CPAP呼吸机治疗中的计算表型：使用可解释的基于生理学的机器学习模型预测CPAP呼吸机治疗压力（0543）
介绍
使用家庭睡眠研究时，需要确定开始CPAP呼吸机治疗能使AHI <5的压力。我们的做法是将预测方程式与睡眠医生的临床判断相结合。这种方法可使85％的患者在最终治疗压力的±2 cmH2O范围内产生推荐的治疗压力。本研究我们试图确定使用机器学习模型（使用家庭睡眠研究中的现成变量）是否可以整合预测方程式和医生的判断，并得出类似的、准确的CPAP呼吸机治疗压力推荐。
方法
我们对15-99岁（M±SD = 54±13.9岁）的患者（N = 7,794）完成了诊断性家庭睡眠呼吸暂停测试，并对他们进行了横断面分析。可解释的生理和临床特征从数据集中得出，并根据每个患者解释医师的处方治疗压力设置来预测CPAP呼吸机治疗压力。使用随机10倍交叉验证评估预测性能。优化了包括随机森林和深度神经网络（Random Forests and Deep Neural Networks）在内的机器学习技术，以对可解释特征与最佳CPAP呼吸机治疗压力之间的关系进行建模。
结果
随机森林在预测最佳CPAP呼吸机治疗压力±2 cmH2O方面表现最佳，平均准确度为97.8％。按基尼系数排名的前10个变量包括BMI，AHI，颈围，ODI，最长呼吸暂停，年龄，打鼾时间以及其他与睡眠呼吸暂停相关的变量。进行OLS回归以估计机器学习预测的CPAP呼吸机压力和临床处方CPAP呼吸机压力之间的关系强度，得出的R平方值为0.888。回归分析的总体显着性的F检验的P值被观察为<0.05，这证实了R平方估计具有统计学意义。
结论
可解释的机器学习模型显示出有望作为确定CPAP呼吸机治疗压力的另一种方法。遵循最初的处方，此方法使虚拟现实AI技术有了新的应用，可以在长期协助监测和完善CPAP呼吸机压力设置。
（叶妮摘自Sleep, Volume 42, Issue Supplement_1, April 2019, Page A217）
