Amélioration Des Performances Diagnostiques De La Polygraphie Ventilatoire Par L’ajout D’une Voie D’eeg
Médecine du Sommeil(2024)
CIDELEC | LTSI | Laboratoire du sommeil du CHU d’Angers
Abstract
ObjectifEn ne prenant en compte ni le temps de sommeil total (TST), ni les hypopnées non désaturantes mais micro-éveillantes (H_MEV), la polygraphie ventilatoire (PV) sous-estime l’index d’apnées-hypopnées (IAH_PV), comparativement à celui déterminé par polysomnographie (IAH_PSG). L’objectif de cette étude est d’évaluer l’IAH résultant d’un dispositif couplant la PV avec une unique voie EEG (IAH_PV+1EEG).MéthodesL’étude a porté sur 1693 enregistrements PSG (IAH moyen 21/h±20/h) provenant de la cohorte sommeil IRSR des Pays de la Loire. L’IAH_PV a été calculé à partir des voies disponibles en PV. Pour le système proposé, qui couple la PV à la voie EEG Fp2-A1, deux algorithmes estimant automatiquement le TST (algorithme HypnoLighT) et les H_MEV ont été utilisés. Pour chaque patient, la sévérité du SAOS pour les trois systèmes a été estimée en utilisant les seuils d’IAH habituels de 5/h, 15/h et 30/h.RésultatsEn PV, 691 (40,8 %) patients auraient été sous-diagnostiqués par rapport à la PSG (IAH_PV indiquant une sévérité inférieure). Avec le système proposé, ce nombre chute à 111 (6,6 %). Le taux d’accord entre les sévérités de SAOS estimées depuis l’IAH_PV+1EEG et l’IAH_PSG et le coefficient Kappa de Cohen atteignaient respectivement 90,0 %, et 0,87.ConclusionL’ajout d’un EEG à la PV et l’utilisation d’algorithmes d’analyse du TST et des H_MEV permet à moindre coût et sans lecture supplémentaire d’approcher les performances de la PSG pour le diagnostic des apnées du sommeil.
MoreTranslated text
求助PDF
上传PDF
View via Publisher
AI Read Science
AI Summary
AI Summary is the key point extracted automatically understanding the full text of the paper, including the background, methods, results, conclusions, icons and other key content, so that you can get the outline of the paper at a glance.
Example
Background
Key content
Introduction
Methods
Results
Related work
Fund
Key content
- Pretraining has recently greatly promoted the development of natural language processing (NLP)
- We show that M6 outperforms the baselines in multimodal downstream tasks, and the large M6 with 10 parameters can reach a better performance
- We propose a method called M6 that is able to process information of multiple modalities and perform both single-modal and cross-modal understanding and generation
- The model is scaled to large model with 10 billion parameters with sophisticated deployment, and the 10 -parameter M6-large is the largest pretrained model in Chinese
- Experimental results show that our proposed M6 outperforms the baseline in a number of downstream tasks concerning both single modality and multiple modalities We will continue the pretraining of extremely large models by increasing data to explore the limit of its performance
Upload PDF to Generate Summary
Must-Reading Tree
Example

Generate MRT to find the research sequence of this paper
Data Disclaimer
The page data are from open Internet sources, cooperative publishers and automatic analysis results through AI technology. We do not make any commitments and guarantees for the validity, accuracy, correctness, reliability, completeness and timeliness of the page data. If you have any questions, please contact us by email: report@aminer.cn
Chat Paper
GPU is busy, summary generation fails
Rerequest