O002 Machine learning applied to oximetry to detect paediatric sleep apnoea
Notice bibliographique
Résumé
Abstract Introduction Polysomnography(PSG) is the gold-standard test for diagnosing paediatric obstructive sleep apnoea, but resource-intensiveness limits availability. Although oximetry testing is widely available, manual scoring methods such as McGill scoring have poor sensitivity, and decreased positive predictive value(PPV) for those with complex medical comorbidities. We hypothesised that computerised oximetry analysis could overcome these limitations. We developed and tested a novel support vector classifier(SVC) machine learning algorithm, with a component for discarding of likely movement/wake artefact, that classifies the overnight oximetry as being either low risk (predicted apnoea hypopnoea index[AHI] <5/hour) or high risk(≥5/hour). Methods Oxygen saturation(SpO2) and pulse rate(PR) data were extracted from 3476 PSGs performed at Queensland Children’s Hospital (QCH). 90% were selected for model training, with 10% reserved for final testing. A rules-based filter discarded periods of SpO2 < 60% or PR > 225bpm or < 40bpm. Thirteen SpO2/PR features were used for SVC model training; model performance was then evaluated on held-out data from QCH and other sources. Results Using oximetry data from the reserved 344 QCH PSGs, the algorithm showed a PPV of 93%, negative predictive value of 90%, specificity of 99%, and sensitivity of 65%. Using oximetry data from the Childhood Adenotonsillectomy Trial, Paediatric Adenotonsillectomy Trial for Snoring and British Columbia Children’s Hospital PSG datasets (n = 1215, n = 721 and n = 2895 respectively) model performance showed specificities of 99%, 98% and 84% respectively, with sensitivities of 35-62%. Conclusion A SVC algorithm can be used to classify oximetry into likely AHI ≥5 with a high degree of certainty, for children with and without complex comorbidities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».