利用机器学习和深度学习预测接受正压通气治疗的预约出席情况:临床指标和血氧饱和度指标的作用

《Sleep and Breathing》:Predicting positive airway pressure appointment attendance using machine learning and deep learning: the role of clinical and oximetric indicators

【字体: 大 中 小 】 时间:2026年04月03日 来源:Sleep and Breathing 2

编辑推荐:

  本研究回顾分析369例OSAS患者,探讨临床、生理及行为因素对初始PAP治疗参与的影响,并比较机器学习与深度学习模型(逻辑回归、决策树、随机森林、支持向量机、深度神经网络)的预测效能。结果显示,ESS评分高及80-90%夜间血氧饱和度持续时间长与参与正相关,而饮酒显著预测不参与。平均夜间血氧饱和度比AHI更有效。该研究首次聚焦初始参与,其模型可辅助临床早期识别高风险患者,优化治疗启动流程。

  

摘要

引言

对于被诊断为阻塞性睡眠呼吸暂停综合征(OSAS)的患者而言,参与正压通气(PAP)治疗对于改善长期健康结果至关重要。本研究旨在识别影响患者初次PAP治疗预约出席率的临床、生理和行为因素,并利用机器学习和深度学习技术开发并比较预测模型。

方法

共对369名患有阻塞性睡眠呼吸暂停综合征(OSAS)的患者进行了回顾性分析。其中,39.2%的患者参加了预定的PAP治疗预约并开始接受治疗,而60.8%的患者没有参加。研究人员进行了相关性分析,并开发了包括逻辑回归、决策树、随机森林、支持向量机和深度神经网络在内的预测模型,以预测患者的预约出席情况。

结果

较高的Epworth嗜睡量表(ESS)评分以及夜间血氧饱和度在80-90%范围内的时间较长与PAP治疗的出席率呈正相关。相比之下,饮酒是导致患者未出席治疗的重要行为因素。与呼吸暂停-低通气指数(AHI)相比,与低氧血症相关的指标(如平均夜间血氧饱和度)是更强的预测因素。人体测量学变量——腰围、体重指数(BMI)和颈围——与治疗参与度的正相关性较弱。

结论

本研究是少数关注PAP治疗启动而非长期依从性的研究之一,而大多数现有研究通常关注后者。这里开发的机器学习和深度学习模型有潜力通过早期识别高风险患者来支持临床决策系统,从而实现及时干预。将这些工具整合到临床工作流程中,可能会从治疗的第一步就开始提高患者的参与度和治疗效果。

引言

对于被诊断为阻塞性睡眠呼吸暂停综合征(OSAS)的患者而言,参与正压通气(PAP)治疗对于改善长期健康结果至关重要。本研究旨在识别影响患者初次PAP治疗预约出席率的临床、生理和行为因素,并利用机器学习和深度学习技术开发并比较预测模型。

方法

共对369名患有阻塞性睡眠呼吸暂停综合征(OSAS)的患者进行了回顾性分析。其中,39.2%的患者参加了预定的PAP治疗预约并开始接受治疗,而60.8%的患者没有参加。研究人员进行了相关性分析,并开发了包括逻辑回归、决策树、随机森林、支持向量机和深度神经网络在内的预测模型,以预测患者的预约出席情况。

结果

较高的Epworth嗜睡量表(ESS)评分以及夜间血氧饱和度在80-90%范围内的时间较长与PAP治疗的出席率呈正相关。相比之下,饮酒是导致患者未出席治疗的重要行为因素。与呼吸暂停-低通气指数(AHI)相比,与低氧血症相关的指标(如平均夜间血氧饱和度)是更强的预测因素。人体测量学变量——腰围、体重指数(BMI)和颈围——与治疗参与度的正相关性较弱。

结论

本研究是少数关注PAP治疗启动而非长期依从性的研究之一,而大多数现有研究通常关注后者。这里开发的机器学习和深度学习模型有潜力通过早期识别高风险患者来支持临床决策系统,从而实现及时干预。将这些工具整合到临床工作流程中,可能会从治疗的第一步就开始提高患者的参与度和治疗效果。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号