A Novel Decision Making Procedure during Wakefulness for Screening Obstructive Sleep Apnea using Anthropometric Information and Tracheal Breathing Sounds
Notice bibliographique
Résumé
Obstructive sleep apnea (OSA) is an underdiagnosed common disorder. Undiagnosed OSA, in particular, increases the perioperative morbidity and mortality risks for OSA patients undergoing surgery requiring full anesthesia. OSA screening using the gold standard, Polysomnography (PSG), is expensive and time-consuming. This study offers an objective and accurate tool for screening OSA during wakefulness by a few minutes of breathing sounds recording. Our proposed algorithm (AWakeOSA) extracts an optimized set (3-4) of breathing sound features specific to each anthropometric feature (i.e. age, sex, etc.) for each subject. These personalized group (e.g. age) classification features are then used to determine OSA severity in the test subject for that anthropomorphic parameter. Each of the anthropomorphic parameter classifications is weighted and summed to produce a final OSA severity classification. The tracheal breathing sounds of 199 individuals (109 with apnea/hypopnea index (AHI) < 15 as non-OSA and 90 with AHI ≥ 15 as moderate/severe-OSA) were recorded during wakefulness in the supine position. The sound features sensitive to OSA were extracted from a training set (n = 100). The rest were used as a blind test dataset. Using Random-Forest classification, the training dataset was shuffled 1200-6000 times to avoid any training bias. This routine resulted in 81.4%, 80.9%, and 82.1% classification accuracy, sensitivity, and specificity, respectively, on the blind-test dataset which was similar to the results for the out-of-bag-validation applied to the training dataset. These results provide a proof of concept for AWakeOSA algorithm as an accurate, reliable and quick OSA screening tool that can be done in less than 10 minutes 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».