Using tracheal breathing sounds and anthropometric information for screening obstructive sleep apnoea during wakefulness
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Obstructive sleep apnoea (OSA) is a common yet underdiagnosed disorder. Undiagnosed OSA significantly increases perioperative morbidity and mortality for OSA patients undergoing surgery, requiring full anaesthesia. Tracheal breathing sounds characteristics during wakefulness have shown a high correlation with the apnoea-hypopnea index (AHI), while they are also affected by the anthropometric parameters, e.g., sex, age, etc. This study investigates the effects of the anthropometric parameters on our new quick objective OSA screening tool during wakefulness. Breathing sounds of 122 individuals (71 with AHI <15 as non-OSA and 51 with AHI > 15 as OSA) were recorded during wakefulness in the supine position. The spectra and bi-spectra of 81 (47 non-OSA) individuals' signals, which were randomly selected, were analysed as a training dataset to extract the most significant features with the lowest sensitivity to the anthropometric parameters. Using a support vector machine (SVM) classifier, these features resulted in 72.1, 64.7 and 77.5% testing classification accuracy, sensitivity and specificity, respectively. We also investigated classifying subjects into subgroups related to each anthropometric parameter and incorporating a voting procedure. This routine resulted in 83.6, 74.5 and 90.1% testing classification accuracy, sensitivity and specificity, respectively. In conclusion, it is possible to positively utilise the anthropometric information to enhance the classification accuracy for a reliable OSA screening procedure during wakefulness.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| 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 découle