利用数字血氧仪生物标志物进行慢性阻塞性肺疾病夜间诊断的机器学习方法
信号处理
2020-12-11 v1 机器学习
摘要
目的：慢性阻塞性肺疾病（COPD）是一种高度流行的慢性疾病。COPD是发病、死亡和医疗成本的主要来源。肺活量测定是COPD确诊与严重程度分级的金标准检测。然而，大量COPD个体未被诊断且未治疗。鉴于COPD的高患病率及其临床重要性，开发新算法以识别未诊断的COPD至关重要，尤其是在特定风险群体中，例如患有睡眠呼吸障碍者。据我们所知，尚无研究考察从夜间血氧仪时间序列诊断COPD的可行性。方法：我们假设COPD患者会表现出其夜间血氧仪时间序列中特有的某种模式和/或动态。我们引入一种利用44个血氧仪数字生物标志物与5个人口统计学特征进行夜间COPD诊断的新方法，并在有睡眠呼吸障碍风险的人群样本中评估其性能。共n=350例独特患者的多导睡眠图（PSG）记录。使用这些特征训练随机森林（RF）分类器，并采用嵌套交叉验证流程评估。意义：我们的研究做出了若干新颖科学贡献。首先，我们首次证明了在有睡眠呼吸障碍风险的人群样本中从夜间血氧仪时间序列诊断COPD的可行性。我们强调了哪些数字血氧仪生物标志物最能反映COPD在夜间的表现。结果激励表明，夜间单通道血氧仪是COPD诊断的一条有价值途径。
引用
@article{arxiv.2012.05492,
title = {Machine learning for nocturnal diagnosis of chronic obstructive pulmonary disease using digital oximetry biomarkers},
author = {Jeremy Levy and Daniel Alvarez and Felix del Campo and Joachim A. Behar},
journal= {arXiv preprint arXiv:2012.05492},
year = {2020}
}
备注
34 pages, 9 figures