抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
目的:本研究は,危険因子サブタイプを考慮することによって閉塞性睡眠時無呼吸(OSA)リスクを分類するための機械学習ベースのアンケート(BASH-GN)を開発することを目的とする。【方法】研究包含基準を満たした合計4,527人の参加者を,睡眠心臓健康研究Visit 1(SHHS1)データベースから選択した。Wisconsin Slee Cohort(WSC)からの1120の記録は,独立した試験データセットとして役立った。無呼吸低呼吸指数(AHI)[≧]15/hの参加者は,高いOSAリスクと考えられた。各因子およびAHI間の相互情報を用いて潜在的危険因子をランク付けし,トップ50%だけを選択した。被験者を,リスクスコアに従って,2つの異なる群,低および高表現型群に分類した。次に,OSAリスク予測の2つの異なるサブタイプのための2つのロジスティック回帰分類器から成る機械学習ベースのアンケートであるBASH-GNを開発した。【結果】SHHS1試験セット(n=1237)とWSCセット(n=1120)に関するBASH-GNを評価し,4つの一般的に使用されるOSAスクリーニングアンケート,4つのVariable,Epworth眠気尺度,Berlin,およびSTOP-BANGとの性能を比較した。モデルは,受信機運転特性(AUROC)下の面積と精度-再現曲線(AURC)下の面積に関する両試験セットに関して,これらのアンケートを凌駕した。モデルはAUROC(SHHS1:0.78,WSC:0.76)とAUPRC(SHHS1:0.72,WSC:0.74)をそれぞれ達成した。アンケートは,OSAリスクを評価するとき,OSAサブタイプを考慮するhttps://c2ship.org/bash gn結語で利用可能であり,OSAスクリーニングの精度を改善できる。【JST・京大機械翻訳】