目的使用XGBoost算法建立阻塞性睡眠呼吸暂停(OSA)的机器学习预测模型。方法纳入680例于首都医科大学附属北京同仁医院行整夜多道睡眠图监测患者,收集其性别、年龄、颈围以及体质量指数(body mass index,BMI)、夜间最低血氧饱和度、夜...目的使用XGBoost算法建立阻塞性睡眠呼吸暂停(OSA)的机器学习预测模型。方法纳入680例于首都医科大学附属北京同仁医院行整夜多道睡眠图监测患者,收集其性别、年龄、颈围以及体质量指数(body mass index,BMI)、夜间最低血氧饱和度、夜间平均血氧饱和度、3%氧减指数等信息,作为机器学习的输入特征,以XGBoost算法建立OSA的自动预测模型,并与其他几种常用的机器学习算法(如支持向量机、随机森林、决策树等)建立的模型结果进行对比。结果在四分类(正常受试者,轻度、中度、重度OSA)中,XGBoost分类器在所有算法中表现最好,综合分类准确率为93.4%,F1值得分分别为94.7%、78.7%、86.7%、98.1%,ROC曲线下面积(AUC)分别为98.0%、85.0%、92.0%和98.0%。结论基于XGBoost算法成功建立成人OSA预测模型,可用于临床OSA的诊断与筛查。展开更多
文摘目的使用XGBoost算法建立阻塞性睡眠呼吸暂停(OSA)的机器学习预测模型。方法纳入680例于首都医科大学附属北京同仁医院行整夜多道睡眠图监测患者,收集其性别、年龄、颈围以及体质量指数(body mass index,BMI)、夜间最低血氧饱和度、夜间平均血氧饱和度、3%氧减指数等信息,作为机器学习的输入特征,以XGBoost算法建立OSA的自动预测模型,并与其他几种常用的机器学习算法(如支持向量机、随机森林、决策树等)建立的模型结果进行对比。结果在四分类(正常受试者,轻度、中度、重度OSA)中,XGBoost分类器在所有算法中表现最好,综合分类准确率为93.4%,F1值得分分别为94.7%、78.7%、86.7%、98.1%,ROC曲线下面积(AUC)分别为98.0%、85.0%、92.0%和98.0%。结论基于XGBoost算法成功建立成人OSA预测模型,可用于临床OSA的诊断与筛查。
文摘目的探讨年龄校正Charlson共病指数(age-adjusted Charlson comorbidity index,ACCI)对老年阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)患者的预后预测价值。方法连续纳入2015年1月至2017年10月6家医院睡眠中心就诊的老年OSA患者1183例。根据ACCI临界值分为低ACCI组847例(ACCI<5分)和高ACCI组336例(ACCI≥5分)。从诊疗记录中获得人口统计学特征、临床特征、睡眠参数和病史等情况,计算ACCI,并对患者进行随访,以全因死亡为主要结局。绘制ROC曲线,计算曲线下面积(area under the curve,AUC),以5分为临界值,采用对数秩检验和Cox比例风险回归模型进行分析。结果中位43个月随访中,死亡63例(5.3%)。ROC曲线分析显示,最佳的ACCI临界值为4.5分,AUC为0.70(95%CI:0.63~0.77,P<0.01)。与低ACCI组比较,高ACCI组年龄、体质量指数、吸烟、饮酒、高血压、平均呼吸暂停时间、肌酐、胱抑素C、血小板平均容积、全因病死率明显升高,平均脉搏血氧饱和度、最低脉搏血氧饱和度明显降低,差异有统计学意义(P<0.05,P<0.01)。多因素Cox回归分析显示,总睡眠时间(HR=1.258,95%CI:1.053~1.503,P=0.011)、红细胞平均体积(HR=1.047,95%CI:1.007~1.087,P=0.019)和ACCI(HR=1.585,95%CI:1.384~1.815,P=0.001)是老年OSA患者全因死亡的独立预测因素。Kaplan-Meier生存分析显示,高ACCI组和低ACCI组6年生存率分别为56.0%和92.2%。不同性别和OSA严重程度分析显示,低ACCI组累积生存率明显高于高ACCI组(Plog rank<0.01)。校正混杂变量后,高ACCI组死亡风险是低ACCI组的3.32倍(95%CI:1.91~5.77,P<0.01)。结论ACCI是老年OSA患者全因死亡的危险预测因素。ACCI可以为老年OSA患者相关临床治疗的选择提供参考。