JP7333918B2 - 睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法 - Google Patents
睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法 Download PDFInfo
- Publication number
- JP7333918B2 JP7333918B2 JP2020157997A JP2020157997A JP7333918B2 JP 7333918 B2 JP7333918 B2 JP 7333918B2 JP 2020157997 A JP2020157997 A JP 2020157997A JP 2020157997 A JP2020157997 A JP 2020157997A JP 7333918 B2 JP7333918 B2 JP 7333918B2
- Authority
- JP
- Japan
- Prior art keywords
- items
- questionnaire
- snoring
- sleep apnea
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
<1:データセット>
分析用のデータは、Sleep Heart Health Study(SHHS)(米国の大規模な観察研究)のデータベースから取得した。
PSG(ポリソムノグラフィー(Polysomnography)という正確に睡眠時無呼吸を診断する検査装置)の収集に基づく無呼吸-呼吸低下指数(AHI)データと自己評価アンケートデータが含まれている。全5408人の参加者の中で3931人がすべてのデータ収集を完了した。この人々には、OSA(睡眠時無呼吸)の診断歴はない。表1は、3931人の対象者の情報を示している。
ここで、SF_36アンケートは、健康関連QOL(HRQOL: Health Related Quality of Life))を測定するための、科学的で信頼性・妥当性を持つ尺度である。66の項目が自己評価アンケートとして実施された。SF_36アンケートは、米国で作成され、概念構築の段階から計量心理学的な評価に至るまで十分な検討を経て、現在、170カ国語以上に翻訳されて国際的に広く使用されている。
EFAの前に、項目分析の結果が悪い6つの項目が、元のデータセットから削除された。その後、最後に、61項目がEFAに入力された。
ここで、項目分析(Item Analysis)と呼ばれる手法がある。この手法を用いると、因子分析にかける項目の数を絞ることができる。具体的には、各項目について、その項目を除くすべての項目の尺度得点の総和との相関が計算し、その相関係数の絶対値が小さい項目を分析対象から除外する。
「項目分析の結果」とはこのような相関係数計算の結果とそれに基づく項目の選別を意味する。項目分析により処理する項目数を限定できるため、この探索的因子分析(EFA)が効率化される。
EFAで、61項目を使用して、6因子(症状)に属する18項目(質問事項)を抽出した。表2にEFAの結果を示す。
18項目での合計の分散は、62.33%で、Kaiser-Meyer-Olkin(KMO)検定値では0.72である。
6つの因子-18項目の結果により、次のセクションで示す検証的因子分析モデルが構築される。
検証的因子分析(confirmatory factor analysis: CFA)とは、確率的因子分析とも呼ばれる。先行する理論を元に、因子の数や意味、因子と環境変数の関係をあらかじめ、規定しておいた仮説を作っておき、その仮説が本当に正しいか検証する為に、得られた観測変数を分析する手法のこと。「観測変数間の相関関係は仮定した因子構造と一致するか否か」という問いに答える為に分析を行い、データと仮説の当てはまり具合を検証する。探索的因子分析とは異なり、想定される因子は全ての観測変数に関連するとは見なさずに因子と関連が強い観測変数にのみ焦点を当てている。
EFAの結果を考慮して、因子間の関係の仮説に従って、6つの因子間の合理的な論理パスを描画した。
診断されていないがOSA(UO)に対する他の因子の影響を分析するために、AHIに関する項目(AHI)を、結果変数とした。EFAにせよCFAにせよ、因子分析では観測変数と潜在変数(共通因子)の関係がデータから統計的に推定される。ここでの結果変数は、前者の観測変数に対応する。観測変数はアンケートなり実験計測なりで値が測定されている項目である。一方、潜在変数とは、測定されていない架空の因子である。AHIに関する項目を観測変数の一つにしたというのが、意味するところである。この場合、AHIは、実際の質問事項ではない。
一方、いびきSnと基礎疾患UDは、診断されていないがOSA(UO)あるかどうかに、強い直接的な影響を及ぼす。したがって、仮説では、他の3つの因子がいびきSnと基礎疾患UDを介して、診断されていないがOSA(UO)であるかに影響することも考慮している。図1は、18項目のCFAモデルを示している。
表3および表4は、モデルから夜間多尿Nuを削除した後の、最終的な因子依存性量とモデルのフィッティング結果を示している。
一般的に使用されるモデル評価指標であるカイ2乗は、この状況では有効性を失う。この実施の形態には、3931人の被験者のデータがあるため、ここではカイ二乗は評価指標ではない。
図2は、最終的なCFAモデルを示している。図1と比較すると、夜間頻尿Nuを削除しても、回帰係数の大きさが小さいため、因子間の因子依存性の変化はほとんどない。
因子の依存性が低すぎると、モデルのフィッティングに役立たなくなる。たとえば、いびきSnと睡眠障害SCの間の依存性は-0.02である。その結果、次のセクションで説明するように、モデルを完全な状態に保ち、適切な結果を得るという前提の下で、因子間のパスの一部が削除され、SEM分析のモデルになる。
SEMとは「構造方程式モデリング」または「共分散構造分析」と呼ばれ、重回帰分析や因子分析、パス解析などの機能を併せ持つ統合手法として、従来の多変量解析を超えた一歩進んだ解析手法である。現在マーケティングや社会調査、心理学などの分野でよく利用されている。技術開発や製造工程のデータ分析、新商品開発における「意識調査分析」「品質改善活動」など、ものづくりや理工学系の研究や教育においても有効な手法である。構造方程式モデリングでは、パス図を用いて変数間の因果関係を表す。矢線で表したパス図により、難しい統計モデルの構造をビジュアルでわかりやすく表現することができる。潜在変数と観測変数との間の因果関係を同定することにより社会現象や自然現象を理解するための統計的アプローチである。今回、この方法を用いた。
図3は、診断されていないOSA(UO)解析の構造モデルを示す。Snoreは、いびきSn、Underlying Diseaseは、基礎疾患UD、Undiagnosed OSAは、UO、診断されていないがOSAは、UO、Healthは、健康He、Hard Breath at Nightは、夜の息苦しさHBN、Sleep Complainは、睡眠障害SCである。
構造モデルで、適合度も取得した。表5に示す。
基礎疾患UDといびきSnは、それぞれ0.45と0.4の因子依存性で、診断されていないがOSA(UO)である因子に直接作用する。
OSA(UO)と他の因子との関係を確認した後、予測モデルを訓練するために、対応する因子に属するマニフェスト変数(潜在変数)を収集する。SEMによって抽出された項目を表6に示す。表6でモデルの予測に使用される項目を示す。
表6の項目は、OSA予測モデルを訓練するための提案手法の推奨特性である。次のセクションでは、提案された方法(表2の18項目、表6の14項目)を、最初に収集された67項目(全項目)と比較する。さらに、EFA結果からの18項目とも比較する。なお、各項目で具体的な内容でない項目には、基準を設け、当てはまるかどうか判断される。
1つは、提案された方法によって抽出された上記項目がOSAを予測するのに十分な能力を持っているかどうかをテストするためのものである。
もう1つは、コンピュータから出力される計算時間を使用して、データ次数削減による効率を評価することである。同じコンピュータ上でMatlabにより、すべての計算処理を実行する。予測モデルの育成に使用されるデータセットは、一貫性を保つためにSEM分析と同じである。すべてのモデルで、学習ターゲットは、AHI≧5が陽性としてラベル付けされた診断されていないOSA(UO)である。
作成するOSA予測モデル(質問票)は、アンケート項目への回答を入力データとして、OSAであるか、または、OSAでないか、を出力する。このモデルの内部パラメータを機械学習アルゴリズムにより推定するには、正解の出力が明らかなデータが必要である。そのため、AHI≧5の場合に、OSAである、AHI<5の場合に、OSAでない、というラベルを正解出力として付したデータセットが学習ターゲットとして、使用される。
アンサンブルディシジョンツリー(EDT)、サポートベクターマシン(SVM)、2次判別分析(QDA)、およびディシジョンツリー(DT)の4つの機械学習手法を利用した。4つの方法はすべて、2項分類の強みがある。
特に、アンサンブルディシジョンツリーの場合、すべてのテストの入力として、300計算サイクルのバギングメソッドが使用された。他の3つの方法では、コンピュータによって初期パラメータが設定された。
<精度>
まず、表7、表8、表9にパフォーマンスの比較を示す。表8および表9のインデックスは、表7の値である(表7の値との差を示す)。
表7~9は、それぞれ、は、67項目、18項目、14項目を使用した4つの方法のパフォーマンスを示す。
EFAとSEMの後続の手順が、予測対象、診断されていないOSAに関連する、どんな抽出された変数と因子を目的としても、結果としては、抽出後の特性は、放棄された変数と比較してより強力な予測能力を持っている。
アンサンブルツリーの精度の低下はわずか0.3%で、非常に低い。また、アンサンブルディシジョンツリーの機能の1つは、データディメンションが高いほど、予測精度も高くなることである。したがって、ここでの精度のわずかな低下はほとんど無視できる。
さらに、表9と表8のパフォーマンスインデックスを比較すると、インデックスは基本的に変更されていない。
<計算時間>
また、計算時間の比較を表10に示す。18項目と14項目のデータは、67項目の値である(±67項目との差)。
表10に示すように、4つの方法の中で、14項目の計算時間が最短である。データ次元の削減により、計算効率が向上する。本論文では高度な機械学習手法を選択していないため、計算時間は比較的短い。
ただし、より多くのデータ対象がある場合、またはより高度な機械学習手法を使用している場合、計算時間は重要な評価指標である。すべての研究において、計算速度は速い方が望ましい。
提示された論文は、機械学習法を実施する前にデータ数(問い数)を削減するための構造方程式モデリングの新しいアプリケーションを示している。
EFAやPCAなどのアクセス可能なコンポーネント抽出方法と比較して、構造モデルは、観測された変数の背後に隠された潜在的な関係を分析する。さらに、研究対象との弱い関係に属する変数をさらに削除できる。
潜在因子は、密接な関係を持つ観測変数の抽象的な概念を抽出する。構造モデルは、潜在因子間のこれらの関係を分析するのに適している。
したがって、入力データに対して実行される前処理手段としてSEM分析を機械学習フィールドに導入することは、次の2つの側面に特化している。
他方の側面では、入力データが保持する特性間の関係を明確にすることで、機械学習法のショートカットがサポートされ、意思決定ルールの作成やモデル構造の学習が可能になる。
<結論>
この実施の形態では、予測モデルを作成する前にデータディメンションを簡略化するために、構造方程式モデリングを機械学習フィールドに導入した。SEMは、社会調査のトピックでデータ分析に一般的に使用される方法である。このアプローチは、SEMのアプリケーション範囲を拡大し、機械学習の問題における次元の単純化に対して、データの新しい方法を提供した
実験結果は、簡略化が有効であり、構造モデル分析が従来のデータ抽出手段であるEFAより優れていることを示した。
なお、18項目と14項目のデータは、比較のためのAHI(≧5)を含んでいる。そのため、実際に使用する場合、質問票は、17項目と13項目のデータである。
睡眠時無呼吸症であるかどうかを、上記因子を含む質問票を用いて、チェックすることで、病院などの施設に行かなくともよい。
たとえば、会社や各種団体、個人家庭で、上記質問票を用いて、睡眠時無呼吸症であるかどうかを、正確に判断できる。判断の結果、必要に応じて、病院など医療機関に行く。
なお、この応用は、医療行為でなく、医療行為の前段階の健康チェックである。
また、この質問票にスマートホン、情報機器などで回答し、睡眠時無呼吸症を判断できる。また、定期的に質問票に回答することで、睡眠時無呼吸症へ進んでいるか、進んでいないかを判断できる。進んでいる場合は、対策を講じることができる。図4は、日と質問で当てはまる項目数との関係を示す。要注意ラインを超えると、医療施設に相談するとか、対策を積極的するなどをする。当然、要注意ラインに近づかないように対策をすべきである。
毎年の健康診断時に、質問票を使用してもよい。長期間の傾向を確認し必要に応じて対策ができる。睡眠時無呼吸にならないようにできる。各自家庭で、定期的に実施してもよい。
さらに、診断の結果とともに、図3のような、各症状間の関係性を提供してもよい。各症状間の関係とは、各症状間の依存性である。または、図1,2のように、症状と質問との依存性を提供してもよい。提供された人は、対策を検討することがしやすい。
また、問題の質問ごとに、その対策案を提案するようにしてもよい。質問ごとに複数の対策案をデータとしてもち、その質問が問題(当てはまる)である場合に、その対策を提案する。なお、質問ごとの寄与度から、寄与度が高い他の質問の対策も提案してもよい。
SC 睡眠障害
He 健康
HBN 夜の息苦しさ
UD 基礎疾患
UO 診断されていないがOSA
Ge 性別
HoS 頻度いびき
HLD いびきの音量
CS いびきの変化
TFA 不安により睡眠するか
WN 夜に目覚める
WE 早起きする
RP 身体的影響
VT 活力
RE 感情の影響
WC 咳による覚醒
CP 胸痛による覚醒
SoB 息切れによる覚醒
Hy 高血圧
Nu 夜間頻尿
Claims (2)
- 年齢、性別、BMI、いびき頻度、いびき音量、いびきの変化、SF_36のrole-physical、SF_36の活力、SF_36のrole-emotion、咳による覚醒、胸痛による覚醒、息切れによる覚醒、高血圧、夜間頻尿、不安による睡眠の影響、夜に目覚めること、早起きを含む17項目のみの質問票を使用し、睡眠時無呼吸を事前チェックすることで、医療施設に行く必要がなくなる睡眠時無呼吸の予備調査方法。
- 年齢、性別、BMI、いびき頻度、いびき音量、いびきの変化、SF_36のrole-physical、SF_36の活力、SF_36のrole-emotion、咳による覚醒、胸痛による覚醒、息切れによる覚醒、高血圧、夜間頻尿の14項目のみの質問票を使用し、睡眠時無呼吸を事前チェックすることで、医療施設に行く必要がなくなる睡眠時無呼吸の予備調査方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020157997A JP7333918B2 (ja) | 2020-09-21 | 2020-09-21 | 睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020157997A JP7333918B2 (ja) | 2020-09-21 | 2020-09-21 | 睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022051600A JP2022051600A (ja) | 2022-04-01 |
JP7333918B2 true JP7333918B2 (ja) | 2023-08-28 |
Family
ID=80856224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020157997A Active JP7333918B2 (ja) | 2020-09-21 | 2020-09-21 | 睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7333918B2 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164366A (ja) | 2005-12-12 | 2007-06-28 | Central Japan Railway Co | 眠気予防情報提示装置、眠気予防情報提示システム、プログラムおよび記録媒体 |
JP2007299307A (ja) | 2006-05-02 | 2007-11-15 | Npo Osaka Health Care Network Fukyu Suishin Kiko | 睡眠時無呼吸症候群のスクリーニング用のプログラム |
JP2009515174A (ja) | 2005-11-04 | 2009-04-09 | レスメド・リミテッド | 睡眠呼吸障害の診断及び管理を支援するための方法及び装置 |
JP2012045373A (ja) | 2010-07-26 | 2012-03-08 | Sharp Corp | 生体測定装置、生体測定方法、生体測定装置の制御プログラム、および、該制御プログラムを記録した記録媒体 |
JP2019063200A (ja) | 2017-09-29 | 2019-04-25 | 特定非営利活動法人睡眠健康研究所 | 呼吸評価システム、解析システム、及びプログラム |
WO2020082115A1 (en) | 2018-10-22 | 2020-04-30 | Alertness CRC Ltd | Decision support software system for sleep disorder identification |
-
2020
- 2020-09-21 JP JP2020157997A patent/JP7333918B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009515174A (ja) | 2005-11-04 | 2009-04-09 | レスメド・リミテッド | 睡眠呼吸障害の診断及び管理を支援するための方法及び装置 |
JP2007164366A (ja) | 2005-12-12 | 2007-06-28 | Central Japan Railway Co | 眠気予防情報提示装置、眠気予防情報提示システム、プログラムおよび記録媒体 |
JP2007299307A (ja) | 2006-05-02 | 2007-11-15 | Npo Osaka Health Care Network Fukyu Suishin Kiko | 睡眠時無呼吸症候群のスクリーニング用のプログラム |
JP2012045373A (ja) | 2010-07-26 | 2012-03-08 | Sharp Corp | 生体測定装置、生体測定方法、生体測定装置の制御プログラム、および、該制御プログラムを記録した記録媒体 |
JP2019063200A (ja) | 2017-09-29 | 2019-04-25 | 特定非営利活動法人睡眠健康研究所 | 呼吸評価システム、解析システム、及びプログラム |
WO2020082115A1 (en) | 2018-10-22 | 2020-04-30 | Alertness CRC Ltd | Decision support software system for sleep disorder identification |
Non-Patent Citations (2)
Title |
---|
尾下豪人 他,閉塞性睡眠時無呼吸症候群のリスク評価における日本語版STOP-Bangテストの有用性,日本プライマリ・ケア連合学会誌,2019年,vol.42, no.1,pp.26-31 |
村田 朗,睡眠時無呼吸症候群の診断と治療 寝ている間に病気が作られる,日本医科大学医学会雑誌,2007年,3(2),pp.96-101 |
Also Published As
Publication number | Publication date |
---|---|
JP2022051600A (ja) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martins et al. | Data mining for cardiovascular disease prediction | |
Halvorsrud et al. | Quality of life model: predictors of quality of life among sick older adults | |
Guessoum et al. | RespiDiag: a case-based reasoning system for the diagnosis of chronic obstructive pulmonary disease | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN108231146B (zh) | 一种基于深度学习的医疗记录模型构建方法、系统及装置 | |
Manzak et al. | Automated classification of Alzheimer’s disease using deep neural network (DNN) by random forest feature elimination | |
Khan et al. | A Comparative Study of Machine Learning classifiers to analyze the Precision of Myocardial Infarction prediction | |
Singh et al. | Improving disease prediction by machine learning | |
Mridha et al. | Automated stroke prediction using machine learning: an explainable and exploratory study with a web application for early intervention | |
Forbes et al. | Where do sexual dysfunctions fit into the meta-structure of psychopathology? A factor mixture analysis | |
Braido et al. | Chronic obstructive lung disease “expert system”: Validation of a predictive tool for assisting diagnosis | |
Grant et al. | Machine learning versus traditional methods for the development of risk stratification scores: a case study using original Canadian Syncope Risk Score data | |
Bhattacharya et al. | Identifying patterns of associated-conditions through topic models of Electronic Medical Records | |
Jalamangala Shivananjaiah et al. | Predicting near-term glaucoma progression: an artificial intelligence approach using clinical free-text notes and data from electronic health records | |
Islam et al. | Prediction of chronic insomnia using machine learning techniques | |
JP7333918B2 (ja) | 睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法 | |
Thangarasu et al. | Prediction of hidden knowledge from clinical database using data mining techniques | |
Sun | Application and Comparison of Artificial Neural Networks and XGBoost on Alzheimer's Disease | |
Aneeshkumar et al. | Reverse sequential covering algorithm for medical Data mining | |
Nahian et al. | Common human diseases prediction using machine learning based on survey data | |
Fann et al. | Patient utility measurement for managing ureteral stones: a modified standard gamble approach | |
Yang et al. | Comparison of prediction models for coronary heart diseases in depression patients | |
Sabouri et al. | Prediction of Depression via Supervised Learning Models: Performance Comparison and Analysis. | |
Santhanakrishna et al. | Early Cerebral Infarction Detection and Classification Using Machine Learning Approaches | |
JP7348691B2 (ja) | 介入評価装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220820 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220820 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221011 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221212 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230417 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20230417 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20230417 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230511 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230801 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230807 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7333918 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |