CPAP呼吸機治療中的計算表型：使用可解釋的基于生理學的機器學習模型預測CPAP呼吸機治療壓力（0543）
介紹
使用家庭睡眠研究時，需要確定開始CPAP呼吸機治療能使AHI <5的壓力。我們的做法是將預測方程式與睡眠醫生的臨床判斷相結合。這種方法可使85％的患者在最終治療壓力的±2 cmH2O范圍內產生推薦的治療壓力。本研究我們試圖確定使用機器學習模型（使用家庭睡眠研究中的現成變量）是否可以整合預測方程式和醫生的判斷，并得出類似的、準確的CPAP呼吸機治療壓力推薦。
方法
我們對15-99歲（M±SD = 54±13.9歲）的患者（N = 7,794）完成了診斷性家庭睡眠呼吸暫停測試，并對他們進行了橫斷面分析�？山忉尩纳砗团R床特征從數據集中得出，并根據每個患者解釋醫師的處方治療壓力設置來預測CPAP呼吸機治療壓力。使用隨機10倍交叉驗證評估預測性能。優化了包括隨機森林和深度神經網絡（Random Forests and Deep Neural Networks）在內的機器學習技術，以對可解釋特征與最佳CPAP呼吸機治療壓力之間的關系進行建模。
結果
隨機森林在預測最佳CPAP呼吸機治療壓力±2 cmH2O方面表現最佳，平均準確度為97.8％。按基尼系數排名的前10個變量包括BMI，AHI，頸圍，ODI，最長呼吸暫停，年齡，打鼾時間以及其他與睡眠呼吸暫停相關的變量。進行OLS回歸以估計機器學習預測的CPAP呼吸機壓力和臨床處方CPAP呼吸機壓力之間的關系強度，得出的R平方值為0.888�；貧w分析的總體顯著性的F檢驗的P值被觀察為<0.05，這證實了R平方估計具有統計學意義。
結論
可解釋的機器學習模型顯示出有望作為確定CPAP呼吸機治療壓力的另一種方法。遵循最初的處方，此方法使虛擬現實AI技術有了新的應用，可以在長期協助監測和完善CPAP呼吸機壓力設置。
（葉妮摘自Sleep, Volume 42, Issue Supplement_1, April 2019, Page A217）
