机器学习预测远程医疗管理中的PAP呼吸机依从性（1078）

介绍

持续正压气道通气（CPAP呼吸机）是阻塞性睡眠呼吸暂停的最佳治疗方法，但是受到依从性差的限制。Fairview睡眠程序可以积极跟踪PAP呼吸机的使用情况和结果，并采用远程医疗指导来提高PAP依从性。采用这种方法，6个月的PAP呼吸机依从率达到71％。但是，该程序需统一应用并且劳动强度大，会错过某些患者，而又可能与不必要的患者联系。机器学习可以通过早期对治疗轨迹的识别来促进有效的患者接触策略。

方法

我们构建了151-180天的依从性Compliance（在≥70％的天数里每天使用≥4小时）和依从性Adherence（平均每天使用≥4小时/天）的预测模型。将第1-30天（标准）期间的依从性Compliance和依从性Adherence与根据当前远程医疗联系协议选择的两个预测间隔进行比较：第1-13天（13天）和1-30天（30天）。用于预测的患者数据包括人口统计学、健康信息、问卷和每日PAP指标。使用特征选择算法来找到最佳特征以提高预测精度。使用支持向量机和随机森林学习方法。

结果

该组（N = 3588）的人口统计学信息包括平均年龄53.3（标准差SD12.9）岁，BMI 36.5（8.0）kg / m2和基线AHI 38.3（30.4）事件/小时； 男性比例为68％。对于依从性Compliance结果，标准30天依从性与D13和D30相比，阳性预测值（PPV）分别为0.716、0.732和0.765，而阴性预测值（NPV）分别为0.718、0.694和0.707。对于依从性Adherence结果，标准30天依从性与D13和D30相比，阳性预测值（PPV）分别为0.781、0.782和0.806，而阴性预测值（NPV）分别为0.675、0.697和0.686。两种结果的准确性从标准到D13到D30均提高。基线特征和每日CPAP呼吸机指标对绩效有积极贡献。

结论

我们演示了一种基于机器学习的有效方法，该方法可以根据早期PAP呼吸机的使用情况预测长期的PAP依从性，并且在两周前可以进行类似的预测。最初的机器学习成果比标准预测指标提高了性能。进一步完善将使用不同的加权/成本函数、高级学习方法和非二分法模型来提高性能。这种学习模型很容易在大多数电子健康记录（EHR）中本地化并实现。制定长期依从性的预测指标将有助于量身定制对患者的随访和及时护理。

（叶妮摘自 Sleep, Volume 41, Issue suppl_1, April 2018, Pages A400–A401）