睡眠と概日性障害の鑑別診断のための機械学習法の外来概日モニタリング（ACM）への適用

Application of Machine Learning Methods to Ambulatory Circadian Monitoring (ACM) for Discriminating Sleep and Circadian Disorders.

• Beatriz Rodriguez-Morilla
• Eduard Estivill
• Carla Estivill-Domènech
• Javier Albares
• Francisco Segarra
• Angel Correa
• Manuel Campos
• Maria Angeles Rol
• Juan Antonio Madrid

抄録

本研究では、外来概日モニタリング（ACM）から得られた概日パラメータに機械学習法を適用し、原発性不眠症（PI）と遅発性睡眠相障害（DSPD）の鑑別診断のための分類モデルを提案する。19 名の健康な対照群と 242 名の患者（PI = 184 名、DSPD = 58 名）を、匿名化されたサーカディアン・ヘルス・データベース（https://kronowizard.um.es/）から、レトロスペクティブかつ非介入の研究のために選択した。ACMは、1週間の間の手首温度（T）、運動活動（A）、体位（P）、環境光暴露（L）のリズムを記録する。睡眠は統合変数TAP（体温、運動量、体位から）から推定した。TAPと推定睡眠のノンパラメトリック分析により、日間安定性（IS）、日内変動性（IV）、相対振幅（RA）、および全日周機能指数（CFI）の指標が得られた。中間睡眠時間と中間覚醒時間は、それぞれTAP-L5（最低値の5時間連続）とTAP-M10（最大値の10時間連続）の中心時間から推定した。ANOVA、カイ二乗、情報利得基準分析によって決定された最も識別性の高いパラメータを用いて、機械学習を用いて決定木を構築した。このモデルは、健常対照者、DSPD、および3つの不眠症サブグループ（不眠症の発症、維持、軽度不眠症に対応）を、精度、感度、およびAUC>85%で区別した。結論として、サーカディアンパラメータは、信頼性が高く、客観的に、一般的に混同されているDSPDとOIなどの異なる睡眠とサーカディアン障害を識別し、特徴付けるために使用することができ、PIの異なるサブタイプの間で。我々の知見は、睡眠医学において概日リズム評価を考慮することの重要性を強調している。

The present study proposes a classification model for the differential diagnosis of primary insomnia (PI) and delayed sleep phase disorder (DSPD), applying machine learning methods to circadian parameters obtained from ambulatory circadian monitoring (ACM). Nineteen healthy controls and 242 patients (PI = 184; DSPD = 58) were selected for a retrospective and non-interventional study from an anonymized Circadian Health Database (https://kronowizard.um.es/). ACM records wrist temperature (T), motor activity (A), body position (P), and environmental light exposure (L) rhythms during a whole week. Sleep was inferred from the integrated variable TAP (from temperature, activity, and position). Non-parametric analyses of TAP and estimated sleep yielded indexes of interdaily stability (IS), intradaily variability (IV), relative amplitude (RA), and a global circadian function index (CFI). Mid-sleep and mid-wake times were estimated from the central time of TAP-L5 (five consecutive hours of lowest values) and TAP-M10 (10 consecutive hours of maximum values), respectively. The most discriminative parameters, determined by ANOVA, Chi-squared, and information gain criteria analysis, were employed to build a decision tree, using machine learning. This model differentiated between healthy controls, DSPD and three insomnia subgroups (compatible with onset, maintenance and mild insomnia), with accuracy, sensitivity, and AUC >85%. In conclusion, circadian parameters can be reliably and objectively used to discriminate and characterize different sleep and circadian disorders, such as DSPD and OI, which are commonly confounded, and between different subtypes of PI. Our findings highlight the importance of considering circadian rhythm assessment in sleep medicine.

Copyright © 2019 Rodriguez-Morilla, Estivill, Estivill-Domènech, Albares, Segarra, Correa, Campos, Rol and Madrid.