JMIR medical informatics
2026-05-08
Wielowymiarowa oksymetria oparta na uczeniu maszynowym w przesiewie obturacyjnego bezdechu sennego: opracowanie i zewnętrzna walidacja
Machine Learning-Based Multidimensional Oximetry for Obstructive Sleep Apnea Screening: Development and External Validation.
Recenzja AI
Cel badania
Celem badania było stworzenie i zewnętrzne zwalidowanie modelu uczenia maszynowego opartego na parametrach z pulsoksymetrii do przesiewowego wykrywania obturacyjnego bezdechu sennego oraz ocena jego działania w zależności od płci i wieku.
Metoda
Analizowano osiem parametrów z nocnej pulsoksymetrii (m.in. ODI, hypoxic burden, ST90) u pacjentów poddanych polisomnografii i domowym badaniom snu, trenując sześć algorytmów uczenia maszynowego, z głównym punktem końcowym F1-score i analizą interpretowalności (SHAP, ważność cech).
Wyniki
Najlepszy model z czterema parametrami (ODI, hypoxic burden, minimalne SpO2, ST90) osiągnął F1=0,95 i AUC=0,99, wyraźnie przewyższając modele jednoparametrowe; kluczowymi predyktorami były ODI, hypoxic burden i minimalne SpO2, a algorytm categorical boosting zachował wysoką skuteczność także w zewnętrznej walidacji i podgrupach wiekowo-płciowych.
Znaczenie dla praktyki
Wieloparametrowa analiza danych z prostego nocnego pulsoksymetru, wsparta uczeniem maszynowym, może stać się w Polsce efektywnym, niskokosztowym narzędziem przesiewowym OSA w POZ, AOS, farmacji klinicznej i rehabilitacji. Zastosowanie strategii różnicowanych według płci i wieku może poprawić trafność kwalifikowania chorych do pełnej diagnostyki polisomnograficznej i usprawnić wykorzystanie ograniczonych zasobów pracowni snu.
Abstrakt oryginalny
BACKGROUND: Obstructive sleep apnea (OSA) affects nearly one billion people globally and poses a substantial public health threat. Effective and accessible methods for OSA risk identification are urgently needed. OBJECTIVE: This study aims to develop and externally validate a machine learning model derived from multi-parameter pulse oximetry (SpO2) for OSA screening, and to evaluate its performance, interpretability, and robustness across sex and age subgroups. METHODS: Of 4156 screened participants, 2195 underwent polysomnography (internal cohort) and 446 received home sleep apnea testing (external cohort). Eight SpO2-derived parameters, including oxygen desaturation index (ODI), hypoxic burden (HB), and ST90 (percentage of sleep time with SpO2 < 90%), were used to construct models. Six machine learning algorithms were trained, with F1-score as the primary metric and area under the curve as the secondary metric. Model interpretability was assessed using Shapley additive explanations and intrinsic feature importance scores. RESULTS: Nonlinear parameter-risk relationships were observed between oximetry indices and OSA probability. The 4-parameter ODI-HB-MinSpO2-ST90 model achieved optimal performance (F1-score = 0.9516, area under the curve = 0.9879), surpassing all single-parameter models. Shapley additive explanations analysis identified ODI, HB, and MinSpO2 as key predictors. The ODI-HB-MinSpO2-MeanSpO2 configuration demonstrated superior performance in female and younger subgroups, whereas the ODI-HB-MinSpO2-ST90 model remained optimal for male and older participants. Categorical boosting outperformed other algorithms across multiple metrics and remained robust in both subgroup and external validation analyses. CONCLUSIONS: The multi-parameter oximetry model based on the categorical boosting algorithm provides a simple and accurate tool for OSA screening. Sex- and age-stratified strategies can further enhance its clinical applicability.