基于临床与人口统计学数据的AI驱动临床决策支持系统在疑似睡眠呼吸暂停患者早期诊断与治疗规划中的应用研究

《npj Primary Care Respiratory Medicine》：AI-driven clinical decision support for early diagnosis and treatment planning in patients with suspected sleep apnea using clinical and demographic data before sleep studies

本研究针对睡眠呼吸暂停（SA）临床异质性高、诊断依赖睡眠监测导致等待时间长的问题，开发了一种基于机器学习的智能临床决策支持系统（ICDSS）。研究人员利用5385例疑似SA患者的临床与人口统计学数据，通过k-prototypes算法识别出5个具有不同症状、并发症及多导睡眠图结果的临床亚组，并构建随机森林模型实现新患者的精准分型（AUC 0.87-0.95）。该研究为睡眠医学的精准医疗实践提供了可应用于初级诊疗阶段的早期分诊工具。

　　

睡眠呼吸暂停（Sleep Apnea, SA）是一种在临床诊疗中日益常见的疾病，不仅因其高患病率，更因其对公共健康的显著影响而备受关注。随着就诊需求的不断增加，睡眠门诊的等待名单也越来越长，给医疗系统带来了巨大压力。传统上，SA的严重程度主要依据呼吸暂停低通气指数（Apnea-Hypopnea Index, AHI）来分类，即每小时睡眠中呼吸暂停和低通气事件的总数。然而，这一指标存在明显局限性：它无法捕捉疾病的临床异质性。具有相似AHI值的患者可能表现出截然不同的临床特征，从打鼾伴日间过度嗜睡到无症状但伴有高血压或心血管疾病的各种表现。

SA的异质性和复杂性受到多种风险因素、病理生理机制、多样化症状以及与多种合并症和死亡率的强烈关联的影响。尽管存在这种复杂性，SA的诊断和治疗仍然在很大程度上依赖于AHI，而持续气道正压通气（Continuous Positive Airway Pressure, CPAP）仍然是大多数患者的标准疗法。这种通用方法虽然有效，但未能解决不同患者亚群的具体特征，从而限制了个性化治疗的潜力。

近年来，研究人员探索了新的策略以更好地表征SA患者。其中，聚类技术已被证明在疾病异质谱系中识别具有相似特征的患者亚组方面非常有效。然而，大量先前研究受限于小样本量、局限于预选的严重程度或仅关注孤立的睡眠监测参数。即使是结合临床和睡眠监测数据或利用大型队列的研究，也常常将分析限制在确诊的SA患者上，排除了AHI<5（在某些大型数据集中甚至AHI<15）的个体，这阻碍了其在临床前检测路径中的普适性。

为了弥补这一空白，西班牙维哥医院的研究团队 deliberately 纳入了完整的AHI谱系——包括AHI<5的患者——以便聚类能反映真实世界中的检测前异质性。这项发表在《npj Primary Care Respiratory Medicine》上的研究，探索了机器学习（Machine Learning, ML）技术在疑似SA患者聚类中的应用，旨在优化诊断路径并实现更个性化的管理。

研究人员开展了一项前瞻性队列研究，纳入了2014年11月至2024年11月期间连续转诊至西班牙西北部维哥医院阿尔瓦罗·昆奎罗医院睡眠呼吸障碍单元的5385名疑似SA患者。所有患者均由经验丰富的肺科医生进行评估，并接受了心肺多导睡眠图（cardiorespiratory polygraphy）诊断性睡眠研究。收集的数据包括人口统计学、临床特征和睡眠相关症状，如性别、年龄、体重指数（Body Mass Index, BMI）、颈围、打鼾、目击呼吸暂停、日间嗜睡（使用Epworth嗜睡量表评估）、合并症（如高血压、糖尿病、抑郁症）和常规用药等。

研究方法的精髓在于其两阶段设计。第一阶段，研究人员使用k-prototypes算法（一种适用于混合类型数据的聚类方法）对患者进行聚类分析。通过肘部法则确定最佳聚类数量为5个。为了可视化，研究人员在Gower相异矩阵上使用了均匀流形近似与投影（Uniform Manifold Approximation and Projection, UMAP）将数据降维至二维空间进行展示。第二阶段，在识别出聚类后，研究团队开发了一个基于随机森林（Random Forest）算法的智能临床决策支持系统（Intelligent Clinical Decision Support System, ICDSS），旨在使用一组减少的变量将新患者分配到相应的聚类中。通过递归特征消除（Recursive Feature Elimination, RFE）技术筛选出最具预测力的变量。

研究发现并详细描述了五个具有显著差异的临床亚组：

• •
  聚类A（23.1%）：中年男性，症状稀少且无显著嗜睡。 该组主要为男性（69.73%），平均年龄55.47岁，平均Epworth嗜睡量表评分最低（6.07），合并症发生率低，表现出良性的临床特征。
• •
  聚类B（16.9%）：症状明显的女性，常使用精神类药物且睡眠非恢复感强。 该组主要为女性（82.49%），抑郁症患病率（14.43%）和使用催眠药/肌肉松弛剂（15.97%）、抗抑郁药（7.27%）的比例较高。每日报告的非恢复性睡眠（68.17%）、日间疲劳（57.71%）和嗜睡（28.74%）发生率很高，但平均AHI（20.29）相对较低。
• •
  聚类C（17.3%）：年轻男性，症状严重且嗜睡明显。 该组主要为较年轻的男性（平均年龄49.83岁），具有最高的Epworth嗜睡量表评分（16.70）。症状突出，包括每日目击呼吸暂停（25.51%）、每日非恢复性睡眠（79.74%）和日间疲劳（69.13%）。主动吸烟率（32.58%）也最高。
• •
  聚类D（22.3%）：中年男性，伴有中度症状。 该组主要为男性，平均BMI最低（31.36）。Epworth评分（10.59）显示轻度嗜睡。主要症状包括非恢复性睡眠、疲劳和早晨昏昏沉沉，70-82%的患者报告为偶尔或频繁发生。目击呼吸暂停发生率（频繁或每日合计47%）与聚类C相似。
• •
  聚类E（20.4%）：老年、已退休、合并症多但症状稀少的男性。 该组男性比例最高（83.36%），平均年龄最大（64.17岁），高血压（36.18%）和糖尿病（9.82%）患病率最高。症状较少，但报告频繁夜尿（57.91%）和目击呼吸暂停（频繁或每日合计31%）。无显著嗜睡，平均Epworth评分为9.50。

睡眠研究结果的关联分析揭示了这些聚类在病理生理负担上的显著差异。聚类E表现出最严重的呼吸紊乱，具有最高的AHI（32.57）、血氧饱和度低于90%的时间（Tc90: 19.95）和阻塞性呼吸暂停次数（72.21），其重度（27%）和极重度（20%）SA比例最高，CPAP处方率也相应最高（65.55%）。相比之下，聚类B的AHI最低（20.29），轻度（30.40%）或无SA（20.93%）的比例最高，但仍有56.06%的患者接受了CPAP治疗，这反映了其高症状负担对治疗决策的影响。聚类C的平均AHI为29.41，其重度和极重度SA比例为37%，与聚类A（37.76%）和D（34.53%）相似，但CPAP处方率最高（77.71%），这归因于其严重的症状表现。聚类A尽管有相当比例的重度SA病例，但CPAP指示率最低（47.99%），表明其临床影响感知较低，治疗策略相对保守。

研究的核心成果之一是智能临床决策支持系统（ICDSS）的开发。该系统使用递归特征消除（RFE）技术筛选出的10个关键变量（如年龄、Epworth评分、BMI、颈围、每日非恢复性睡眠感知等），基于随机森林算法构建。在测试集上，该模型将新患者分配到五个聚类的曲线下面积（Area Under the Curve, AUC）值介于0.87至0.95之间，显示出极高的分类准确性。这证明了仅凭临床和人口统计学数据即可在睡眠研究进行前实现患者的精准分型。

基于聚类特征和睡眠研究结果，研究人员为每个聚类提出了探索性的、检测前的管理建议，以支持早期分诊和诊断优先级的确定。例如，对于症状负担低的聚类A，建议优先使用双通道设备量化夜间呼吸紊乱；对于症状负担高但重度AHI比例低的聚类B（主要为女性），建议进行焦虑/抑郁/失眠筛查，并考虑转诊至更年期专科；对于年轻、嗜睡严重的聚类C，建议进行上气道评估以确定非CPAP替代方案（如下颌前移矫治器）的适用性。这些建议旨在优化资源分配，但强调个体化临床评估和确认性检测仍然至关重要。

本研究通过应用无监督学习于常规临床数据，成功识别了疑似SA患者中有意义的临床亚型。这些亚型不仅反映了疾病的表型异质性，也提示了可能存在的不同病理生理机制。研究结果与先前的一些聚类分析相一致，但本研究的关键优势在于其专注于检测前的临床数据，并纳入了完整的AHI谱系，从而更贴近真实世界的诊断场景。所开发的ICDSS作为一个分诊工具，而非确定性分类器，为在初级保健和专科门诊层面实施精准医疗方法提供了可行路径。它有助于早期识别不同临床特征的患者，从而有可能优先安排更合适的诊断测试和个性化治疗策略，优化医疗资源利用，改善患者预后。

该研究的局限性包括未纳入睡眠结构数据、未使用标准化的患者报告结局指标、缺乏耳鼻喉科评估以及纵向结局数据。未来的研究方向包括实施自动化的低氧负荷分析流程、使用复合因素和经过验证的PRO工具优化症状建模，以及在西班牙其他地区和亚组中进行ICDSS的外部验证。

总之，这项研究标志着向更个性化、高效和基于需求的SA护理模式迈出了重要一步。其提出的方法和工具具有转化潜力，可显著影响疑似睡眠呼吸暂停患者的临床管理路径。