A Machine Learning Analysis of Physiological Monitoring Signals to Detect Small Airway Narrowing Due to Cold Air Exposure in Asthma
Notice bibliographique
Résumé
Asthma is a chronic inflammatory disease of the small airways, affecting over 200 million people globally. Cold air exposure is a potential risk factor for asthma exacerbations. We hypothesized that monitoring physiological signals during exposure to cold would help to detect potential worsening in asthma and can be used to help persons with asthma adjust their daily routine. Non-smoker adults (18-80 years) with asthma were asked to sit in a cold room of 0°C temperature for 10 minutes. During this period, Electrocardiogram (ECG) and thoraco-abdominal motion/respiration belt signals were measured continuously. At 0 and 10 min, small airway narrowing was assessed with oscillometry to estimate respiratory system impedance. Based on changes in respiratory impedance from 0 to 10 min, participants were grouped into with or without airway narrowing. After signal processing, we extracted time and frequency domain features from ECG and respiration signals. To classify airway narrowing, different machine learning classifiers were fine-tuned and evaluated using a leave-one-subject-out cross-validation approach. A total of 23 individuals (11 females, age: 56.3 ± 10.9 years, BMI: 27.4 ± 5.7 kg/m$^{2}$) with asthma were enrolled in the study. Up to 42% and 58% windows of signals were from individuals with and without airway narrowing, respectively. The support vector machine classifier performed the best compared to other models with an accuracy of 85%, precision of 87%, recall of 76%, specificity of 91%, and F1 score of 81%. These results provided proof of concept that technologies with embedded respiratory and cardiac signal monitoring may be able to predict airway narrowing during exposure to cold air in individuals with asthma.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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 ».