生物通首页 > 今日动态 > 正文

综述：人工智能在阻塞性睡眠呼吸暂停诊断中的应用：范围综述

编辑推荐：

这篇综述系统梳理了人工智能（AI）在阻塞性睡眠呼吸暂停（OSA）诊断中的研究进展，重点探讨了替代传统多导睡眠监测（PSG）的AI技术方案。作者通过分析344篇文献，揭示了ECG、PPG等40种数据源与CNN、SVM等算法的应用现状，指出AI在提高诊断可及性的同时，仍需解决模型透明度、人群普适性等挑战，为临床转化提供了系统性参考。

阻塞性睡眠呼吸暂停诊断中的应用：范围综述

引言

阻塞性睡眠呼吸暂停（OSA）作为全球约9.36亿人罹患的慢性疾病，其诊断金标准多导睡眠监测（PSG）存在成本高、可及性差的痛点。随着肥胖率攀升导致的OSA患病率激增，开发基于人工智能（AI）的替代方案成为研究热点。本文首次全面绘制了AI技术在成人OSA诊断中的应用版图，从数据采集、算法设计到临床转化挑战进行了系统性梳理。

方法学框架

研究采用PRISMA-ScR指南，通过Web of Science数据库检索1996-2023年间344篇英文文献。排除标准涵盖儿科研究及光学领域干扰项，采用PICO框架（人群：成人OSA患者；干预：AI技术；对照：PSG/HSAT；结局：诊断效能）确保研究质量。双盲筛选流程结合每周共识会议，最终建立包含40种数据源、26类算法的分析矩阵。

疾病评估方法

研究揭示了五种主要评估范式：

1. ​​二分类诊断​​（118篇）：以AHI≥15/h为阈值区分OSA阳性/阴性，常用逻辑回归等传统算法。
2. ​​事件检测​​（211篇）：通过分段分析ECG/PPG信号识别呼吸事件，需聚合计算AHI。
3. ​​严重度分级​​（38篇）：多分类模型区分轻（AHI>5）、中（AHI>15）、重（AHI>30）度OSA。
4. ​​AHI回归预测​​（26篇）：直接输出连续AHI值，但临床适用性存疑。
5. ​​阻塞定位​​（8篇）：通过DISE或影像数据识别上气道塌陷部位。

值得注意的是，60%研究采用患者新招募数据，34%复用公开数据集（如著名的Computers in Cardiology Challenge 2000的Apnea-ECG数据集），平均样本量679例。

数据采集技术

40种采集方式可归为两类：

• ​​时序生理信号​​：主导研究领域，包括：
  • ECG（108篇）：通过R-R间期变异捕捉呼吸事件
  • PPG（62篇）：基于血氧波动特征
  • 呼吸努力信号（44篇）：含雷达、压力垫等创新传感
  • 鼾声分析（29篇）：挖掘声学特征模式
• ​​结构特征数据​​：
  • 三维颅面扫描（3篇）
  • DISE视频（3篇）
  • 蛋白质组学（1篇）：发现65种OSA相关蛋白

算法演进路径

AI技术呈现明显代际发展：

1. ​​传统机器学习​​：SVM（91篇）通过核函数处理高维特征，随机森林（50篇）集成决策树提升鲁棒性。
2. ​​浅层神经网络​​：MLP（32篇）引入非线性映射，GRNN（6篇）擅长概率密度估计。
3. ​​深度学习革命​​：
   • CNN（104篇）：自动提取ECG频谱图特征
   • LSTM（45篇）：建模呼吸事件时序依赖
   • Transformer（2篇）：突破性处理长程信号关联

性能与临床转化

尽管部分研究报道准确率>95%（如Kumar等ECG研究达100%），但存在显著局限：

• ​​指标异质性​​：61%研究采用准确率，但AUPRC更适合作不平衡数据（如AHI>30仅占样本8%）
• ​​临床脱节​​：F1-score与PPV/NPV等临床决策指标相关性低
• ​​硬件瓶颈​​：Choo等自动化PSG分析系统虽节约99%耗时（42.7s vs 4243s），但依赖专业设备

未来方向

作者提出五大政策建议：

1. 建立开源数据库促进算法比较
2. 开发超越AHI的复合生物标志物
3. 制定STARD规范的报告标准
4. 将AI诊断纳入医学生课程体系
5. 推动FDA等机构认证流程

该综述为AI在睡眠医学中的落地提供了路线图，强调需通过多中心临床试验解决过拟合、黑箱性等核心挑战，最终实现从实验室精度到临床效用的跨越。

生物通 版权所有