Verbesserung der Leistung physiologischer Messungen von Hitzewallungen mit Support Vector Machines

Hitzewallungen werden von über 70 % der menopausalen Frauen erlebt. Die Kriterien zur Klassifizierung von Hitzewallungen aus physiologischen Signalen zeigen eine variable Leistung. Das Hauptziel war es, konventionelle Kriterien mit Support Vector Machines (SVMs), einer fortgeschrittenen Methode des maschinellen Lernens, zu vergleichen, um Hitzewallungen anhand der Hautleitfähigkeit im Brustbereich zu klassifizieren. Dreißig Frauen mit ≥4 Hitzewallungen/Tag unterzogen sich in einem Labor für Hitzewallungstests mit Hautleitfähigkeitsmessung. Hitzewallungen wurden mit konventionellen (≥2 Mikromho, 30 s) und SVM-Methoden quantifiziert. Konventionelle Methoden hatten eine geringe Sensitivität (Sensitivität=0,41, Spezifität=1, positiver Vorhersagewert (PPV)=0,94, negativer Vorhersagewert (NPV)=0,85) bei der Klassifizierung von Hitzewallungen, wobei die schlechteste Leistung unter Frauen mit hohem Body-Mass-Index oder Angst zu beobachten war. SVM-Modelle zeigten eine verbesserte Leistung (Sensitivität=0,89, Spezifität=0,96, PPV=0,85, NPV=0,96). SVM könnte die Leistung der Hautleitfähigkeitsmessungen von Hitzewallungen verbessern.