Multi-level Phenotypic Models of Cardiovascular Disease and Obstructive Sleep Apnea Comorbidities: A Longitudinal Wisconsin Sleep Cohort Study

心血管疾病在阻塞性睡眠呼吸暂停症（OSA）患者中非常普遍，由于共病的错综复杂相互作用，预测CVD进展面临独特挑战。传统模型通常缺乏必要的动态和纵向范围，无法准确预测OSA患者的CVD轨迹。本研究引入了一种新的多层表型模型，利用来自威斯康星睡眠队列的数据（包括1123名参与者长达几十年的随访），分析这些疾病随时间的进展和相互作用。我们的方法包括三个高级步骤：（1）通过基于树的模型进行特征重要性分析，强调关键的预测变量，如总胆固醇、低密度脂蛋白（LDL）和糖尿病。（2）开发一个混合效应逻辑模型（LGMM）来跟踪纵向转换和确定显著因素，其诊断准确率为0.9556。（3）在高斯混合模型（GMM）旁边实施t分布随机邻域嵌入（t-SNE），将患者数据分割成不同的表型簇，反映不同的风险配置文件和疾病进展途径。这种表型聚类揭示了两个主要群体，其中一个显示出明显增加的重大不良心血管事件（MACEs）风险，强调了夜间低氧和睡眠数据的交感神经活动的显著预测作用。通过t-SNE和GMM分析转换和轨迹，突显了队列中不同的进展速度，其中一个簇向严重CVD状态的进展速度比另一个慢。本研究提供了对CVD和OSA之间动态关系的全面理解，为预测疾病发生和量身定制治疗方法提供了有价值的工具。

本文旨在解决阻塞性睡眠呼吸暂停综合症（OSA）患者中心血管疾病（CVDs）预测的挑战，提出了一种新的多层次表型模型来分析这些疾病之间的相互作用和进展。

该研究采用三个先进步骤：通过基于树的模型进行特征重要性分析，开发逻辑混合效应模型（LGMM）来跟踪纵向转换并找出显着因素，然后使用t分布随机邻居嵌入（t-SNE）和高斯混合模型（GMM）将患者数据分为不同的表型群集，以反映不同的风险和疾病进展路径。

该研究揭示了两个主要群体，其中一个显示出明显增加的主要不良心血管事件（MACEs）风险，强调了夜间低氧和睡眠数据中交感神经系统活动的显着预测作用。使用t-SNE和GMM进行转换和轨迹分析，突出显示了群集内不同的进展速度，其中一个群集向严重CVD状态的进展速度比另一个群集慢。

相关研究包括使用机器学习来预测OSA患者的CVD风险，如使用支持向量机（SVM）和神经网络等方法。另外，也有研究探讨了OSA对CVD发展的影响，以及使用连续正气道压力通气（CPAP）等治疗方法来改善CVD风险。