介紹

持續正壓氣道通氣（CPAP呼吸機）是阻塞性睡眠呼吸暫停的最佳治療方法，但是受到依從性差的限制。Fairview睡眠程序可以積極跟蹤PAP呼吸機的使用情況和結果，并采用遠程醫療指導來提高PAP依從性。采用這種方法，6個月的PAP呼吸機依從率達到71％。但是，該程序需統一應用并且勞動強度大，會錯過某些患者，而又可能與不必要的患者聯系。機器學習可以通過早期對治療軌跡的識別來促進有效的患者接觸策略。

方法

我們構建了151-180天的依從性Compliance（在≥70％的天數里每天使用≥4小時）和依從性Adherence（平均每天使用≥4小時/天）的預測模型。將第1-30天（標準）期間的依從性Compliance和依從性Adherence與根據當前遠程醫療聯系協議選擇的兩個預測間隔進行比較：第1-13天（13天）和1-30天（30天）。用于預測的患者數據包括人口統計學、健康信息、問卷和每日PAP指標。使用特征選擇算法來找到最佳特征以提高預測精度。使用支持向量機和隨機森林學習方法。

結果

該組（N = 3588）的人口統計學信息包括平均年齡53.3（標準差SD12.9）歲，BMI 36.5（8.0）kg / m2和基線AHI 38.3（30.4）事件/小時； 男性比例為68％。對于依從性Compliance結果，標準30天依從性與D13和D30相比，陽性預測值（PPV）分別為0.716、0.732和0.765，而陰性預測值（NPV）分別為0.718、0.694和0.707。對于依從性Adherence結果，標準30天依從性與D13和D30相比，陽性預測值（PPV）分別為0.781、0.782和0.806，而陰性預測值（NPV）分別為0.675、0.697和0.686。兩種結果的準確性從標準到D13到D30均提高。基線特征和每日CPAP呼吸機指標對績效有積極貢獻。

結論

我們演示了一種基于機器學習的有效方法，該方法可以根據早期PAP呼吸機的使用情況預測長期的PAP依從性，并且在兩周前可以進行類似的預測。最初的機器學習成果比標準預測指標提高了性能。進一步完善將使用不同的加權/成本函數、高級學習方法和非二分法模型來提高性能。這種學習模型很容易在大多數電子健康記錄（EHR）中本地化并實現。制定長期依從性的預測指標將有助于量身定制對患者的隨訪和及時護理。

（葉妮摘自 Sleep, Volume 41, Issue suppl_1, April 2018, Pages A400–A401）