Using Hourly Aggregated Respiratory Rate and Expiratory Time with Machine Learning to Identify Remote COPD Exacerbations
Rattachement africain : sg, us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Abstract Exacerbations of chronic obstructive pulmonary disease (COPD) are a major cause of morbidity and mortality. Various models for identifying exacerbations have been proposed, but few models are based on continuous and passively recorded respiratory physiology data. We enrolled 17 subjects with COPD with at least 2 exacerbations in the prior 12 months. We developed machine learning models using aggregated respiratory rates and expiratory times collected passively in a home-setting to identify COPD exacerbations. Models achieved areas under the ROC curve of 0.7989 and 0.8720 respectively, for exacerbations defined by self-reported outcomes and COPD Assessment Test (CAT) score changes. This pilot study demonstrates the feasibility of using passively recorded respiratory physiological data to identify COPD exacerbations.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Using Hourly Aggregated Respiratory Rate and Expiratory Time with Machine Learning to Identify Remote COPD Exacerbations
- Date Crossref
- 25/10/2025
- Éditeur
- openRxiv
- Type
- posted-content
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.