2022. 10. 21. - 10:25

Azonosítja az alvási apnoét a mesterséges intelligencia

Azonosítja az alvási apnoét a mesterséges intelligencia

Képes diagnosztizálni az obstruktív alvási apnoét a mesterséges intelligencia, hasonló pontossággal, mint a hagyományosan alkalmazott módszerek.

Egy vadonatúj mesterséges intelligencia-modell képes diagnosztizálni az obstruktív alvási apnoét. Az új tanulmány keretében bemutatott módszer hasonló pontossággal rendelkezik, mint a vektorgép (SVM), amelyet az obstruktív alvási apnoéban (OSA) szenvedő betegek azonosítására használnak.
 
A kutatók a Journal of Sleep Research szaklapban jelentették meg tanulmányukat a modellről.
 
Ennek keretében Bo Pang, a Los Angeles-i Kaliforniai Egyetem munkatársa és kollégái azt vizsgálták, hogy a gyorsabb és kevésbé bonyolult gépi tanulási modellek, köztük az SVM és az RF, valamint az agy diffúziós tenzoros képalkotó (DTI) adatai képesek-e megkülönböztetni az obstruktív alvási apnoés betegeket az egészséges kontrollalanyoktól.
 
A vizsgálat során 59 apnoés pácienstől és 96 kontrollalanytól származó, két DTI-sorozatot kaptak 3,0-tesla mágneses rezonancia képalkotó szkenner segítségével. Olvasd el: Alvás egy app segítségével?
 
Azonosítja az alvási apnoét a mesterséges intelligencia
Azonosítja az alvási apnoét a mesterséges intelligencia
 
Az átlagos diffúziós térképeket minden sorozatból kiszámították a DTI adatok felhasználásával, újraigazították és átlagolták, majd egy közös térre normalizálták és kereszt-validációt végeztek a modellképzéshez- és kiválasztáshoz, valamint az apnoé előrejelzéséhez. Olvasd el: Kezelheti az alvászavarokat a mesterséges intelligencia
 
Kiderült, hogy az RF-modell 0,73-as besorolási pontosságot mutatott az OSA és a kontrollok esetében - a görbe alatti terület (AUC) értéke a vevő-kezelő görbén 0,85 volt. A keresztellenőrzés összehasonlítható illeszkedést mutatott az RF modellhez az SVM-mel az OSA-hoz és a kontrolladatokhoz (pontosság, 0,77; AUC, 0,84).
 
„Az alvási apnoé-szűrés gyorsabb lehet és kevésbé is bonyolult az agy diffúziós tenzoros képalkotási adatainak és a gépi tanulásnak köszönhetően. A neuro-imaging adatok és a gépi tanulás használata lehetővé teszi a korai OSA-szűrést és beavatkozást, amely végső soron hozzájárulhat az agyszöveti változások és funkciók helyreállításához” – jegyezték meg a tanulmány szerzői.
 
 
L.A.

 

Hírlevél feliratkozás

Kérjük, add meg adataidat a hírlevélre történő feliratkozáshoz! A megadott adatokat bizalmasan kezeljük, azokat harmadik félnek át nem adjuk.

 

gyulai_vafurdo

profight_banner.