The Beginning of the AI-Enabled Preventative PAP Therapy Era: A First-in-Human Proof of Concept Interventional Study
Notice bibliographique
Résumé
Positive Airway Pressure (PAP) therapy is the most common and efficacious treatment for Obstructive Sleep Apnea (OSA). However, it suffers from poor patient adherence due to discomfort and may not fully alleviate all adverse consequences of OSA. Identifying abnormal respiratory events before they have occurred may allow for improved management of PAP levels, leading to improved adherence and better patient outcomes. Our previous work has resulted in the successful development of a Machine-Learning (ML) algorithm for the prediction of future apneic events using existing airflow and air pressure sensors available internally to PAP devices. Although researchers have studied the use of ML for the prediction of apneas, research to date has focused primarily on using external polysomnography sensors that add to patient discomfort and has not investigated the use of internal-to-PAP sensors such as air pressure and airflow to predict and prevent respiratory events. We hypothesized that by using our predictive software, OSA events could be proactively prevented while maintaining patients' sleep quality. An intervention protocol was developed and applied to all patients to prevent OSA events. Although the protocol's cool-down period limited the number of prevention attempts, analysis of 11 participants revealed that our system improved many sleep parameters, which included a statistically significant 31.6% reduction in Apnea-Hypopnea Index, while maintaining sleep quality. Most importantly, our findings indicate the feasibility of unobtrusive identification and unique prevention of each respiratory event as well as paving the path to future truly personalized PAP therapy by further training of ML models on individual patients.
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 | 0,000 |
| 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 | 0,001 |
| 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 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 ».