著名医師による解説が無料で読めます
すると翻訳の精度が向上します
この研究は、小児閉塞性睡眠時無呼吸（OSA）の診断を支援するために、気流信号（AF）の自動分析に焦点を当てました。したがって、私たちの目的は、（i）離散ウェーブレット変換（DWT）アプローチを使用して一晩のAF特性を特徴付けること、（ii）診断効用を評価するために、（iii）3％酸素解凍指数（ODI3）。これらの目標を達成するために、（i）DWT由来の特徴抽出、（ii）特徴選択、（iii）パターン認識の3つの段階で946の一晩小児AF録音を分析しました。OSA患者からのAF記録は、より低い細部係数と通常の呼吸帯に関連する活性の低下の両方を示しました。ウェーブレット分析により、OSAがAF信号の頻度とエネルギー分布を妨害し、その不規則性が増加することも明らかになりました。さらに、ウェーブレット分析から得られた情報は、ODI3を相補的でした。この点で、ウェーブレット情報とODI3の両方の組み合わせは、一般的なOSA陽性カットオフを使用して高い診断精度を達成しました：77.97％、81.91％、および90.99％（ADABOOST.M2）、および81.96％、82.14％、および90.69％（90.69％（それぞれ1、5、および10のapneicイベント/時間のベイジアン多層パーセプトロン）。したがって、これらの発見は、DWTが夜行性AFに埋め込まれたOSA関連の重症度を適切に特徴付け、小児OSAの診断を簡素化できることを示唆しています。
この研究は、小児閉塞性睡眠時無呼吸（OSA）の診断を支援するために、気流信号（AF）の自動分析に焦点を当てました。したがって、私たちの目的は、（i）離散ウェーブレット変換（DWT）アプローチを使用して一晩のAF特性を特徴付けること、（ii）診断効用を評価するために、（iii）3％酸素解凍指数（ODI3）。これらの目標を達成するために、（i）DWT由来の特徴抽出、（ii）特徴選択、（iii）パターン認識の3つの段階で946の一晩小児AF録音を分析しました。OSA患者からのAF記録は、より低い細部係数と通常の呼吸帯に関連する活性の低下の両方を示しました。ウェーブレット分析により、OSAがAF信号の頻度とエネルギー分布を妨害し、その不規則性が増加することも明らかになりました。さらに、ウェーブレット分析から得られた情報は、ODI3を相補的でした。この点で、ウェーブレット情報とODI3の両方の組み合わせは、一般的なOSA陽性カットオフを使用して高い診断精度を達成しました：77.97％、81.91％、および90.99％（ADABOOST.M2）、および81.96％、82.14％、および90.69％（90.69％（それぞれ1、5、および10のapneicイベント/時間のベイジアン多層パーセプトロン）。したがって、これらの発見は、DWTが夜行性AFに埋め込まれたOSA関連の重症度を適切に特徴付け、小児OSAの診断を簡素化できることを示唆しています。
This study focused on the automatic analysis of the airflow signal (AF) to aid in the diagnosis of pediatric obstructive sleep apnea (OSA). Thus, our aims were: (i) to characterize the overnight AF characteristics using discrete wavelet transform (DWT) approach, (ii) to evaluate its diagnostic utility, and (iii) to assess its complementarity with the 3% oxygen desaturation index (ODI3). In order to reach these goals, we analyzed 946 overnight pediatric AF recordings in three stages: (i) DWT-derived feature extraction, (ii) feature selection, and (iii) pattern recognition. AF recordings from OSA patients showed both lower detail coefficients and decreased activity associated with the normal breathing band. Wavelet analysis also revealed that OSA disturbed the frequency and energy distribution of the AF signal, increasing its irregularity. Moreover, the information obtained from the wavelet analysis was complementary to ODI3. In this regard, the combination of both wavelet information and ODI3 achieved high diagnostic accuracy using the common OSA-positive cutoffs: 77.97%, 81.91%, and 90.99% (AdaBoost.M2), and 81.96%, 82.14%, and 90.69% (Bayesian multi-layer perceptron) for 1, 5, and 10 apneic events/hour, respectively. Hence, these findings suggest that DWT properly characterizes OSA-related severity as embedded in nocturnal AF, and could simplify the diagnosis of pediatric OSA.
医師のための臨床サポートサービス
ヒポクラ x マイナビのご紹介
無料会員登録していただくと、さらに便利で効率的な検索が可能になります。