0276 Detecting Apnea Hypopnea Index for Classified the Severity of Obstructive Sleep Apnea using PPG signals
Notice bibliographique
Résumé
Abstract Introduction A polysomnography or home sleep apnea study provides multiple pieces of information to diagnose obstructive sleep apnea (OSA), but the tests are costly with limited access. The study aims to use an automated AHI model with only PPG signals and can be applied to a wearable device. Methods We have included patients with different OSA severity to build an algorithm detecting ODI based on the scoring criteria with varying sizes of windows ranging from 10 to 60 seconds. For patients without ODI events, the automated CPC for detecting low-frequency oscillation is included to support the automated AHI model. Results The automated ODI and the combination of automated CPC are highly correlated with the AHI. When a CPC is detected without the ODI, the low-frequency coupling can assist in detecting AHI. The accuracy of the automated AHI is 86% compared to the actual AHI, with the sensitivity, specificity and precision at 92%, 73% and 89%, respectively. Conclusion The automated AHI algorithm with PPG signals as input can have a high sensitivity and accuracy in screening patients with OSA (AHI≥5), which can considerably be implied in a PPG wearable device. Support (if any)
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».