基于机器学习的呼吸机治疗压力预测，以优化持续正压通气（CPAP）的调节

《BMC Medical Informatics and Decision Making》：Machine learning-based prediction of ventilator therapeutic pressure for optimized CPAP titration

　　

摘要

背景

准确预测持续正压通气（CPAP）治疗所需的治疗压力对于有效治疗阻塞性睡眠呼吸暂停（OSA）至关重要。现有的方法通常依赖于复杂的睡眠相关参数和较小的样本量，这限制了它们的普遍适用性。本研究旨在开发一种更易于使用的数据驱动模型，利用 readily available 的人口统计和生理变量来预测 CPAP 压力，从而提高准确性和可扩展性。

方法

我们采用了一种机器学习方法，结合了决策树、梯度提升算法（LightGBM、XGBoost、CatBoost）和神经网络来预测治疗压力。基于赤池信息量准则（AIC）进行前向选择，以确定最相关的变量。该模型在 2,092 名患者的数据集上进行了训练，并使用平均绝对误差（MAE）来评估模型性能。

结果

研究发现，最具影响力的变量是体重指数（BMI）、 neck circumference 和腰臀比。在各种算法中，LightGBM 的预测准确性最高，平均绝对误差（MAE）最低。集成方法（如投票法）并未显著提升模型的性能。子样本分析显示，预测准确性会因 BMI 范围和呼吸机品牌的不同而有所差异。

结论

研究表明，BMI 和其他生理参数在确定 CPAP 压力方面起着关键作用，提供了一种简化且有效的预测模型。这种方法在临床应用中具有巨大潜力，特别是在资源有限的环境中，因为这些地方可能无法进行复杂的睡眠研究。未来的研究可以通过整合实时生理数据和扩展数据收集范围至更多人群来进一步完善该模型。