An Artificial Intelligence-Based Non-Invasive Approach for Cardiovascular Disease Risk Stratification in Obstructive Sleep Apnea Patients: A Narrative Review
Notice bibliographique
Résumé
Background: Obstructive sleep apnea (OSA) is a severe condition associated with numerous cardiovascular complications, including heart failure. The complex biological and morphological relationship between OSA and atherosclerotic cardiovascular disease (ASCVD) poses challenges in predicting adverse cardiovascular outcomes. While artificial intelligence (AI) has shown potential for predicting cardiovascular disease (CVD) and stroke risks in other conditions, there is a lack of detailed, bias-free, and compressed AI models for ASCVD and stroke risk stratification in OSA patients. This study aimed to address this gap by proposing three hypotheses: (i) a strong relationship exists between OSA and ASCVD/stroke, (ii) deep learning (DL) can stratify ASCVD/stroke risk in OSA patients using surrogate carotid imaging, and (iii) including OSA risk as a covariate with cardiovascular risk factors can improve CVD risk stratification. Methods: The study employed the Preferred Reporting Items for Systematic reviews and Meta-analyses (PRISMA) search strategy, yielding 191 studies that link OSA with coronary, carotid, and aortic atherosclerotic vascular diseases. This research investigated the link between OSA and CVD, explored DL solutions for OSA detection, and examined the role of DL in utilizing carotid surrogate biomarkers by saving costs. Lastly, we benchmark our strategy against previous studies. Results: (i) This study found that CVD and OSA are indirectly or directly related. (ii) DL models demonstrated significant potential in improving OSA detection and proved effective in CVD risk stratification using carotid ultrasound as a biomarker. (iii) Additionally, DL was shown to be useful for CVD risk stratification in OSA patients; (iv) There are important AI attributes such as AI-bias, AI-explainability, AI-pruning, and AI-cloud, which play an important role in CVD risk for OSA patients. Conclusions: DL provides a powerful tool for CVD risk stratification in OSA patients. These results can promote several recommendations for developing unique, bias-free, and explainable AI algorithms for predicting ASCVD and stroke risks in patients with 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 | 0,013 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,012 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».