0679 Enhancing Prediction of Sleepiness, Insomnia, and Cognitive Impairment Using Machine Learning on Polysomnography
Notice bibliographique
Résumé
Abstract Introduction Obstructive sleep apnea (OSA) is a prevalent disorder affecting approximately a billion people globally. Traditional diagnostic metrics from polysomnography (PSG) such as the apnea hypopnea index (AHI) are limited in predicting OSA-related impacts. This study aims to leverage machine learning (ML) methods to enhance PSG prediction of three outcomes: daytime sleepiness (defined as Epworth Sleepiness Scale >10), insomnia (Insomnia Severity Index >15) and cognitive impairment (Montreal Cognitive Assessment < 25) in patients with moderate to severe OSA. Methods This pilot study utilized a subset of Canadian Sleep and Circadian Network participants (patients with suspected OSA recruited from academic sleep centres). Advanced signal processing was used to derive 790 features from PSG European Data Format (edf) files including: respiratory events, heart rate variations, limb movements, and EEG based metrics from leads C3/C4 (e.g., sleep stages, spindle metrics, power frequencies, sleep depth, arousal intensity). 541 participants with moderate to severe OSA (AHI>15/hr) were included. Python 3.11.6 was used for analysis. For each outcome, dimensionality reduction was done using Lasso Regression, Principal Component Analysis (PCA), and Recursive Feature Elimination (RFE). Binary classification models with Logistic Regression (LR), Support Vector Classification (SVC), Random Forest (RF), Multi-Layer Perceptron (MLP), Gaussian Naïve bayes, and XGBoost were then used (18 models tested). Model accuracy was assessed using 5-fold cross validation. Results Models that employed RFE for feature selection and LR for classification (based on 50-70 features depending on outcome) yielded the best performance. The average accuracy/F1 values across all target outcomes were 0.71/0.71 for sleepiness, 0.68/0.61 for insomnia, and 0.62/0.62 for cognitive impairment. However, accuracy of all the ML models surpassed the predictive accuracy of AHI alone (accuracy of 0.55, 0.60, 0.53 using logistic regression). Conclusion This preliminary study supports the concept of applying advanced signal processing and ML techniques to PSG to help predict OSA-related outcomes. Future research with larger sample sizes, more diverse patients, more refined ML methodologies, and better feature engineering should further improve accuracy of these models. Support (if any) CIHR, BC Lung Association
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) | 0,000 | 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 ».