Key points are not available for this paper at this time.
Die zunehmende Anerkennung anatomischer Obstruktionen hat zu einer großen Vielfalt an Schlafoperationen geführt, um den anatomischen Zusammenbruch der obstruktiven Schlafapnoe (OSA) zu verbessern, und die Vorhersage, ob eine Schlafchirurgie erfolgreich sein wird, ist sehr wichtig. Ziel dieser Studie ist es, ein maschinenlern-basiertes klinisches Modell zu bewerten, das die Erfolgsquote der Schlafchirurgie bei OSA-Patienten vorhersagt. Die zuvor prognostizierte Erfolgsquote aus dem maschinenlern-basierten Modell und das subjektiv prognostizierte chirurgische Ergebnis des Arztes wurden mit der tatsächlichen Erfolgsquote bei 163 männlich dominierten OSA-Patienten verglichen. Die vorhergesagte Erfolgsquote der Schlafchirurgie aus den maschinenlern-modellen, die auf Schlafparametern und endoskopischen Ergebnissen der oberen Atemwege basierten, zeigte eine höhere Genauigkeit als der subjektiv vorhergesagte Wert des Schlafchirurgen. Das Gradienten-Boosting-Modell zeigte die beste Leistung bei der Vorhersage des chirurgischen Erfolgs, der durch die prä- und postoperativen Polysomnografie oder die häusliche Schlafapnoe-Untersuchung bewertet wurde, im Vergleich zur logistischen Regression und drei maschinenlern-Modellen, und die Genauigkeit des Gradienten-Boosting-Modells (0,708) war signifikant höher als die des logistischen Regressionsmodells (0,542). Unsere Daten zeigen, dass die datenmining-gesteuerte Vorhersage, wie das Gradienten-Boosting, eine höhere Genauigkeit für die Vorhersage der chirurgischen Ergebnisse aufwies, und wir können OSA-Patienten mithilfe von maschinenlern-Modellen genaue Informationen über chirurgische Ergebnisse vor der Operation bereitstellen.
Kim et al. (Mi,) untersuchten diese Frage.