使用AI預測未來CPAP呼吸機依從性以及行為和技術干預的影響（0636）
介紹
CPAP呼吸機依從性的臨床管理仍然是一個持續的挑戰。可以采用行為和技術干預措施，例如患者外展（醫療服務商對患者基于醫療數據的聯系、推進和服務-編者注）、指導、故障排除和更換CPAP呼吸機附件，以積極方式影響依從性。先前的作者已經描述了CPAP呼吸機依從性表型，該表型通過離散使用模式對患者進行回顧性分類。我們設計了一個虛擬現實（AI）模型，該模型可預測性地將患者按先前研究的依從性表型分類，并分析其統計學意義，以及分析幾種干預措施對后續CPAP呼吸機依從性的影響大小。
方法
我們收集了受試者的橫斷面隊列（N = 13,917），獲得總計455天每天的CPAP呼吸機使用數據。患者的外展記錄和更換附件數據與每日的CPAP呼吸機使用時間同步。根據Aloia等人（2008）的定義，依據每30天的使用情況可劃分四種依從性表型之一，包括良好用戶、可變用戶、偶爾嘗試者和非用戶。交叉驗證用于訓練和評估遞歸神經網絡模型，該模型基于先前使用模式的動態性來預測未來的依從性表型。兩側95％的自舉置信區間和Cohen d統計量用于分析多次更換CPAP附件干預措施實施前后30天使用行為變化的顯著性和影響大小。
結果
AI模型預測了接下來的30天依從性表型，其平均敏感性為90％，特異性為96％，準確性為95％，科恩的Kappa值為0.83。 AI模型預測了CPAP呼吸機沒有使用的天數、小于4小時的使用量以及接下來30天小于4小時的使用時間，與實際情況相比，OLS回歸R平方值為0.94、0.88和0.95 。十項更換CPAP呼吸機附件干預措施與依從性的統計顯著增加相關，并使用Cohen d按依從效應大小進行排名。影響最大的是更換新的膠墊或面罩，在可變使用者、偶爾嘗試者和非使用者組中，干預后CPAP呼吸機的依從性平均提高了7-14％。
結論
AI模型應用了過去的CPAP呼吸機使用數據，以高度的敏感性和特異性預測了未來的依從性表型和使用情況。我們確定了更換CPAP呼吸機附件干預措施與糾結患者的依從性顯著提高有關。這項工作演示了AI的新應用，可幫助臨床醫生保持CPAP呼吸機依從性。
(葉妮摘自Sleep,Volume43,IssueSupplement1,April2020, Page A243）
