睡眠测量可能改善机器学习预测在慢性阻塞性肺部疾病患者中进行家庭肺部康复的参与:一项概念验证研究

科学领域:

• 肺部医学 肺部医学
• 数字健康数字健康
• 机器学习 机器学习

背景情况:

• 慢性阻塞性肺病 (COPD) 管理通常包括肺部康复.
• 家庭肺部康复 (HBPR) 提供了一个灵活的替代方案,但需要患者的参与.
• 预测参与对于优化HBPR结果至关重要.

研究的目的:

• 评估可穿戴活动监视器的基线睡眠数据是否增强机器学习 (ML) 模型对COPD患者12周HBPR参与的预测.
• 确定睡眠测量对识别可能受益于远程PR的患者的有用性.

主要方法:

• 在HBPR之前,124名患有COPD恶化的参与者提供了1周的睡眠数据.
• 使用Tudor-Locke算法和PLS-DA处理的睡眠数据用于复合睡眠健康评分.
• 嵌套模型比较 (逻辑回归,SVM,决策树,天真贝叶斯) 评估了用于参与预测的睡眠测量纳入.

主要成果:

• 综合睡眠健康评分在支持矢量机 (SVM) 模型中显著改善了12周的参与预测 (AUC 0.716,p=0.010).
• 在SVM模型中,特异性和准确性分别提高了20.4%和2.5%.
• 逻辑回归与睡眠测量实现了最高的预测性能 (AUC = 0.721).

结论:

• 在参数ML模型中,可穿戴式衍生睡眠测量对查HBPR资格有希望.
• 这些发现支持进一步研究使用睡眠数据进行远程PR患者选择.
• 建议仔细选择预测因素,以了解睡眠措施对COPDHBPR结果的影响.