Меню
Идёт набор NCT07447999

Multimodal Deep Learning Model for Predicting the Apnea-Hypopnea Index in Obstructive Sleep

— Наблюдательное Obstructive Sleep Apnea (OSA) Polysomnography

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
В протоколе указаны: electronic stethoscope, fingertip pulse oximeter, pressure-sensing mattresses.
Кому может быть актуально
Состояния в реестре: Obstructive Sleep Apnea (OSA), Polysomnography. Базовые параметры: 30 лет — 75 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Тайвань
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Официальное название

A Multisensor Deep Neural Framework Combining Digital Auscultation, Oxygen Saturation, and Motion Data to Estimate the Apnea-Hypopnea Index in Obstructive Sleep Apnea

Обзор

This study aims to develop a multimodal deep learning model that integrates noninvasive signals to predict the severity of obstructive sleep apnea. By establishing a clinically viable and user-friendly monitoring tool, the study seeks to enhance early screening accessibility and support the development of home-based sleep care systems.

Подробное описание

Obstructive sleep apnea is a common sleep disorder closely associated with cardiovascular, metabolic, and neuropsychiatric comorbidities. It is characterized by repeated upper airway collapse during sleep, leading to intermittent hypoxia and sleep fragmentation. Although polysomnography remains the diagnostic gold standard for obstructive sleep apnea, its high cost, complexity, and limited accessibility pose challenges for large-scale screening and early identification. Recent advancements in noninvasive sensing technologies-such as electronic stethoscopes, wearable oximeters, and under-mattress pressure sensors-have enabled low-burden physiological monitoring solutions, offering new opportunities for simplified obstructive sleep apnea detection. In this study, synchronized multimodal physiological data will be collected during overnight sleep, including respiratory sounds, continuous saturation measurements, and standard polysomnography waveforms. Signal preprocessing and feature extraction will be performed to ensure data quality and temporal alignment. A deep learning model will be developed using these multimodal signals as inputs. The apnea-hypopnea index will be derived from overnight polysomnography. The model will be trained to estimate apnea-hypopnea index values and classify obstructive sleep apnea severity according to established clinical thresholds.

Вмешательства

  • Устройство electronic stethoscope
    digital device amplifying and recording cardiopulmonary sounds
  • Устройство fingertip pulse oximeter
    a small device placed on the finger to measure blood oxygen saturation (SpO₂) and pulse rate noninvasively.
  • Устройство pressure-sensing mattresses
    using ballistocardiography (BCG) for monitoring respiration and heart rate

Первичные конечные точки

  • apnea-hypopnea index, sound waveforms, and the correlation between apnea-hypopnea index and ballistocardiography waveforms [Срок оценки: one night]

Критерии участия

Критерии включения

  • age 30-75 years
  • clinically suspected obstructive sleep apnea and scheduled for polysomnography
  • willing and able to provide written informed consent

Критерии исключения

  • intolerance to the electronic stethoscope or fingertip pulse oximeter
  • significant structural airway abnormalities
  • arrhythmia
  • neuromuscular disorders
  • pregnancy
  • hospitalization within the past 1 month
  • inability to provide informed consent or requiring legal guardian consent

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Здоровые добровольцы: Нет

Дизайн исследования

Модель наблюдения
Когортное

Центры проведения

Тайвань · 1 центр
  • Fu Jen Catholic University Hospital, Fu Jen Catholic University — New Taipei City

Идентификаторы

NCT: NCT07447999 · FJUH114486

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗