@文章{info:doi/10.2196/39452，作者="Ferreira-Santos, Daniela和Amorim, Pedro和Silva Martins, Tiago和Monteiro-Soares, Matilde和Pereira Rodrigues, Pedro"，标题="使用机器学习实现早期阻塞性睡眠呼吸暂停诊断:系统综述"，期刊="J Med Internet Res"，年="2022"，月="Sep"，日="30"，卷="24"，数="9"，页="e39452"，关键词="机器学习;阻塞性睡眠呼吸暂停;系统评价;背景:美国睡眠医学会指南建议，临床预测算法可用于筛查阻塞性睡眠呼吸暂停(OSA)患者，而无需取代多导睡眠描记术这一黄金标准。目的:我们旨在识别、收集和分析现有的机器学习方法，这些方法被用于疑似OSA的成人患者的疾病筛查。方法:我们搜索MEDLINE、Scopus和ISI Web of Knowledge数据库，以多导睡眠图作为金标准结果测量，评估不同机器学习技术的有效性，并使用预测模型偏倚风险评估工具(Kleijnen systems Reviews Ltd)评估每个纳入研究的偏倚风险和适用性。结果:我们检索到5479篇文章，其中63篇(1.15{\%})文章被收录。我们发现23项研究单独进行诊断模型开发，26项增加了内部验证，14项将临床预测算法应用于独立样本(尽管并非所有报告都报告最常见的鉴别指标、敏感性或特异性)。采用逻辑回归的研究有35项，线性回归的研究有16项，支持向量机的研究有9项，神经网络的研究有8项，决策树的研究有6项，贝叶斯网络的研究有4项。随机森林、判别分析、分类回归树和诺姆图各2项研究，皮尔逊相关、自适应神经模糊推理系统、人工免疫识别系统、遗传算法、超稀疏线性整数模型和k最近邻算法各1项研究。 The best area under the receiver operating curve was 0.98 (0.96-0.99) for age, waist circumference, Epworth Somnolence Scale score, and oxygen saturation as predictors in a logistic regression. Conclusions: Although high values were obtained, they still lacked external validation results in large cohorts and a standard OSA criteria definition. Trial Registration: PROSPERO CRD42021221339; https://www.crd.york.ac.uk/prospero/display{\_}record.php?RecordID=221339 ", issn="1438-8871", doi="10.2196/39452", url="//www.mybigtv.com/2022/9/e39452", url="https://doi.org/10.2196/39452", url="http://www.ncbi.nlm.nih.gov/pubmed/36178720" }