介紹

使用家庭睡眠研究時，需要確定開始CPAP呼吸機治療能使AHI <5的壓力。我們的做法是將預(yù)測方程式與睡眠醫(yī)生的臨床判斷相結(jié)合。這種方法可使85％的患者在最終治療壓力的±2 cmH2O范圍內(nèi)產(chǎn)生推薦的治療壓力。本研究我們試圖確定使用機器學(xué)習(xí)模型（使用家庭睡眠研究中的現(xiàn)成變量）是否可以整合預(yù)測方程式和醫(yī)生的判斷，并得出類似的、準確的CPAP呼吸機治療壓力推薦。

方法

我們對15-99歲（M±SD = 54±13.9歲）的患者（N = 7,794）完成了診斷性家庭睡眠呼吸暫停測試，并對他們進行了橫斷面分析。可解釋的生理和臨床特征從數(shù)據(jù)集中得出，并根據(jù)每個患者解釋醫(yī)師的處方治療壓力設(shè)置來預(yù)測CPAP呼吸機治療壓力。使用隨機10倍交叉驗證評估預(yù)測性能。優(yōu)化了包括隨機森林和深度神經(jīng)網(wǎng)絡(luò)（Random Forests and Deep Neural Networks）在內(nèi)的機器學(xué)習(xí)技術(shù)，以對可解釋特征與最佳CPAP呼吸機治療壓力之間的關(guān)系進行建模。

結(jié)果

隨機森林在預(yù)測最佳CPAP呼吸機治療壓力±2 cmH2O方面表現(xiàn)最佳，平均準確度為97.8％。按基尼系數(shù)排名的前10個變量包括BMI，AHI，頸圍，ODI，最長呼吸暫停，年齡，打鼾時間以及其他與睡眠呼吸暫停相關(guān)的變量。進行OLS回歸以估計機器學(xué)習(xí)預(yù)測的CPAP呼吸機壓力和臨床處方CPAP呼吸機壓力之間的關(guān)系強度，得出的R平方值為0.888。回歸分析的總體顯著性的F檢驗的P值被觀察為<0.05，這證實了R平方估計具有統(tǒng)計學(xué)意義。

結(jié)論

可解釋的機器學(xué)習(xí)模型顯示出有望作為確定CPAP呼吸機治療壓力的另一種方法。遵循最初的處方，此方法使虛擬現(xiàn)實AI技術(shù)有了新的應(yīng)用，可以在長期協(xié)助監(jiān)測和完善CPAP呼吸機壓力設(shè)置。

（葉妮摘自Sleep, Volume 42, Issue Supplement_1, April 2019, Page A217）