Analysis of EEG and Digital Therapeutic Logs for OSA and Dementia Patients Using Machine Learning

Abstract

This thesis focuses on predicting key variables to assist medical assessment of obstructive sleep apnea (OSA) and dementia using machine learning, with a particular emphasis on supporting physician diagnoses. Initially, we examined Polysomnography (PSG) data from participants with OSA both before and after undergoing Continuous Positive Airway Pressure (CPAP) treatment. By identifying Electroencephalography (EEG) features significantly affecting OSA prediction indices like the Apnea-Hypopnea Index (AHI) and Oxygen Saturation (SpO2) through the Shapley Additive exPlanation (SHAP) method, we employed machine learning models to predict these crucial parameters. XGBoost predicted both AHI score and SpO2 with the highest accuracy among the three machine learning models, showing MAE of 0.0161, 0.7313 and RMSE of 0.0199 and 0.9117. With the further machine learning modeling after feature engineering, overall prediction of AHI score improved but prediction in SpO2 declined which results in different characteristics of index that needs further features. Through utilizing EEG-derived features for AHI and SpO2, it offers insights into patients' sleep quality, streamlining diagnostics and improving personalized treatment. Furthermore, the increasing prevalence of dementia in the elderly population and the need for remote digital therapies highlight the significance of digital therapeutics. However, evaluating cognition during clinical trials of digital therapeutics faces challenges owing to the lack of log data being factored in as an evaluative criterion. To overcome this divide, we suggest a resolution: employing weighted derived variables that rely on the accuracy of variables that shows high importance in utilizing log data. This approach offers an indirect metric for assessing the cognitive performance of users engaging with digital therapeutics. We predicted the derived variable CogScore with three machine learning models. XGBoost outperformed other models in terms of prediction accuracy, achieving the lowest MAE of 0.0673 and RMSE of 0.1041. The research emphasizes the importance of healthcare data analysis through machine learning as a valuable tool in assisting physician diagnoses.;본 논문은 폐쇄성 수면 무호흡증(OSA)과 치매에 초점을 맞춰 의사의 진단을 보조할 수 있도록 머신러닝을 통한 진단에 주요한 변수 예측을 수행했다. 지속적 기도양압 (CPAP) 치료 전후의 폐쇄성 수면 무호흡증 (OSA) 환자의 PSG 데이터를 분석하여 OSA 예측 지수에 크게 영향을 미치는 EEG 특징을 식별했다. 우리는 이러한 필수 매개변수를 예측하기 위해 머신러닝 모델을 사용했다. AHI 및 SpO2에 대한 EEG 기반 기능을 활용하면 환자의 수면 질에 대한 통찰력을 제공하고 진단을 간소화하며 환자 맞춤형 치료를 개선한다. 또한, 노인 인구의 치매 유병률 증가와 원격 디지털 치료의 필요성이 높아짐에도 디지털 치료법의 임상시험 중 인지 평가는 평가 요소인 로그 데이터가 없기 때문에 어려움에 직면해 있다. 이러한 격차를 해소하기 위해 우리는 로그 데이터 활용에서 중요도가 높은 변수의 정확성을 기반으로 가중 파생 변수를 제공하고 머신러닝 분석을 통하여 디지털 치료 사용자를 위한 간접적인 인지 평가 지표를 제공한다. 연구 결과는 헬스케어 분야에서의 의사의 진단 보조도구로서 머신러닝을 통한 헬스케어 데이터 분석의 중요성을 강조한다.