XiaoMi-AI文件搜索系统
World File Search SystemApnea
与阻塞性睡眠呼吸暂停相关的大脑形态变化
目的：阻塞性睡眠呼吸暂停 (OSA) 会导致低氧血症和睡眠不连续，从而导致神经认知障碍。我们假设 OSA 患者的皮质灰质通常会在与记忆处理和学习相关的区域（特别是海马内）发生局部损失。方法：基于体素的形态测量技术（一种用于磁共振图像的自动处理技术）用于描述七名新诊断为 OSA 的右利手男性患者和七名非呼吸暂停男性对照者的灰质结构变化（这七名对照者的惯用手和年龄匹配）。结果：分析显示，呼吸暂停患者左侧海马内的灰质浓度显著降低（p = 0:004）。右侧海马和其他大脑区域未见进一步显著的局部灰质差异。呼吸暂停患者和对照组之间的总灰质体积没有差异。结论：这份初步报告表明 OSA 患者的大脑形态发生了变化，海马体是认知处理的关键区域。q 2003 Elsevier BV 保留所有权利。
患有阻塞性睡眠呼吸暂停的年轻患者的心血管风险
方法和结果：我们使用从2010年到2018年的数据链接了全国丹麦健康注册表，以确定与OSA≤50岁的患者的队列。无OSA的案例与对照相匹配（1：5）。 主要结果是任何心血管事件（包括高血压，糖尿病，心房颤动，缺血性心脏病，缺血性中风，心力衰竭和静脉血栓栓塞）。 全因死亡率是次要结果。 这项研究包括20例≤50岁的OSA患者（女性为19.6％；平均值±SD年龄为39.9±7.7岁）和80 314对照。 在5年的随访后，OSA患者中有31.8％出现了任何心血管事件，而对照组的16.5％，相应的相对风险（RR）为1.96（95％CI，1.90-2.02）。 在5年的随访中，OSA患者中有27.3％的患者出现了入射高压，而对照组的15.0％（RR，1.84 [95％CI，1.78-1.90]）。 发生的糖尿病发生在6.8％的OSA患者和1.4％的对照组中（RR，5.05 [95％CI，4.60–5.54]）。无OSA的案例与对照相匹配（1：5）。主要结果是任何心血管事件（包括高血压，糖尿病，心房颤动，缺血性心脏病，缺血性中风，心力衰竭和静脉血栓栓塞）。全因死亡率是次要结果。这项研究包括20例≤50岁的OSA患者（女性为19.6％；平均值±SD年龄为39.9±7.7岁）和80 314对照。在5年的随访后，OSA患者中有31.8％出现了任何心血管事件，而对照组的16.5％，相应的相对风险（RR）为1.96（95％CI，1.90-2.02）。在5年的随访中，OSA患者中有27.3％的患者出现了入射高压，而对照组的15.0％（RR，1.84 [95％CI，1.78-1.90]）。发生的糖尿病发生在6.8％的OSA患者和1.4％的对照组中（RR，5.05 [95％CI，4.60–5.54]）。
非心脏人群的睡眠呼吸暂停和突然死亡：系统评价
这是一篇文章的pdf文件，该文章在接受后经历了增强功能，例如添加封面和元数据，并为可读性而格式化，但尚未是记录的定义版本。此版本将在以最终形式发布之前进行其他复制，排版和审查，但是我们正在提供此版本以赋予本文的早期可见性。请注意，在生产过程中，可能会发现可能影响内容的错误，以及适用于期刊的所有法律免责声明。
一种可解释的 CNN-Transformer，用于使用 ECG 诊断儿童睡眠呼吸暂停
摘要 — 儿童阻塞性睡眠呼吸暂停 (OSA) 是一种常见的呼吸系统疾病，与心血管风险增加有关。标准诊断是多导睡眠图，但其复杂性、成本和不便性导致诊断不足。为了解决这种情况，我们首次提出了一种简化的替代方法，使用夜间心电图 (ECG) 和基于卷积神经网络和变压器网络的混合模型来估计儿童 OSA 的严重程度。此外，提出了梯度加权类激活映射 (GradCAM) 方法来解释模型结果。为了开展这项研究，使用了来自儿童腺样体扁桃体切除术试验 (CHAT) 和芝加哥大学 (UofC) 数据库的 2,591 条记录。该模型在 CHAT 中实现了 4 类 Cohen's Kappa 0.392，在 UofC 中实现了 0.346。 GradCAM 突出显示了心动过缓-心动过速模式、PQ 和 QT 段以及已识别的 U 波。因此，这种方法可以改善儿童 OSA 的诊断并提供新的相关心脏信息，从而鼓励在临床环境中采用自动化系统。
估算Apple Watch的呼吸障碍和睡眠呼吸暂停风险
本文介绍了睡眠呼吸暂停通知功能的开发和验证。Apple开发了Apple Watch算法，该算法使用加速度计数据来估计呼吸障碍，其中包括大量而多样化的培训集，其中包括Apple Watch同时记录的成年人和地面真相参考。这包括LAB内多症术（PSG）或家庭睡眠呼吸暂停测试（HSAT）试剂盒，这些试剂盒测量了呼吸暂停和呼吸呼吸症事件，这是呼吸暂停 - hypopopnea index（AHI）的基础。
使用深度学习
呼吸暂停和呼吸症是常见的睡眠障碍，其特征是呼吸道的完全或部分障碍物。一项睡眠研究，也称为多聚疗法（PSG），通常用于计算呼吸暂停 - hypopnea指数（AHI），一个人患有呼吸暂停或某些类型的每小时睡眠的次数。ahi用于诊断睡眠障碍的严重程度。呼吸暂停的早期检测和治疗可以显着降低发病率和死亡率。但是，连续的PSG监测是不可行的，因为它代价高昂且不舒服。为了规避这些问题，我们提出了一种名为“驱动器”的方法，以估算可穿戴设备的AHI，并协助医生诊断apneas的严重性。驱动的还可以检测到呼吸暂停，呼吸呼吸症，整个晚上都会发生觉醒时期，从而促进了医生的轻松检查。患者可以佩戴单个传感器或可以轻松在家中测量的传感器组合：腹部运动，胸腔运动或脉搏血氧饱和度。例如，仅使用两个传感器，将所有测试患者的72.4％的驱动器正确分类为四个AHI类之一，其中99.3％正确分类或将一个类别放在了True的AHI类中。这是模型的表现与患者舒适度之间的合理权衡。我们使用来自最大的公共存储库国家睡眠研究资源（NSRR）的三项睡眠研究的数据，其中包括14,370个记录。驱动是基于深度卷积神经网络和用于分类的轻级增强机器的组合。由于驱动的简单且在计算上有效，因此可以在无监督的长期家庭监控系统中自动估算AHI，从而降低医疗保健系统的成本并改善患者护理。
儿童阻塞性睡眠呼吸暂停脑电信号拓扑数据分析
信号处理技术的最新进展，包括拓扑数据分析 (TDA)，为脑电信号分析提供了一种强大的方法。TDA 利用数学领域拓扑的思想，并将这些思想应用于现实世界信号的分析 [5]。广义上讲，TDA 使我们能够利用数据固有的拓扑和几何结构，并利用这些结构研究阻塞性睡眠呼吸暂停 (OSA) 阳性和 OSA 阴性患者的脑电信号之间的根本差异。在本文中，我们介绍了 TDA 技术，该技术允许仅使用脑电信号识别 OSA。这项工作的关键假设是 OSA 阳性患者的大脑连接网络具有与 OSA 阴性患者的大脑连接网络根本不同的拓扑结构。现有的用于识别儿童 OSA 的技术涉及整夜睡眠研究，称为多导睡眠图 (PSG)。这要求患者要么去医疗机构的睡眠实验室，要么在家安排夜间睡眠测试，这两项工作都可能需要几个月的时间才能安排好。
使用EEG信号自动对睡眠呼吸暂停类型和严重性进行分类
摘要：睡眠呼吸暂停是一种潜在的致命疾病，会导致睡眠期间频繁的呼吸停顿。先前的研究表明，在睡眠期间对EEG信号的监测可以自动检测呼吸暂停事件。然而，需要对特定呼吸暂停类型进行更全面的分类及其严重性，以准确临床诊断和对关键呼吸暂停发作的实时检测。在这项研究中，我们采用了来自25名呼吸暂停患者的带注释的EEG信号，并使用EEG频域和非线性特征构建了两个不同的分类器，用于呼吸暂停严重程度和呼吸暂停类型的多类分类。在两个分类问题中，三个模型，即评估并比较了支持向量机（SVM），线性判别分析（LDA）和幼稚的贝叶斯（NB）。结果表明，SVM模型在两个分类问题中都表现出了最佳的精度，高于基线水平。呼吸暂停严重程度的二进制分类中的SVM性能是可以接受的（76％的平均准确性），但是在呼吸暂停类型的多类分类的情况下，SVM分类器并未达到所有呼吸暂停类型的可接受性能（48％的平均精度）。我们的发现表明，除了检测呼吸暂停发作外，EEG信号还可以用于呼吸暂停严重程度的分类，这可能导致开发准确的诊断系统以自动评估和睡眠障碍的管理。
在阻塞性睡眠呼吸暂停中使用机器学习应用的状态和机会：叙事评论
抽象背景：阻塞性睡眠呼吸暂停（OSA）是一种普遍且潜在的严重睡眠障碍，其特征是睡眠期间呼吸反复中断。机器学习模型已越来越多地应用于OSA研究的各个方面，包括诊断，治疗优化和开发用于内型和疾病机制的生物标志物。方法：本叙述性评论研究了从2018年至2023年间发表的254个科学出版物中提取的数据，从诊断算法到治疗和患者管理策略的各种研究工作。我们通过评估了研究中所使用的技术，应用领域，模型评估策略和数据集特征，评估了OSA研究中机器学习的景观。结果：我们的分析表明，大多数机器学习应用都集中在OSA分类和诊断上，并利用各种数据源，例如多摄影，心电图数据和可穿戴设备。深度学习模型是最受欢迎的，其次是支持向量机，分类任务是最常见的。我们还发现，研究队列主要是超重的男性，女性的人数不足，年轻肥胖成年人，
肠道微生物组和阻塞性睡眠呼吸暂停之间的因果关系：双向Mendelian随机化
伴随着大声打nor，睡眠质量恶化，白天过度嗜睡和浓度降低。作为一种高度普遍的疾病，OSA每年都会显着影响数百万人的生活（Wiegand and Zwillich，1994）。据报道，成年人口的OSA发生已达到20–30％（Sanchez-de-la-torre等人，2020年），儿童的出现已达到3-5％（Chan等，2020）。如今，OSA给个人和社会带来了严格的挑战。除了生活质量恶化外，OSA患者可能会遭受中期和长期后果，包括心血管，代谢，认知和与癌症相关的改变（Moreno-Indias等，2015）。更重要的是，OSA的后遗症将降低工作效率并提高汽车事故的风险（Teransantos等，1999），这在金融和公共安全方面对社会有害。鉴于在发达国家和发展中国家观察到的肥胖流行的持续趋势，人们期望全球患有OSA的患者人数会进一步增加，这主要是由于超重/肥胖与OSA之间的密切相关性（Lam等，2012）。但是，目前的OSA诊断和治疗策略不足。OSA经常无法诊断，而未诊断的OSA产生的成本在美国高达1496亿美元。因此，必须研究OSA的病因，以更好地防止其发生，在早期进行诊断并探索OSA的新治疗方法。此外，在不适（Dissanayake等人，2021年，2021年）之后，依从性问题（Rotenberg等，2016）以及侵入性程序（Badran等人，2020年），诸如持续正气道压力（Munir等人，2023年）和下颌促进设备等传统治疗都受到依从性问题的困扰（Rotenberg等，2016）。