論文の概要: KindSleep: Knowledge-Informed Diagnosis of Obstructive Sleep Apnea from Oximetry
- arxiv url: http://arxiv.org/abs/2603.04755v1
- Date: Thu, 05 Mar 2026 03:00:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:11.046981
- Title: KindSleep: Knowledge-Informed Diagnosis of Obstructive Sleep Apnea from Oximetry
- Title（参考訳）: KindSleep:酸素測定による閉塞性睡眠時無呼吸症の知識インフォームド診断
- Authors: Micky C Nnamdi, Wenqi Shi, Cheng Wan, J. Ben Tamo, Benjamin M Smith, Chad A Purnell, May D Wang,
- Abstract要約: 臨床知識を単一チャンネルの患者固有のオキシメトリー信号や臨床データと統合してOSAの正確な診断を行う,深層学習フレームワークKindSleepを紹介した。
KindSleepはまず、生のオキシメトリー信号から直接、変性指標や呼吸障害などの臨床的に解釈可能な概念を識別することを学ぶ。
AHI(Apnea-Hypopnea Index)を推定するために、AIに由来する概念をマルチモーダルな臨床データと融合する。
- 参考スコア（独自算出の注目度）: 5.901247752047518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Obstructive sleep apnea (OSA) is a sleep disorder that affects nearly one billion people globally and significantly elevates cardiovascular risk. Traditional diagnosis through polysomnography is resource-intensive and limits widespread access, creating a critical need for accurate and efficient alternatives. In this paper, we introduce KindSleep, a deep learning framework that integrates clinical knowledge with single-channel patient-specific oximetry signals and clinical data for precise OSA diagnosis. KindSleep first learns to identify clinically interpretable concepts, such as desaturation indices and respiratory disturbance events, directly from raw oximetry signals. It then fuses these AI-derived concepts with multimodal clinical data to estimate the Apnea-Hypopnea Index (AHI). We evaluate KindSleep on three large, independent datasets from the National Sleep Research Resource (SHHS, CFS, MrOS; total n = 9,815). KindSleep demonstrates excellent performance in estimating AHI scores (R2 = 0.917, ICC = 0.957) and consistently outperforms existing approaches in classifying OSA severity, achieving weighted F1-scores from 0.827 to 0.941 across diverse populations. By grounding its predictions in a layer of clinically meaningful concepts, KindSleep provides a more transparent and trustworthy diagnostic tool for sleep medicine practices.
- Abstract（参考訳）: 閉塞型睡眠時無呼吸症候群(英語:obstructive sleep apnea、OSA)は、世界中で10億人近くに影響し、心臓血管のリスクを著しく高める睡眠障害である。
従来のポリソノグラフィーによる診断は資源集約的であり、幅広いアクセスを制限し、正確で効率的な代替手段にとって重要な必要性を生み出している。
本稿では,臨床知識を単一チャンネルの患者固有のオキシメトリー信号と臨床データと統合し,OSAの正確な診断を行う深層学習フレームワークKindSleepを紹介する。
KindSleepはまず、生のオキシメトリー信号から直接、変性指標や呼吸障害などの臨床的に解釈可能な概念を識別することを学ぶ。
そして、これらのAIに由来する概念をマルチモーダルな臨床データと融合して、Apnea-Hypopnea Index(AHI)を推定する。
国立睡眠研究資源(SHHS, CFS, MrOS; total n = 9,815。
KindSleep は AHI スコア (R2 = 0.917, ICC = 0.957) の推定において優れた性能を示し、OSA の重み付けされた F1 スコアを 0.827 から 0.941 まで様々に達成し、OSA の重み付けのアプローチを一貫して上回っている。
KindSleepは、その予測を臨床的に意味のある概念の層に根ざして、より透明で信頼できる診断ツールを提供する。
関連論文リスト
- Stanford Sleep Bench: Evaluating Polysomnography Pre-training Methods for Sleep Foundation Models [18.499236999143474]
我々はStanford Sleep Benchという大規模なPSGデータセットを公開しました。
以上の結果より, 睡眠時, 呼吸時, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時間, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時
睡眠研究を円滑に進めるために、トレーニング済みモデルウェイト、トレーニングパイプライン、評価コードとともにStanford Sleep Benchをリリースします。
論文 参考訳（メタデータ） (2025-12-10T12:37:29Z) - Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG [0.0]
本稿では,単一チャネル脳波データに基づいて学習した畳み込みニューラルネットワーク(CNN)を用いた睡眠時無呼吸症候群の検出手法を提案する。
提案されたCNNの精度は85.1%、マシューズ相関係数(MCC)は0.22で、家庭ベースのアプリケーションにとって大きな可能性を示した。
論文 参考訳（メタデータ） (2025-08-16T04:58:00Z) - MobileNetV2: A lightweight classification model for home-based sleep apnea screening [3.463585190363689]
本研究は、心電図(ECG)と呼吸信号から抽出した特徴を早期OSAスクリーニングに利用した、新しい軽量ニューラルネットワークモデルを提案する。
ECG信号は睡眠段階を予測するための特徴スペクトログラムを生成するのに使用され、呼吸信号は睡眠関連呼吸異常を検出するために用いられる。
これらの予測を統合することで、AHI(apnea-hypopnea index)を精度良く算出し、OSAの正確な診断を容易にする。
論文 参考訳（メタデータ） (2024-12-28T01:37:25Z) - Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。
熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。
マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
論文 参考訳（メタデータ） (2024-07-16T17:26:50Z) - What Radio Waves Tell Us about Sleep [34.690382091650314]
本研究では、睡眠中の人から反射される電波からの睡眠と夜間呼吸を受動的にモニタリングする高度な機械学習アルゴリズムを開発した。
睡眠時無呼吸(AUROC=0.88)を検知し,睡眠時無呼吸を検知した。
このモデルは、睡眠段階と、神経、精神医学、循環器、免疫疾患を含む様々な疾患の間の情報的相互作用を明らかにする。
論文 参考訳（メタデータ） (2024-05-20T02:41:21Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳（メタデータ） (2023-01-17T15:18:45Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Automatic detection of microsleep episodes with deep learning [55.41644538483948]
15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される
覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。
MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。
入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
論文 参考訳（メタデータ） (2020-09-07T11:38:40Z) - Automatic scoring of apnea and hypopnea events using blood oxygen
saturation signals [0.0]
DAS-KSVDを用いて、睡眠健康研究データベースから得られた信号から無呼吸および低呼吸の事象を検出し分類した。
中等度から重度のOSAHスクリーニングでは、それぞれ0.957の曲線と87.56%と88.32%の診断感度と特異性を示す特性曲線解析を行う。
論文 参考訳（メタデータ） (2020-03-22T15:17:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。