Multimodal Deep Learning Model for Predicting the Apnea-Hypopnea Index in Obstructive Sleep
Obstructive Sleep Apnea (OSA) · Polysomnography
De qué trata este estudio
El registro no identifica actualmente este estudio como reclutando. Consulta su estado antes de planificar una evaluación.
- Tipo de estudio
- Observacional
- Fase
- No aplica / no indicada
- Rango de edad
- 30 años - 75 años
- Sexo admitido
- Todos los sexos
- Voluntarios sanos
- No aceptados
- Participantes
- 150 Real
Estos son puntos de partida, no una decisión de elegibilidad. El equipo debe revisar todos los requisitos.
Las explicaciones y la navegación están en español. Los textos proporcionados por el registro, incluidos títulos, resúmenes y criterios, se conservan en su idioma original. Puedes pedir orientación en español a WCR.
Acerca de la investigación
This study aims to develop a multimodal deep learning model that integrates noninvasive signals to predict the severity of obstructive sleep apnea. By establishing a clinically viable and user-friendly monitoring tool, the study seeks to enhance early screening accessibility and support the development of home-based sleep care systems.
Leer la descripción completa
Obstructive sleep apnea is a common sleep disorder closely associated with cardiovascular, metabolic, and neuropsychiatric comorbidities. It is characterized by repeated upper airway collapse during sleep, leading to intermittent hypoxia and sleep fragmentation. Although polysomnography remains the diagnostic gold standard for obstructive sleep apnea, its high cost, complexity, and limited accessibility pose challenges for large-scale screening and early identification. Recent advancements in noninvasive sensing technologies-such as electronic stethoscopes, wearable oximeters, and under-mattress pressure sensors-have enabled low-burden physiological monitoring solutions, offering new opportunities for simplified obstructive sleep apnea detection. In this study, synchronized multimodal physiological data will be collected during overnight sleep, including respiratory sounds, continuous saturation measurements, and standard polysomnography waveforms. Signal preprocessing and feature extraction will be performed to ensure data quality and temporal alignment. A deep learning model will be developed using these multimodal signals as inputs. The apnea-hypopnea index will be derived from overnight polysomnography. The model will be trained to estimate apnea-hypopnea index values and classify obstructive sleep apnea severity according to established clinical thresholds.
¿Quién podría participar?
La lista siguiente contiene el texto del patrocinador. Puede incluir condiciones, tratamientos previos, resultados de pruebas y otros requisitos. Aparecer en tu búsqueda no significa que califiques.
Inclusion Criteria:
- age 30-75 years
- clinically suspected obstructive sleep apnea and scheduled for polysomnography
- willing and able to provide written informed consent
Exclusion Criteria:
- intolerance to the electronic stethoscope or fingertip pulse oximeter
- significant structural airway abnormalities
- arrhythmia
- neuromuscular disorders
- pregnancy
- hospitalization within the past 1 month
- inability to provide informed consent or requiring legal guardian consent
Población del estudio
patient of Affiliated University Hospital
Entiende la evaluación inicialTratamiento, grupos y participación
El registro puede describir tratamientos y duración sin incluir un calendario completo. Pide al equipo las visitas, procedimientos, riesgos, costos y alternativas. Mantén tu atención habitual salvo que tu médico te indique un cambio.
- Asignación
- No informado
- Enmascaramiento
- No informado
electronic stethoscope DEVICE
digital device amplifying and recording cardiopulmonary sounds
fingertip pulse oximeter DEVICE
a small device placed on the finger to measure blood oxygen saturation (SpO₂) and pulse rate noninvasively.
pressure-sensing mattresses DEVICE
using ballistocardiography (BCG) for monitoring respiration and heart rate
Qué evalúan los investigadores
Estas medidas indican qué se estudia. No prueban que un tratamiento funcione.
Medidas principales
apnea-hypopnea index, sound waveforms, and the correlation between apnea-hypopnea index and ballistocardiography waveforms
Plazo: one night
No informado en este registro.
Revisa las tablas completas y sus limitaciones en el registro oficial.
Abrir resultados oficiales ↗Centros de investigación (1)
El estado general puede diferir del estado de un centro. Confirma la disponibilidad antes de trasladarte.
1 centros
Fu Jen Catholic University Hospital, Fu Jen Catholic UniversityNew Taipei City, TaiwanEstado desconocido
Equipo y fechas
- Patrocinador principal
- Fu Jen Catholic University
- Inicio del estudio
- 5 sept 2025 Real
- Finalización primaria
- 17 ago 2026 Real
- Finalización del estudio
- 17 ago 2026 Real
- Primera publicación
- 4 mar 2026 Real
- Última actualización
- 10 nov 2026 Real
Contactos oficiales del estudio
No hay un contacto central indicado. Revisa los centros y el registro oficial.
Título oficial del estudio
A Multisensor Deep Neural Framework Combining Digital Auscultation, Oxygen Saturation, and Motion Data to Estimate the Apnea-Hypopnea Index in Obstructive Sleep Apnea
Consulta a Wellness Clinical Research
Tu mensaje va a WCR, incluso si otra organización realiza este estudio. WCR puede orientarte, pero podría no realizar este estudio, tener acceso a su equipo ni poder inscribirte.
Fuente: API v2 de ClinicalTrials.gov. Patrocinadores e investigadores envían la información. La NLM no aprueba la seguridad ni la ciencia de todos los estudios registrados. Aviso del registro.
Consultado: 11 nov 2026 · Última actualización del registro: 10 nov 2026