ScreenOX - En automatisk hjemmescreeningstest for søvnapné for voksne ved bruk av nattlig oksymetri (ScreenOX)

Deltakerne rekrutteres fra de spesialiserte søvnpoliklinikkene til Río Hortega universitetssykehus fra Valladolid (Spania). Alle pasienter henvises fra primærhelsetjenesten på grunn av moderat til høy klinisk mistanke om å lide av søvnapné-hypopné-syndrom (SAHS). Den endelige populasjonen deles tilfeldig inn i to uavhengige datasett: 1) treningssett (50 %), som brukes til å designe og bygge/trene screeningsalgoritmene; og 2) testsettet (resterende 50%), som brukes til å vurdere ytelsen ytterligere ved å bruke usynlige data.

American Academy of Sleep Medicine-reglene brukes til å score respiratoriske hendelser og for å få apné-hypopné-indeksen (AHI) fra ambulerende PSG hjemme, som brukes til å definitivt diagnostisere SAHS.

Et bærbart håndleddsbåret pulsoksymeter (WristOX2 3150, Nonin) brukes til NPO hjemme. Bærbar NPO utføres samtidig til ambulerende PSG (Embletta MPR, Natus) hjemme hos pasienten. I tillegg utføres deltatt bærbare NPO i laboratoriet (WristOX2 3150, Nonin) og in-lab PSG (E-Series, Compumedics) samtidig på sykehuset i en annen påfølgende/forrige natt for sammenligningsformål. Deltakerne blir tilfeldig tildelt til å utføre uovervåket søvnstudier hjemme før eller etter opptak på sykehus.

SpO2 og PR fra NPO registreres samtidig med en samplingshastighet på 1 Hz (1 prøve hvert sekund). Alle opptak lagres i separate filer og behandles offline. Et automatisk signalforbehandlingstrinn utføres for å fjerne gjenstander som skyldes pasientbevegelser (signaltap).

Signalbehandlingsmetodikken er delt inn i tre automatiserte trinn: (i) funksjonsekstraksjon, (ii) funksjonsvalg og (iii) mønstergjenkjenning.

For det første parametriseres NPO-opptak ved hjelp av et bredt sett av variabler, som tidligere demonstrerte en høy diskriminerende kraft i sammenheng med SAHS-deteksjon. Alle funksjoner beregnes for hver hele bærbare opptak over natten. Følgende funksjonsundersett er sammensatt:

• Tidsdomenestatistikk fra SpO2-opptak. Statistiske momenter av første til fjerde orden i tidsdomenet, dvs. aritmetisk gjennomsnitt, varians, skjevhet og kurtose, som kvantifiserer henholdsvis sentral tendens, mengde spredning, asymmetri og topphet.
• Tidsdomenefunksjoner fra PR-opptak: gjennomsnitt, standardavvik og rotmiddelkvadrat for standardavviket for puls-til-puls-intervallets tidsserie.
• Frekvensdomenestatistikk fra SpO2-opptak. Første til fjerde-ordens statistiske momenter, medianfrekvens og Shannon-spektralentropi fra kraftspektraltetthetsfunksjonen.
• Frekvensdomenestatistikk fra PR-opptak. Første til fjerde-ordens statistiske momenter, medianfrekvens og Shannon-spektralentropi fra kraftspektraltetthetsfunksjonen.
• Konvensjonelle spektrale mål fra SpO2-opptak. Total signaleffekt samt toppamplitude og relativ effekt i frekvensområdet 0,014 - 0,033 Hz.
• Konvensjonelle spektrale mål fra PR-opptak. Normalisert effekt i de lave (0,04 - 0,15 Hz) og i de høye (0,15 - 0,40 Hz) frekvensbåndene, samt forholdet mellom lav frekvens og høy frekvens (sympathovagal balanse).
• Ikke-lineære funksjoner fra SpO2-opptak. Prøveentropi, sentralt tendensmål og Lempel - Ziv-kompleksitet, som måler uregelmessighet, variabilitet og kompleksitet til SpO2-opptak.
• Ikke-lineære funksjoner fra PR-opptak. Eksempel på entropi, sentralt tendensmål og Lempel - Ziv-kompleksitet, som måler uregelmessighet, variabilitet og kompleksitet i PR-opptak.

Deretter blir det optimale funksjonsundersettet sammensatt av de mest relevante så vel som komplementære variablene sammensatt. For å oppnå dette målet brukes følgende funksjonsvalgmetoder:

• Fremover trinnvis funksjonsvalg
• Genetiske algoritmer
• Rask korrelasjonsbasert filter
• Minimum-redundans maksimal-relevans kriterium

Til slutt tilsvarer det tredje trinnet mønstergjenkjenning. Målet med denne fasen er todelt: (i) å designe og optimalisere binære klassifikasjonsorienterte modeller som er trent til å skille mellom SAHS-negative og SAHS-positive emner ved å bruke optimale funksjoner fra NPO; (ii) å designe og optimalisere regresjonsorienterte modeller som er trent til å estimere AHI ved å bruke optimale funksjoner fra NPO. For å oppnå dette målet vurderes følgende mønstergjenkjenningsalgoritmer:

• Binær klassifisering: logistisk regresjon, kunstige nevrale nettverk, Bayesianske nettverk, beslutningstrær, ensemblelæring (AdaBoost).
• Regresjonsmodeller: multippel lineær regresjon, kunstige nevrale nettverk, bayesianske nettverk, ensemblelæring (forsterkning av minste kvadrater).

Disse modellene blir deretter kombinert for å optimalisere følgende 2-trinns screeningsprotokoll: stadium-1) ekte negativ screeningstadium, som tar sikte på å oppdage maksimalt antall ikke-SAHS-individer samtidig som antallet falske negative pasienter minimeres (ideelt sett 0 % falskt). positiv rate); stadium-2) sann positiv screeningsstadium, som er rettet mot å oppdage (blant pasienter som ikke er identifisert som ekte negative i det første stadiet) det maksimale antallet sanne positive pasienter, samtidig som antallet falske positive tilfeller minimeres (ideelt sett 0 % falsk positive rate) . Begge stadier er komplementære og de implementeres fortløpende, slik at:

• Pasienter identifisert som ekte negative i den første fasen blir henvist til søvnspesialisten for å til slutt forkaste SAHS tatt i betraktning symptomer, komorbiditeter og tidligere klinisk historie. Disse pasientene kommer ikke lenger til søvnenheten med mindre søvnspesialisten ber om det på grunn av vedvarende og/eller tilleggssymptomer.
• Pasienter identifisert som sanne positive i det andre stadiet blir henvist til søvnspesialisten for å endelig bekrefte SAHS og bestemme det mest passende behandlingsalternativet. Disse pasientene kommer ikke lenger til søvnenheten med mindre søvnspesialisten ber om det.
• Ikke-konklusive tilfeller avledes til slutt til søvnenheten for en standard PSG for å bekrefte/forkaste SAHS.