呼吸信号の非線形分析による閉塞性睡眠時無呼吸のための意思決定支援システムの評価

はじめに：閉塞性睡眠時無呼吸（OSA）は、診断のためにポリソムノグラフィーを消費する時間/お金を必要とする一般的な睡眠障害です。初期評価のための代替方法が求められています。私たちの目的は、睡眠中の呼吸器バイオシグナルの非線形分析に基づいて、OSAに潜在的に苦しむ患者における無呼吸麻痺指数（AHI）の予測でした。これは、障害の病態生理学に関連する方法です。 材料と方法：睡眠ユニット（135）に紹介された患者は、完全なポリソムノグラフィを受けました。3つの非線形インデックス（最大のリアプノフ指数、抑た変動分析、エントロピー近似エントロピー）（鼻カニューレからの気流、胸部運動からの気流）と酸素飽和から派生した1つの線形が、AHIの予測モデルの作成のためのコンテンポラリー分類アルゴリスムを備えたデータマイニングアプリケーションへの入力を提供しました。 結果：線形回帰モデルは、AHIの予測に0.77の相関係数を示しました。ahi = 8のカットオフ値では、患者と正常な被験者の間の識別において、感度と特異性は93％と71.4％でした。患者と正常の差別の決定ツリーは、それぞれ91％と60％の感度と特異性を持っていました。得られた特定の非線形値は、OSAに苦しむ人々の一般的に受け入れられている生理学的パラメーターと有意に相関しています。 議論：3つの呼吸記録から抽出された非線形特徴を備えた単純な線形方程式と追加の決定ツリーを使用して、OSAの存在/重症度の予測モデルを開発しました。方法論の精度は高く、調査結果は症候群の根本的な病態生理学への洞察を提供します。 結論：睡眠中の3つの呼吸信号のみからの線形および非線形指数を使用して、OSAの信頼できる予測が可能です。提案されたモデルは、OSAの病態生理学のより良い研究につながり、実際の低コストの方法論を利用してOSAの疑いのある患者の初期評価/フォローアップを促進する可能性があります。 試験登録：ClinicalTrials.gov NCT01161381。

INTRODUCTION: Obstructive Sleep Apnea (OSA) is a common sleep disorder requiring the time/money consuming polysomnography for diagnosis. Alternative methods for initial evaluation are sought. Our aim was the prediction of Apnea-Hypopnea Index (AHI) in patients potentially suffering from OSA based on nonlinear analysis of respiratory biosignals during sleep, a method that is related to the pathophysiology of the disorder. MATERIALS AND METHODS: Patients referred to a Sleep Unit (135) underwent full polysomnography. Three nonlinear indices (Largest Lyapunov Exponent, Detrended Fluctuation Analysis and Approximate Entropy) extracted from two biosignals (airflow from a nasal cannula, thoracic movement) and one linear derived from Oxygen saturation provided input to a data mining application with contemporary classification algorithms for the creation of predictive models for AHI. RESULTS: A linear regression model presented a correlation coefficient of 0.77 in predicting AHI. With a cutoff value of AHI = 8, the sensitivity and specificity were 93% and 71.4% in discrimination between patients and normal subjects. The decision tree for the discrimination between patients and normal had sensitivity and specificity of 91% and 60%, respectively. Certain obtained nonlinear values correlated significantly with commonly accepted physiological parameters of people suffering from OSA. DISCUSSION: We developed a predictive model for the presence/severity of OSA using a simple linear equation and additional decision trees with nonlinear features extracted from 3 respiratory recordings. The accuracy of the methodology is high and the findings provide insight to the underlying pathophysiology of the syndrome. CONCLUSIONS: Reliable predictions of OSA are possible using linear and nonlinear indices from only 3 respiratory signals during sleep. The proposed models could lead to a better study of the pathophysiology of OSA and facilitate initial evaluation/follow up of suspected patients OSA utilizing a practical low cost methodology. TRIAL REGISTRATION: ClinicalTrials.gov NCT01161381.