Jun, 2024

多层次心血管疾病与阻塞性睡眠呼吸暂停症共病现象的表型模型：一项纵向威斯康辛睡眠队列研究

PDF
TL;DR利用密集睡眠期患者的数据，本研究引入一种新型的多层次表型模型，分析这些疾病随时间的进展和相互作用，并通过树状模型进行特征重要性分析，发展混合效应模型，应用 t 分布随机邻居嵌入和高斯混合模型对患者数据进行分群，阐明了心血管疾病和阻塞性睡眠呼吸暂停的动态关系，为预测疾病发生和个体化治疗提供有价值的工具。
cardiovascular diseasesobstructive sleep apneaphenotypic modeldiagnostic accuracydisease progression
发现论文，激发创造
  • 基于熵指数量化的心率 - 血压耦合来区分阻塞性睡眠呼吸暂停患者与健康对照组

    我们引入一种基于熵的分类方法 (ECPS) 用于量化心率和逐拍血压记录中的相互依赖关系。该方法的目的是为每个主体获取两个交织数据系列组成的数据，并基于序数模式和类似熵的指数构建一个分类器。使用机器学习选取最适合我们分类问题的一组指数，以便建立一个对于区分患有阻塞性睡眠呼吸暂停症的患者和对照组的最优且简单的模型。

    Nov, 2023

  • 使用变形金刚模型基于电子医疗记录预测阻塞性睡眠呼吸暂停的治疗费用

    使用两个 Transformer 模型，结合患者足够长的访问历史和多种情境，预测阻塞性睡眠呼吸暂停患者接下来一年的访问费用，以帮助医疗决策者进行精细的财务管理和预算分配。

    Jan, 2023

  • 验证一种新的、微创的、软件智能手机设备用于预测睡眠呼吸暂停和其严重程度的横断性研究

    通过使用智能手机传感器，本研究旨在评估使用 Apneal 应用程序检测患者 AHI 的性能，并通过一个基于深度学习模型的自动化方法准确评分。手动评分相对于 PSG 评分表明智能手机信号的手动评分是可行且准确的，而基于深度学习模型的自动评分方法提供了有希望的结果。需要进行更大的多中心验证研究以确认这些结果。

    Jun, 2024

  • 通过深度时间插值和聚类网络在生理特征上识别急性疾病表型

    通过研究对医院入院的最初几个小时进行聚类分析，提取生命体征数据，确定患者表型与病理生理特征及结果，以支持早期临床决策，对分析重现性和与生物标志物的相关性使用了一个规模较大的数据集。

    Jul, 2023

  • 利用光电容积脉搏波和深度学习预测心血管疾病风险

    通过使用智能手机上的 PPG 感应技术，我们建立了一种基于深度学习的 CVD 风险预测模型，可预测十年内患心血管疾病的可能性，该模型采用年龄、性别、吸烟状态和 PPG 等因素作为预测因子，可在医疗资源有限的地区提供一种基于社区的初级预防方法。

    May, 2023

  • 使用单导联心电图信号的新型基于深度学习的睡眠呼吸暂停检测方法

    提出了一种基于 S 峰检测的特征提取方法，使用单导联 ECG 来增强睡眠呼吸暂停的检测，并使用卷积神经网络进行训练，实现了比现有方法更高的准确性和敏感度，并表明该机器学习系统有望成为检测睡眠呼吸暂停的有效方法。

    Aug, 2022

  • JointViT：基于联合监督的模型化低频 OCTA 氧饱和度水平

    提出了基于 Vision Transformer 架构的 JointViT 模型，结合联合损失函数进行监督，通过对 OCTA 数据集的全面实验，显著优于其他先进方法，为未来利用 OCTA 诊断睡眠相关疾病奠定了基础。

    Apr, 2024

  • 一个包含 21,412 个记录的多模态睡眠与呼吸研究数据集

    本研究介绍了从家庭睡眠呼吸暂停监测中获得的富有价值的数据集，该数据集使用 FDA 认证的 WatchPAT-300 设备，收集了 7,077 名参与者在 21,412 个夜晚的数据，包括原始的传感器多通道时间序列，注释的睡眠事件以及与睡眠结构、睡眠呼吸暂停和心率变异性相关的 447 个特征的计算摘要统计信息。我们还介绍了按照年龄和性别分层的 AHI、睡眠效率、入睡后唤醒时间以及心率变异性样本熵的参考值。此外，我们还证明了该数据集在包括身体成分、骨密度、血糖水平和心血管健康等各种与健康相关的特征的预测能力方面的改进。这些结果展示了该数据集在推动睡眠研究、个性化医疗以及生物医学中的机器学习应用方面的潜力。

    Nov, 2023

  • 多模式睡眠呼吸暂停检测

    在本研究中，我们提出了一个综合的流程，用于在进行睡眠呼吸暂停检测时弥补缺失或嘈杂的模态。与其他现有研究不同，我们的模型可以使用任意组合的可用模态，并在各种可用数据子集和不同的噪声水平下优于其他先进方法，即使在高水平的噪声或缺失情况下，其性能仍保持较高（AUROC>0.9）。这在噪声和缺失水平较高的情况下（如儿科或诊所外的场景）尤为重要。

    Feb, 2024

  • STREAMLINE：一个面向生物医学的自动机器学习流水线，应用于检验基于摄影特征对 OSA 预测在国际睡眠中心的实用性

    使用 STREAMLINE 方法，这项研究探索了基于摄影的表型特征在预测阻塞性睡眠呼吸暂停（OSA）中的应用价值，结果发现摄影特征在预测中重度 / 严重 OSA 方面提供了额外的价值，但没有超越传统人口统计学、并发症和症状特征在预测 OSA 中的效果。

    Dec, 2023