Prediction of the severity of obstructive sleep apnea by anthropometric features via support vector machine
Notice bibliographique
Résumé
To develop an applicable prediction for obstructive sleep apnea (OSA) is still a challenge in clinical practice. We apply a modern machine learning method, the support vector machine to establish a predicting model for the severity of OSA. The support vector machine was applied to build up a prediction model based on three anthropometric features (neck circumference, waist circumference, and body mass index) and age on the first database. The established model was then valided independently on the second database. The anthropometric features and age were combined to generate powerful predictors for OSA. Following the common practice, we predict if a subject has the apnea-hypopnea index greater then 15 or not as well as 30 or not. Dividing by genders and age, for the AHI threhosld 15 (respectively 30), the cross validation and testing accuracy for the prediction were 85.3% and 76.7% (respectively 83.7% and 75.5%) in young female, while the negative likelihood ratio for the AHI threhosld 15 (respectively 30) for the cross validation and testing were 0.2 and 0.32 (respectively 0.06 and 0.1) in young female. The more accurate results with lower negative likelihood ratio in the younger patients, especially the female subgroup, reflect the potential of the proposed model for the screening purpose and the importance of approaching by different genders and the effects of aging.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».