0547 Predicting Response to Oral Appliance Therapy: Artificial Intelligence Versus Intuitive Approach
Notice bibliographique
Résumé
We have developed a method to predict outcome with oral appliance therapy (OAT) using an artificial intelligence (AI) approach combined with a feedback controlled mandibular positioner (FCMP). We compared the performance of our method against an intuitive approach based on a one-night study used for prediction. Participants (n=101) with OSA (mean AHI: 30.4 hr-1, mean ODI: 30.6 hr-1, mean BMI: 32.2 kg/m2) received a 2- to 3-night FCMP test and were then treated by OAT. Their response to OAT was predicted by an AI-based approach embedded in MATRx plus (Zephyr Sleep Technologies). This was compared with an intuitive prediction where the ODI from a single night study, i.e., the 2nd night in the FCMP test, with a temporary oral appliance in place was used to predict the responders (ODI < 10 hr-1). Both predictions were compared to the efficacious response (ODI < 10 hr-1) in an outcome study with a custom OA in place. The sensitivity (Sens), specificity (Spec), positive and negative predictive values (PPV & NPV) were calculated for each of the two prediction methods. The mean ODI from the one-night study (18.1 hr-1) exceeded the mean outcome ODI (12.2 hr-1). Prediction using the intuitive approach resulted in Sens=68%, Spec=90%, PPV=96%, NPV=49%; while the AI-based method performance yielded Sens=88%, Spec=92%, PPV=97%, NPV=72%. Overall accuracy was 89% for AI and 74% for the intuitive approach. The sensitivity and overall predictive accuracy of the AI-based approach was greater than the intuitive approach, indicating that FCMP test outperformed the intuitive approach. Although it seems counter-intuitive, ODI from a one-night study is not a good estimate of the outcome ODI. Zephyr Sleep Technologies, Prosomnus Sleep Technologies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».