Obstructive sleep apnea (OSA) is conventionally diagnosed with a single metric, the apnea-hypopnea index (AHI). However, the AHI may not be the sleep characteristic most relevant to the associated comorbidities of OSA, which include cardiovascular, neurovascular, and metabolic disease. In this thesis, by using machines learning methods, we aim to discover comprehensive phenotypes of OSA based on whole polysomnography (PSG) scores to identify the groups of patients with prevalent comorbidity outcomes and the sleep characteristics of such groups. PSG data of patients that underwent the PSG test at a sleep center in a tertiary hospital in South Korea from 2004 to 2017 were used. We use the Dirichlet process Gaussian mixture models (DPGMM) to cluster the patients, where six clusters with different sleep characteristics and cardio-neuro-metabolic outcomes were discovered. In addition, to further investigate the relationship between the PSG variables and comorbidity prevalence, we use the random survival forest (RSF) to discover sleep characteristics that have high contributions in the prevalence of comorbidities.
수면무호흡증은 무호흡-저호흡 지수라는 단일 지표를 통해 진단된다. 그러나 무호흡-저호흡 지수는 심혈관, 뇌혈관, 대사성 질환 등 다양한 수면무호흡증의 합병증과 높은 연관성을 보이지 않고 있다. 본 논문에서는 수면다원검사 결과와 기계학습 기법을 사용하여 다양한 수면 특성과 합병증 위험도를 종합적으로 반영하는 수면무호흡증 환자군을 찾는다. 디리클레 프로세스 가우시안 혼합모형을 사용한 환자 군집화를 통해 여섯 개의 새로운 수면무호흡증 환자군을 발견하였다. 또한 랜덤 서바이벌 포레스트를 사용하여 다양한 수면다원검사 지표와 합병증 발병의 상관관계를 파악하였다.
