眠気と睡眠時無呼吸の重症度を予測するための分類アルゴリズム

睡眠時無呼吸の主観的な眠気と重症度の予測因子を特定することは、睡眠医学における重要でありながら挑戦的な目標です。分類アルゴリズムは、特に大規模なデータセットが利用可能な場合、洞察を提供する場合があります。Sleep Heart Health Studyから入手可能なポリソムグラフィーと臨床的特徴を分析しました。エプワースの眠気スケールと無呼吸系hypopnea指数は、K-nearest Neighter、Naive Bayes、およびサポートベクターマシンアルゴリズムの3つの分類器のターゲットでした。分類は、人口統計、ポリムノグラム、心電図（スペクトログラム）を含む最大26の機能に基づいていました。ナイーブベイズは、異常なエプワースクラス（0-10対11-24）を予測するのに最適でしたが、予測は弱いものでした。ポリムノグラムの特徴は16.7％の感度と88.8％の特異性を示しました。スペクトログラムの特徴は、5.3％の感度と96.5％の特異性を示しました。睡眠時無呼吸クラス（0-5対> 5）を予測するためにナイーブベイズと同様に実行されたサポートベクターマシンは、臨床的特徴を使用して59.0％の感度と74.5％の特異性、43.4％の感度と83.5％の特異性を使用して、57.5％の感受性および73.7％の特異性（臨床的感受性）と比較してスペクトログラフィーの特異性を使用して83.5％特異性を使用します。82.7％特異性（スペクトログラム）。相互情報分析により、エプワーススコアの機能に対する最小限の依存性が確認されましたが、無呼吸ヒポプネア指数は、ボディマス指数、覚醒指数、酸素化、スペクトログラムの特徴への控えめな依存性を示しました。無呼吸の分類は、臨床的またはスペクトログラムの機能を使用して、控えめに正確であり、一般的な睡眠時無呼吸スクリーニングツールよりも低い感度と特異性が高いことを示しました。したがって、睡眠時無呼吸の臨床的予測は、簡単に得られる人口統計学的および心電図分析で実行可能である可能性がありますが、エプワースの有用性は、臨床、心電図、またはポリソムグラフィーの特徴との最小限の関係によって疑問視されています。

Identifying predictors of subjective sleepiness and severity of sleep apnea are important yet challenging goals in sleep medicine. Classification algorithms may provide insights, especially when large data sets are available. We analyzed polysomnography and clinical features available from the Sleep Heart Health Study. The Epworth Sleepiness Scale and the apnea-hypopnea index were the targets of three classifiers: k-nearest neighbor, naive Bayes and support vector machine algorithms. Classification was based on up to 26 features including demographics, polysomnogram, and electrocardiogram (spectrogram). Naive Bayes was best for predicting abnormal Epworth class (0-10 versus 11-24), although prediction was weak: polysomnogram features had 16.7% sensitivity and 88.8% specificity; spectrogram features had 5.3% sensitivity and 96.5% specificity. The support vector machine performed similarly to naive Bayes for predicting sleep apnea class (0-5 versus >5): 59.0% sensitivity and 74.5% specificity using clinical features and 43.4% sensitivity and 83.5% specificity using spectrographic features compared with the naive Bayes classifier, which had 57.5% sensitivity and 73.7% specificity (clinical), and 39.0% sensitivity and 82.7% specificity (spectrogram). Mutual information analysis confirmed the minimal dependency of the Epworth score on any feature, while the apnea-hypopnea index showed modest dependency on body mass index, arousal index, oxygenation and spectrogram features. Apnea classification was modestly accurate, using either clinical or spectrogram features, and showed lower sensitivity and higher specificity than common sleep apnea screening tools. Thus, clinical prediction of sleep apnea may be feasible with easily obtained demographic and electrocardiographic analysis, but the utility of the Epworth is questioned by its minimal relation to clinical, electrocardiographic, or polysomnographic features.