Changes in physiological signal entropy in patients with obstructive sleep apnoea: a systematic review
Notice bibliographique
Résumé
Abstract Background and Objective. Obstructive sleep apnoea (OSA) affects an estimated 936 million people worldwide, yet only 15% receive a definitive diagnosis. Diagnosis of OSA poses challenges due to the dynamic nature of physiological signals such as oxygen saturation (SpO 2 ) and heart rate variability (HRV). Linear analysis methods may not fully capture the irregularities present in these signals. The application of entropy of routine physiological signals offers a promising method to better measure variabilities in dynamic biological data. This review aims to explore entropy changes in physiological signals among individuals with OSA. Approach. Keyword and title searches were performed on Medline, Embase, Scopus, and CINAHL databases. Studies had to analyse physiological signals in OSA using entropy. Quality assessment used the Newcastle–Ottawa Scale. Evidence was qualitatively synthesised, considering entropy signals, entropy type, and time-series length. Main results. Twenty-two studies were included. Multiple physiological signals related to OSA, including SpO 2 , HRV, and the oxygen desaturation index (ODI), have been investigated using entropy. Results revealed a significant decrease in HRV entropy in those with OSA compared to control groups. Conversely, SpO 2 and ODI entropy values were increased in OSA. Despite variations in entropy types, time scales, and data extraction devices, studies using receiver operating characteristic curves demonstrated a high discriminative accuracy (>80% AUC) in distinguishing OSA patients from control groups. Significance . This review highlights the potential of SpO 2 entropy analysis in developing new diagnostic indices for patients with OSA. Further investigation is needed before applying this technique clinically.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| 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 ».