Validering af Belun Ring Gen3 Deep Learning Algoritmer med subxiphoid kropssensor

Hypotese: BR's Gen3 DL-algoritmer, kombineret med dens subxiphoide kropssensor, kan nøjagtigt diagnosticere OSA, kategorisere dens sværhedsgrad, identificere REM OSA og liggende OSA og detektere central søvnapnø (CSA).

Primært mål:

At nøje evaluere den overordnede ydeevne af BR med Gen3 DL-algoritmer og subxiphoid kropssensor ved vurdering af SDB hos personer, der henvises til søvnlaboratorier med klinisk mistanke om søvnapnø og en STOP-Bang-score > 3, ved at sammenligne med den deltog i laboratoriet PSG, guldstandarden.

Sekundære mål:

For at bestemme nøjagtigheden af ​​BR-søvnstadieparametre ved hjælp af Gen3 DL-algoritmerne ved at sammenligne med PSG i laboratoriet;

At vurdere nøjagtigheden af ​​BR arytmidetektionsalgoritmen;

At vurdere virkningen af ​​CPAP på HRV (både tids- og frekvensdomæne), delta HR, hypoxisk byrde og PWADI under split night-studier;

For at vurdere, om nogen af ​​baseline HRV-parametrene (både tids- og frekvensdomæne), delta-puls (omtalt som Delta HR), hypoxisk belastning og pulsbølgeamplitudefaldsindeks (PWADI) eller ændringen af ​​disse parametre kan forudsige CPAP-overholdelse;

At evaluere minimumsvarigheden af ​​kvalitetsdata, der er nødvendige for, at BR kan opnå OSA-diagnose;

At undersøge ydeevnen af ​​OSA-screeningsværktøjer ved hjælp af OSA-prædiktive AI-modeller formuleret af National Taiwan University Hospital (NTUH) og Northeast Ohio Medical University (NEOMED).