Snoring Vibration: A Robust Measure for Predicting Treatment Outcome for Obstructive Sleep Apnea
Notice bibliographique
Résumé
Obstructive sleep apnea (OSA) represents a prevalent condition impacting over 9% of the general adult population. Various treatment options have been clinically proposed and utilized, with a particular focus on continuous positive airway pressure (CPAP) and oral appliances due to their overall effectiveness and higher adherence rates. CPAP therapy has demonstrated greater effectiveness but lower adherence compared to oral appliances. However, treatment success of oral appliances is not always guaranteed, hence sleep physicians are more cautious in their prescriptions unless they can reasonably estimate the chance of responding to oral appliance therapy. Prior studies often rely on invasive or inconvenient methodologies such as drug-induced sleep endoscopy (DISE), cephalometry, multisensor catheters, or full polysomnography (PSG). In this prospective study, we collected data with a home sleep apnea test (HSAT) device from 50 participants (38 using mandibular advancement devices [MADs] and 12 using tongue stabilizing devices [TSDs]). We used a simple yet informative data source: snoring vibrations extracted from a nasal pressure sensor with a low sampling frequency (125 Hz). Using spectro-temporal analysis of the snoring signal, we successfully predicted therapy efficacy with accuracies of 88% for MAD and 91% for TSD. Our proposed methodology presents a promising approach that can be utilized without further need for PSG or integrated within PSG testing for accurate prediction of oral appliance efficacy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».