A Machine Learning Model to Detect Small Airway Narrowing Due to Exercise in Overweight and Obese Adults with Asthma
Notice bibliographique
Résumé
Regular physical exercise can improve lung function and asthma control, especially in individuals with asthma who are overweight or obese. Nevertheless, being active or exercising could be a risk factor for asthma exacerbations. Monitoring physiological signals during exercise may help to detect potential worsening in asthma and could be used to help persons with asthma to adjust their exercise. Our goal was to determine whether small airway narrowing due to exercise could be predicted using conveniently recorded data including participant’s demographics and respiratory-related signals. In this study, 10 adults with asthma and body mass index (BMI) over 25 kg/m2were asked to cycle for 10 minutes in a room at 20°C. During exercise, the respiratory signals were recorded using inductance plethysmography on the chest and abdomen. Before and after exercise, small airway narrowing was assessed based on respiratory impedance measured by forced oscillation technique. From the chest respiratory signal and demographic data, a total of four features have been obtained in the time domain. To detect airway narrowing, five different machine learning classifiers were fine-tuned and evaluated using a leave-one-subject-out cross-validation approach. The best model had an accuracy of 77.01%, a recall of 82.69%, a specificity of 68.57%, a precision of 79.63%, and an F1 score of 81.13%. These results provide proof of concept that technologies with embedded respiratory signal monitoring may be able to predict airway narrowing during exercise in individuals with asthma, particularly in the overweight or obese population.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».