Introduction: Obstructive Sleep Apnea-Hypopnea Syndrome (OSAHS) is a common sleep disorder which requires the time and money consuming method of full polysomnography to be diagnosed. Alternative methods for initial screening are sought. Aim: The prediction of Apnea-Hypopnea Index (AHI) in patients suspected to suffer from OSAHS using a linear regression model and a decision tree model based on nonlinear analysis of three respiratory signals during sleep instead of performing full polysomnography. Patients-Methods: One hundred randomized patients referred to the sleep unit of a tertiary care hospital underwent full polysomnography and their tests were manually scored. Three nonlinear indices (Largest Lyapunov Exponent-LLE, Detrended Fluctuation Analysis-DFA and Approximate Entropy-APEN) were extracted from three respiratory biosignals (airflow from a nasal cannula-F, thoracic belt movement-T and Oxygen saturation from pulse oximetry-SpO₂) and provided input to a data mining application for the creation of predictive models for AHI. Results: A linear regression model which includes the variables: Body Mass Index (BMI), Time with SpO₂<90%, LLE and DFA from both F and T presented a correlation coefficient r2 = 0.77 in predicting AHI. With a cutoff value of ΑΗΙ=5, the displayed sensitivity and specificity were 82% and 57% in discrimination between sufferers from OSAHS and normal subjects. Similarly, the produced decision tree for the discrimination between patients and normal using the variables: Epworth, sex, time with SpO₂<90%, LLE and DFA from both F and T, presented sensitivity and specificity of 75% and 74%, respectively. Conclusion: A reliable prediction of the presence of OSAHS is possible with the use of linear and nonlinear indices from only 3 respiratory signals during sleep. The proposed models could be used in the initial screening of patients with suspected OSAHS utilizing a practical and relatively cheap methodology.
Στόχος: Το Σύνδρομο Αποφρακτικών Απνοιών-Υποπνοιών στον Ύπνο (ΣΑΑΥΥ) είναι μια κοινή διαταραχή του ύπνου η οποία απαιτεί τη χρονοβόρα και ακριβή μέθοδο της πλήρους πολυσωματογραφικής καταγραφής ύπνου για να διαγνωστεί. Εναλλακτικές μέθοδοι για την αρχική εκτίμηση των πασχόντων είναι υπό αναζήτηση. Ο στόχος της μελέτης ήταν η πρόβλεψη – εκτίμηση του Δείκτη Απνοιών – Υποπνοιών (Apnea-Hypopnea Index-AHI) σε ασθενείς με υπόνοια ΣΑΑΥΥ, χρησιμοποιώντας ένα μοντέλο γραμμικής παλινδρόμησης και ένα μοντέλο δέντρου απόφασης βασισμένα σε μη γραμμική ανάλυση τριών αναπνευστικών βιοσημάτων κατά τον ύπνο, αντί για τη διενέργεια πλήρους πολυσωματογραφικής καταγραφής. Μέθοδοι: Εκατό τυχαιοποιημένοι ασθενείς που προσήλθαν στη μονάδα ύπνου ενός τριτοβάθμιου νοσοκομείου υποβλήθηκαν σε πλήρη πολυσωματογραφική μελέτη ύπνου και οι εξετάσεις τους σκοραρίστηκαν χειροκίνητα από έμπειρο ιατρό ύπνου. Τρεις μη γραμμικοί δείκτες (Μέγιστος Εκθέτης Lyapunov-Largest Lyapunov Exponent-LLE, Ανάλυση Απομειούμενων Διακυμάνσεων-Detrended Fluctuation Analysis-DFA και Κατά Προσέγγιση Εντροπία-Approximate Entropy-APEN) εξήχθησαν από τρία αναπνευστικά βιοσήματα (ροή του αέρα από ρινικό καθετήρα-nasal cannula-F, κίνηση ζώνης θωρακικού κλωβού-thoracic belt movement-T και κορεσμός της αιμοσφαιρίνης σε οξυγόνο από παλμική οξυμετρία-SpO₂) και τροφοδότησαν με δεδομένα μια εφαρμογή εξόρυξης γνώσης για την τελική δημιουργία των προβλεπτικών μοντέλων για τον AHI. Αποτελέσματα: Ένα μοντέλο γραμμικής παλινδρόμησης που περιλαμβάνει τις μεταβλητές: Δείκτης Μάζας Σώματος-Body Mass Index (BMI), Χρόνος με SpO₂<90%, LLE και DFA τόσο από το F όσο και από το T, εμφάνισαν ένα συντελεστή συσχέτισης r2 = 0.77 στην πρόβλεψη του AHI. Με ένα κατώφλι στην τιμή του ΑΗΙ=5, η επιδειχθείσα ευαισθησία και ειδικότητα ήταν 82% και 57%, αντίστοιχα στη διάκριση μεταξύ πασχόντων από ΣΑΑΥΥ και υγιών. Ομοίως, το παραχθέν δέντρο απόφασης για τη διάκριση μεταξύ υγιών και πασχόντων, το οποίο χρησιμοποιεί τις παραμέτρους: Τιμή Κλίμακας Epworth, Φύλο, Χρόνος με SpO₂<90%, LLE και DFA τόσο από το F όσο και από το T, εμφάνισε ευαισθησία και ειδικότητα 75% και 74%, αντίστοιχα. Συμπέρασμα: Είναι εφικτή η αξιόπιστη πρόβλεψη της ύπαρξης ΣΑΑΥΥ με τη χρήση γραμμικών και μη γραμμικών δεικτών από μόνο τρία αναπνευστικά σήματα κατά τη διάρκεια του ύπνου. Τα προτεινόμενα μοντέλα θα μπορούσαν να χρησιμοποιηθούν στην προσυμπτωματική διαλογή (screening) ασθενών με υπόνοια ΣΑΑΥΥ αποτελώντας μια πρακτική και σχετικά οικονομική μεθοδολογία.
National Documentation Centre (EKT)
