Neurology：数据驱动的中枢性嗜睡症表型与无监督聚类
最近的研究引发了对是否所有目前定义的中枢性嗜睡症都是稳定的实体的怀疑，特别是 2 型发作性睡病和特发性嗜睡症。需要新的可靠生物标志物，问题是是否应重新评估当前的嗜睡症诊断标准。这项数据驱动的观察性研究的主要目的是查看数据驱动的算法是否可以区分 1 型发作性睡病，并使用新的临床生物标志物确定更可靠的没有猝倒症的个体亚组。 研究使用凝聚层次聚类(一种无监督机器学习算法)来识别大型欧洲嗜睡症网络数据库中不同的嗜睡症集群。纳入了 97 个变量，涵盖了中枢性嗜睡症的所有方面，例
最近的研究引发了对是否所有目前定义的中枢性嗜睡症都是稳定的实体的怀疑，特别是 2 型发作性睡病和特发性嗜睡症。需要新的可靠生物标志物，问题是是否应重新评估当前的嗜睡症诊断标准。这项数据驱动的观察性研究的主要目的是查看数据驱动的算法是否可以区分 1 型发作性睡病，并使用新的临床生物标志物确定更可靠的没有猝倒症的个体亚组。
研究使用凝聚层次聚类(一种无监督机器学习算法)来识别大型欧洲嗜睡症网络数据库中不同的嗜睡症集群。纳入了 97 个变量，涵盖了中枢性嗜睡症的所有方面，例如症状、人口统计、客观和主观睡眠测量以及实验室生物标志物。特别关注没有猝倒症的患者亚组。集群的数量被选择为将没有猝倒的患者分成不同组的最小数量。
研究纳入了 1078 名未服用药物的青少年和成人。
确定了七个集群，其中四个集群主要包括猝倒症患者。
两个最明显的集群分别由 158 名和 157 名患者组成，以没有猝倒症的患者为主，除其他变量外，在睡眠醉酒、主观觉醒困难和周末睡眠长度差异方面存在显着差异。
正式诊断为 2 型发作性睡病和特发性嗜睡症的患者在这两个集群中均匀混合。
在迄今为止关于嗜睡中枢疾病的最大研究中使用数据驱动的方法，该研究确定了嗜睡中枢疾病人群中不同的患者亚组。该结果对将入睡快速眼动时间 (SOREMP) 纳入无猝倒症患者的诊断标准提出了质疑，并为更类似于不同患者表型的可靠诊断类别提供了有希望的新变量。集群引导的分类将产生更可靠的嗜睡分类系统，该系统不易受单个特征不稳定性的影响。
相关文章
评论
我要跟帖
.jpg)
