用于睡眠的动态结构因果建模
Dynamic Structural Causal Modeling for Sleep
浏览论文内容
中文总结 AI 辅助
该研究针对睡眠呼吸障碍因果动力学复杂的问题，采用PCMCI+算法结合HSAT记录学习动态因果图，揭示了不同性别年龄亚队列的因果结构差异，为睡眠相关研究提供了新的分析方法。
中文摘要 AI 辅助
睡眠呼吸障碍的因果动力学较为复杂，且在不同患者群体中存在差异，阻碍了针对性干预措施的开发。我们采用PCMCI+算法对105份家庭睡眠呼吸暂停测试（HSAT）记录衍生的窗口化分数变量进行分析，通过边缘黑名单利用领域知识，并采用自助聚合解决子队列规模小的问题，以此从HSAT记录中学习睡眠呼吸障碍的动态因果图，揭示了不同性别和年龄亚队列间因果结构的系统性差异。学习到的图显示，时间自依赖和呼吸暂停-血氧下降关系在所有队列中均持续存在，而其他关系则存在显著差异。
英文摘要
The causal dynamics of sleep-disordered breathing are complex and vary across patient populations, hindering the development of targeted interventions. We learn dynamic causal graphs of sleep-disordered breathing from Home Sleep Apnea Test (HSAT) recordings, revealing systematic differences in causal structure across sex and age subcohorts. We do so using the PCMCI+ algorithm on windowed fractional variables derived from 105 HSAT recordings, exploiting domain knowledge via edge blacklisting and employing bootstrap aggregation to address small subcohort sizes. The learned graphs show that temporal self-dependencies and the apnea-desaturation relationship persist across all cohorts, while other relationships vary substantially.
发表机构
- The University of Texas at Dallas（德克萨斯大学达拉斯分校）
- TU Darmstadt（达姆施塔特工业大学）
- ENT & Sleep Medicine of Dallas（达拉斯耳鼻喉与睡眠医学中心）
机构由 AI 辅助整理，请以论文原文为准。
