機械学習予測モデルを利用した簡易デジタル睡眠問診票が、一般的な睡眠障害を特定します

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Sleep Med..2020 Jul;71:66-76. S1389-9457(20)30117-9. doi: 10.1016/j.sleep.2020.03.005.Epub 2020-03-23.

機械学習予測モデルを利用した簡易デジタル睡眠問診票が、一般的な睡眠障害を特定します

Brief digital sleep questionnaire powered by machine learning prediction models identifies common sleep disorders.

Alan R Schwartz
Mairav Cohen-Zion
Luu V Pham
Amit Gal
Mudiaga Sowho
Francis P Sgambati
Tracy Klopfer
Michelle A Guzman
Erin M Hawks
Tamar Etzioni
Laura Glasner
Eran Druckman
Giora Pillar

PMID: 32502852 DOI: 10.1016/j.sleep.2020.03.005.

抄録

序論:

我々は、不眠症、遅発性睡眠相症候群（DSPS）、睡眠不足症候群（ISS）、閉塞性睡眠時無呼吸症候群（OSA）のリスクを含む社会的に一般的な睡眠障害を識別するために、短縮型のデジタル睡眠質問票（DSQ）を開発し、その妥当性を検証した。

INTRODUCTION: We developed and validated an abbreviated Digital Sleep Questionnaire (DSQ) to identify common societal sleep disturbances including insomnia, delayed sleep phase syndrome (DSPS), insufficient sleep syndrome (ISS), and risk for obstructive sleep apnea (OSA).

方法:

DSQは3799人のコミュニティボランティアに投与され、そのうち2113人が資格があり、研究に同意した。そのうち247名は専門の睡眠医による面接を受け、2名以下の睡眠障害を診断した。機械学習(ML)は、各診断に対して別々のモデルを訓練し、検証した。正則化線形モデルは、診断予測を最適化するために15～200の特徴量を生成した。モデルは5回のクロスバリデーション（5回繰り返し）で訓練され、その後ロバストバリデーションテストが行われた。真の陽性と陰性を分類するためにElasticNetモデルが使用された；感度、特異度、精度、受信機動作曲線下面積（AUC）を生成するためにブートストラップにより確率しきい値が最適化された。

METHODS: The DSQ was administered to 3799 community volunteers, of which 2113 were eligible and consented to the study. Of those, 247 were interviewed by expert sleep physicians, who diagnosed ≤2 sleep disorders. Machine Learning (ML) trained and validated separate models for each diagnosis. Regularized linear models generated 15-200 features to optimize diagnostic prediction. Models were trained with five-fold cross-validation (repeated five times), followed by robust validation testing. ElasticNet models were used to classify true positives and negatives; bootstrapping optimized probability thresholds to generate sensitivities, specificities, accuracies, and area under the receiver operating curve (AUC).

結果:

参照サブグループと比較して、医師により診断された睡眠障害は、DSQによる不眠（不眠症、DSPS、OSA）、睡眠負債（DSPS、ISS）、睡眠中の気道閉塞（OSA）、覚醒度の鈍化した概日変動（DSPS）、眠気（DSPSとISS）、覚醒度の増加（不眠症）、および睡眠関連のQOL（生活の質）の全般的な障害（すべての睡眠障害）が特徴的であった。ElasticNetモデルは、高感度（80～83％）、許容可能な特異度（63～69％）、高AUC（0.80～0.85）、良好な精度（医師の診断との一致度、68～73％）で各診断を検証した。

RESULTS: Compared to reference subgroups, physician-diagnosed sleep disorders were marked by DSQ evidence of sleeplessness (insomnia, DSPS, OSA), sleep debt (DSPS, ISS), airway obstruction during sleep (OSA), blunted circadian variability in alertness (DSPS), sleepiness (DSPS and ISS), increased alertness (insomnia) and global impairment in sleep-related quality of life (all sleep disorders). ElasticNet models validated each diagnosis with high sensitivity (80-83%), acceptable specificity (63-69%), high AUC (0.80-0.85) and good accuracy (agreement with physician diagnoses, 68-73%).

DISCUSSION:

簡潔なDSQは、一般的な睡眠障害のために大規模な集団を容易に関与し、効率的にスクリーニングしました。MLを搭載したDSQは、正確に睡眠障害を分類することができ、集団の睡眠、健康、生産性、安全性を向上させる可能性があることを実証しています。

DISCUSSION: A brief DSQ readily engaged and efficiently screened a large population for common sleep disorders. Powered by ML, the DSQ can accurately classify sleep disturbances, demonstrating the potential for improving the sleep, health, productivity and safety of populations.