Using tracheal breathing sounds and anthropometric information for screening obstructive sleep apnoea during wakefulness
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».