Identification of obstructive sleep apnea in children with obesity: A cluster analysis approach
Notice bibliographique
Résumé
BACKGROUND: Obstructive sleep apnea (OSA) is a heterogeneous disorder with a prevalence of 25%-60% in children with obesity. There is a lack of diagnostic tools to identify those at high risk for OSA. METHOD: Children with obesity, aged 8-19 years old, were enrolled into an ongoing multicenter, prospective cohort study related to OSA. We performed k-means cluster analysis to identify clinical variables which could help identify obesity related OSA. RESULTS: In this study, 118 participants were included in the analysis; 40.7% were diagnosed with OSA, 46.6% were female and the mean (SD) body mass index (BMI) and age were 39.7 (9.6) Kg/m², and 14.4 (2.6) years, respectively. The mean (SD) obstructive apnea-hypopnea index (OAHI) was 11.0 (21.1) events/h. We identified two distinct clusters based on three clustering variables (age, BMI z-score, and neck-height ratio [NHR]). The prevalence of OSA in clusters 1 and 2, were 22.4% and 58.3% (p = 0.001), respectively. Children in cluster 2, in comparison to cluster 1, had higher BMI z-score (4.7 (1.1) versus 3.2 (0.7), p < 0.001), higher NHR (0.3 (0.02) versus 0.2 (0.01), p < 0.001) and were older (15.0 (2.2) versus 13.7 (2.9) years, p = 0.09), respectively. However, there were no significant differences in sex and OSA symptoms between the clusters. The results from hierarchical clustering were similar to k-means analysis suggesting that the resulting OSA clusters were stable to different analysis approaches. INTERPRETATION: BMI, NHR, and age are easily obtained in a clinical setting and can be utilized to identify children at high risk for OSA.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| 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) | 0,000 | 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 ».