根据持续正压通气(CPAP)流量预测患有阻塞性睡眠呼吸暂停患者的睡眠状态
《Sleep Medicine》:Predicting Sleep State from Continuous Positive Airway Pressure Flow in Patients with Obstructive Sleep Apnea
【字体:
大
中
小
】
时间:2026年05月28日
来源:Sleep Medicine 3.4
编辑推荐:
Muneeb Ahsan|Hsin-Yu Chen|Cheng-Yao J. Chen|Andira I. Anwar|Thomas M. Tolbert|David M. Rapoport|Henry K. Yaggi|Hau-Tieng Wu|Andrey V. Zinchu
Muneeb Ahsan|Hsin-Yu Chen|Cheng-Yao J. Chen|Andira I. Anwar|Thomas M. Tolbert|David M. Rapoport|Henry K. Yaggi|Hau-Tieng Wu|Andrey V. Zinchuk
美国康涅狄格州纽黑文市耶鲁大学医学院医学系
摘要
引言
阻塞性睡眠呼吸暂停(OSA)的首选治疗方法是持续正压通气(CPAP)。CPAP的依从性通过每晚佩戴面罩的时间来评估。为了了解使用CPAP的患者是否在佩戴面罩时处于睡眠状态(从而可能从治疗中受益),我们试图根据CPAP流量信号来预测睡眠情况。
方法
我们开发了一种机器学习算法,利用130个特征(其中126个来自CPAP流量数据、年龄、性别、体重指数(BMI)和CPAP压力水平)来预测睡眠状态(清醒 vs. 睡眠)。我们使用了100名在耶鲁睡眠中心接受CPAP滴定治疗的成人OSA患者的多导睡眠图记录(n=70用于训练,n=30用于测试)。睡眠阶段由AASM认证的技术人员评分。我们确定了模型的准确性、敏感性、特异性、阳性预测值(PPV)和阴性预测值(NPV)。
结果
数据集包括48名女性和52名男性,中位(四分位数)年龄为61(46.3-69.0)岁,BMI为33.8(27.8-39.6)kg/m2,残余呼吸暂停-低通气指数为3.0(1.0-6.0)次/小时,训练样本和测试样本之间没有显著差异。我们使用69,520个数据点(74%为睡眠数据)进行模型训练,19,124个数据点(76%为睡眠数据)进行模型测试。睡眠与清醒的整体准确率为0.82,Cohen’s Kappa值为0.51。该模型在预测睡眠状态时表现出高敏感性(86.4%)和阳性预测值(89.0%),而在预测清醒状态时敏感性较低(66.4%)和阳性预测值较低(60.7%)。
结论
通过使用CPAP流量和人口统计信息,可以有效地逐个时段预测睡眠和清醒状态。此类信息可以补充CPAP设备的使用数据,以更好地评估CPAP的治疗效果。
引言
阻塞性睡眠呼吸暂停(OSA)是一种常见的疾病,其特征是上呼吸道反复塌陷,导致间歇性缺氧和睡眠片段化1。OSA与高血压、心力衰竭、中风、神经认知衰退和机动车事故的风险增加有关2。持续正压通气(CPAP)是OSA的标准治疗方法3,但其效果受到患者依从性的限制4。依从性很重要,因为CPAP的好处与使用时间成正比:CPAP的使用时间与白天嗜睡和血压的改善有关5。
CPAP的使用情况,以及治疗的依从性,是通过PAP设备的“面罩佩戴时间监测”数据来确定的6。然而,这一指标可能无法反映CPAP的实际治疗效果,因为它假设患者在佩戴面罩时处于睡眠状态。在研究或临床护理中使用这种指标可能会产生问题。它错误地假设患者在佩戴面罩时处于睡眠状态,即使他们实际上可能经历睡眠片段化、不适或睡眠期间治疗使用不足等问题<7, 8>。这种错误分类可能会延迟优化治疗的重要干预措施。在家庭环境中进行纵向睡眠监测可以解决这些问题。然而,目前用于评估睡眠(例如,作为独立工具或多导睡眠图的一部分的脑电图)或活动(例如,活动记录)的设备在长期(>1个月)临床环境中不可行,因为存在耐受性和额外成本的问题。需要新的工具来评估使用CPAP设备的OSA患者是否处于睡眠状态,从而判断他们是否可能从治疗中受益。
值得注意的是,CPAP设备已经收集的主要数据——呼吸流量——可能提供一种方法来区分佩戴CPAP面罩的人的睡眠和清醒状态。清醒和睡眠具有不同的呼吸模式9。例如,健康成年人的睡眠期间呼吸变异性较低10,由于潮气量较小,每分钟通气量也较低11。通过信号处理和机器学习技术,研究人员已经证明可以使用呼吸流量数据来区分清醒、非快速眼动(NREM)和快速眼动(REM)睡眠<12, 13, 14>。这些分析使用了没有使用CPAP的人的流量形态学特征,如每次呼吸的幅度和持续时间或呼吸的周期性。鉴于这些初步发现,CPAP流量信号也可能用于预测睡眠状态,并理解面罩使用与CPAP睡眠之间的关系。值得注意的是,Ayappa等人14表明,CPAP流量信号可能有助于检测觉醒和持续清醒状态,从而在清醒时降低CPAP压力水平,但他们从未直接测试过CPAP流量模式是否可以用来开发睡眠或清醒的指标。
我们的目标是开发一种机器学习工具,利用患者佩戴面罩时的CPAP流量信号来预测睡眠状态。我们假设CPAP流量信号分析可以逐个时段识别睡眠状态(清醒 vs. 睡眠),包括区分REM和NREM睡眠。为了开发测试我们假设的工具,我们使用了CPAP滴定多导睡眠图(PSG)研究中的流量数据以及对OSA患者的睡眠阶段评分。了解佩戴CPAP面罩的OSA患者是否真的处于睡眠状态,可能会提供一种更精确的方法来理解CPAP治疗的效果,并改进现有的CPAP依从性指标。
章节片段
研究设计
这是一项单中心、横断面、回顾性观察性研究。我们随机选择了100名OSA患者(诊断基于之前的诊断研究:家庭睡眠呼吸暂停测试[HSAT]或PSG),他们在2018年1月1日至2023年9月1日期间在耶鲁睡眠中心接受了实验室内的正压通气(PAP)滴定PSG。选择过程按性别和PSG年份分层,以确保样本平衡。纳入标准是年龄大于18岁
参与者特征
48名参与者为女性,中位(四分位数)年龄为61.0(46.3 – 69.0)岁,BMI为33.8(27.8-39.6)kg/m2(表1)。76名参与者自认为是白人,12名为非裔美国人,10名参与者拒绝提供种族/族裔信息。
在这个真实世界样本中,超过75%的参与者被诊断为高血压,超过30%患有缺血性心脏病,超过45%患有抑郁症,超过30%患有失眠症。最常用的药物是β-阻滞剂(约40%)和选择性5-羟色胺再摄取抑制剂
讨论
在这项研究中,我们训练并测试了一种机器学习工具,利用CPAP流量信号和人口统计数据来估计接受CPAP滴定的OSA患者的逐个时段睡眠状态。我们的研究结果表明,在使用CPAP期间可以准确识别睡眠和清醒状态(准确率为0.82),而无需任何超出患者在家中已有的数据或设备(Cflow、CPAP压力水平、年龄、性别、BMI)。这反映了更多的睡眠时间
结论
我们的研究结果表明,CPAP治疗期间的呼吸信号包含有关睡眠状态的宝贵信息。我们开发并验证了一种机器学习工具,可以从CPAP流量信号和简单的人口统计信息中预测睡眠和清醒状态。该工具在区分睡眠和清醒方面表现出良好的准确性,在区分清醒、NREM和REM睡眠方面的准确性较低。
CRediT作者贡献声明
Hau-Tieng Wu:撰写 – 审稿与编辑、监督、软件、方法学、正式分析、概念化。Andrey Zinchuk:撰写 – 审稿与编辑、初稿撰写、监督、软件、资源、方法学、调查、概念化。Cheng-Yao Jerry Chen:撰写 – 审稿与编辑、验证、软件、方法学、调查、正式分析。Andira Inaya Anwar:撰写 – 初稿撰写、资源管理、数据整理、概念化。Muneeb Ahsan:撰写 –
伦理批准和参与同意
该研究方案已由耶鲁大学机构审查委员会评估,由于使用了去标识化数据,因此免于审查。
数据和材料的可用性
本研究使用的数据集可向相应作者索取。
关于生成式AI的使用声明
我们在这项研究中没有使用生成式AI。
财务披露
M. Ahsan博士和A.I. Anwar博士没有相关的财务披露。A. Zinchuk博士获得了Parker B. Francis奖学金和美国国家心肺血液研究所的K23奖1K23HL159259资助。A. Zinchuk博士是Restful Robotics Inc.的顾问,并在Apnimed公司的顾问委员会任职,同时从ResMed公司获得资助。H.-Y. Chen在PranaQ公司工作。C.-Y. Chen是PranaQ的联合创始人兼首席执行官。H.-T. Wu
利益冲突声明
?作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:M. Ahsan博士和A.I. Anwar博士没有相关的财务披露。A. Zinchuk博士获得了Parker B. Francis奖学金和美国国家心肺血液研究所的K23奖1K23HL159259资助。A. Zinchuk博士是Restful Robotics Inc.的顾问,并在Apnimed公司的顾问委员会任职,同时从ResMed公司获得资助
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号