- 论文公开站arXiv
基于动态结构因果模型的睡眠呼吸障碍因果结构学习
Dynamic Structural Causal Modeling for Sleep
摘要显示，研究利用PCMCI+算法对105例家庭睡眠呼吸暂停测试（HSAT）记录进行动态因果图学习，通过窗口化分数变量、边缘黑名单和自助聚合，揭示了睡眠呼吸障碍因果结构在性别和年龄亚组间的系统性差异。结果发现时间自依赖和呼吸暂停-去饱和关系在所有亚组中持续存在，而其他关系变化较大。
The study learns dynamic causal graphs of sleep-disordered breathing from HSAT recordings using PCMCI+, revealing systematic differences across sex and age subcohorts, with temporal self-dependencies and apnea-desaturation relationships persistent across all cohorts.
意义：为睡眠呼吸障碍的个性化干预提供因果依据，展示因果发现在医疗时序数据中的应用，对AI辅助诊断和精准医疗有参考价值。