一种新型最小侵入性、基于智能手机的软件设备用于预测睡眠呼吸暂停及其严重程度的验证：横断面研究
信号处理
2024-06-26 v1 计算与语言
摘要
阻塞性睡眠呼吸暂停(OSA)常见且导致心血管并发症和过度日间嗜睡。由于难以获取诊断金标准多导睡眠图(PSG)，OSA常被低诊断。基于智能手机传感器的替代方法可能有助于提高诊断率。本研究旨在评估Apneal应用程序的性能，该应用利用智能手机麦克风记录声音，并通过智能手机的加速度计和陀螺仪记录运动，以估计患者的AHI。本文进行了单中心概念证研究，首先进行手动打分，然后使用基于深度学习的顺序模型自动检测呼吸事件（该模型于2022年底在Apneal内部发布，版本为0.1版Apneal呼吸事件自动打分），在住院期间的成人患者进行PSG。46例患者（女性34%，平均BMI为28.7 kg/m²）被纳入研究。对于AHI>15的人群，手动打分的灵敏度为0.91，阳性预测值(PPV)为0.89。对于AHI>30的人群，灵敏度为0.85，PPV为0.94。我们获得的AUC-ROC为0.85，AUC-PR为0.94用于识别AHI>15的人群，以及AUC-ROC为0.95，AUC-PR为0.93用于识别AHI>30的人群。对自动事件标记取得了有前景的結果。这篇文章表明，手动对基于智能手机的信号进行打分是可能且准确的，与PSG-based打分相当。基于深度学习模型的自动打分方法取得了有前景的結果。需要更大规模的多中心验证研究，涉及不同严重程度的SAHS患者，以确认这些结果。
引用
@article{arxiv.2406.16953,
title = {Validation of a new, minimally-invasive, software smartphone device to predict sleep apnea and its severity: transversal study},
author = {Justine Frija and Juliette Millet and Emilie Bequignon and Ala Covali and Guillaume Cathelain and Josselin Houenou and Helene Benzaquen and Pierre Alexis Geoffroy and Emmanuel Bacry and Mathieu Grajoszex and Marie-Pia d Ortho},
journal= {arXiv preprint arXiv:2406.16953},
year = {2024}
}
备注
21 pages, 6 figures