编辑推荐：
睡眠呼吸暂停（SA）影响广泛却诊断率低，传统诊断方式受限。研究人员开展用非腕戴设备（如智能手机）内置惯性测量单元（IMU）检测 SA 的研究。结果显示其能定量检测 SA，这有望提升居家 SA 筛查可及性，意义重大。
在当今社会，睡眠问题日益受到人们的关注，其中睡眠呼吸暂停（Sleep Apnea，SA）这一 “夜间杀手”，正悄然威胁着众多人的健康。据估计，SA 影响着全球 5 - 15% 的人口，它就像一颗隐藏在身体里的定时炸弹，与高血压、糖尿病、心血管疾病和痴呆等多种慢性疾病的发生风险增加密切相关。若长期得不到治疗，SA 会引发慢性间歇性缺氧、交感神经过度激活、全身炎症和内皮功能障碍，大大提高心血管疾病的发病和死亡风险。而且，SA 导致的白天过度嗜睡和认知障碍，还会增加职业和交通事故的发生几率，给社会带来沉重的负担。
然而，令人担忧的是，尽管 SA 是可治疗的，但超过 80% 的病例却未被诊断出来。这主要是因为目前诊断 SA 的金标准 —— 多导睡眠监测（Polysomnography，PSG）存在诸多限制。PSG 需要患者在睡眠实验室进行整夜监测，不仅成本高昂、耗时费力，在许多地区患者还需要长时间等待。家庭睡眠呼吸暂停测试（Home Sleep Apnea Testing，HSAT）虽相对便捷，但很多患者在症状不严重时并未意识到需要检测，一些简化的筛查工具也未得到充分利用。
为了解决这些难题，来自日本 Heart Beat Science Lab, Inc.、名古屋市立大学、秋田大学医学院神经精神科和东北大学信息科学研究生院的研究人员开展了一项极具创新性的研究。他们试图探究非腕戴设备（如智能手机）内置的惯性测量单元（Inertial Measurement Unit，IMU）在睡眠期间佩戴时能否检测 SA。最终研究表明，IMU 可以有效地检测 SA 发作并评估 SA 的严重程度，这一成果发表在《Scientific Reports》上，为 SA 的筛查带来了新的曙光。
研究人员采用了一系列关键技术方法来开展这项研究。在样本选择方面，他们选取了 20 - 80 岁、自愿参与研究并签署知情同意书的患者，这些患者来自日本秋田大学医院、Medical Corporation Sound Sleep 和 Medical Corporation Zuimeikai 的睡眠诊所，均接受了整夜的 PSG 检查。在检测过程中，研究人员将三种内置 IMU 的设备，即 GPS 设备（Amue Link? LM - 001）、安卓智能手机（Xperia 8? Lite）和 iOS 智能手机（iPhone SE? 3rd generation），佩戴在患者的下腹部，记录三轴加速度和陀螺仪信号。数据采集后，通过特定算法对信号进行分析，该算法包含提取呼吸成分、测量呼吸幅度和频率、检测呼吸事件等步骤，以此来判断 SA 的发生情况。同时，研究人员还运用了多种统计分析方法，如 Wilcoxon 秩和检验、χ2检验、配对 t 检验、Pearson 相关系数分析等，来评估不同变量之间的关系和模型的性能。
下面来看具体的研究结果：
- 呼吸事件检测及与 PSG 的一致性：通过算法分析，研究人员在训练组中成功检测到呼吸事件（Respiratory Events，REs），并且发现 IMU 检测到的 REs 与 PSG 检测到的呼吸暂停 - 低通气事件在逐次呼吸上具有较好的一致性。在训练组中，Amue Link、Xperia 和 iPhone 检测 REs 的敏感性分别为 70.1%、69.2% 和 65.6%，阳性预测值（Positive Predictive Value，PPV）分别为 83.8%、88.7% 和 75.7%；在测试组中，敏感性提升至 77.5%、78.8% 和 74.7%，PPV 也分别达到 79.8%、85.6% 和 85.2%。而且，REs 的每小时频率与 PSG 衍生的呼吸暂停低通气指数（Apnea - Hypopnea Index，AHI）在训练组和测试组中都呈现出强相关性。
- AHI 的回归估计：研究人员根据呼吸幅度和频率信号计算出每小时 RE 频率，即呼吸幅度事件指数（Respiratory Amplitude Event Index，RAEI）和呼吸频率事件指数（Respiratory Frequency Event Index，RFEI）。尽管加速度信号的 RAEI 低于陀螺仪信号，但二者密切相关；RFEI 在加速度和陀螺仪信号之间差异不显著，但相关性因设备而异。基于这些数据，研究人员为每种设备开发了多元回归模型来估计 PSG AHI。在训练组和测试组中，回归衍生的 REI 与 PSG AHI 都表现出很强的相关性，Bland - Altman 分析显示了二者之间的一致性，不过在区分无 SA（AHI < 5）、轻度 SA（AHI 5 - 15）和中度 SA（AHI 15 - 30）患者时存在一定挑战。
- SA 严重程度的评估：在训练组中，基于模型得到的 REI 能够有效区分中重度 SA（AHI ≥ 15）和重度 SA（AHI ≥ 30）患者，对应的受试者工作特征曲线下面积（Area Under the Curve，AUC）和 F1 评分表现良好。将训练组得到的临界值应用于测试组时，分类性能依然较高。不过，研究也发现存在将无 SA 患者误判为轻度 SA 患者的情况，说明该方法更适合筛查中重度 SA 患者。
综合研究结论和讨论部分，这项研究具有重要意义。它首次证明了非腕戴设备内置的 IMU 可定量检测 SA，为 SA 的筛查提供了新的方向。由于 IMU 广泛存在于各种消费设备中，该方法有望显著提高居家 SA 筛查的可及性，让更多人能够方便地进行自我检测。同时，这一发现也为开发新的低成本、易用的 SA 检测设备奠定了基础，未来结合物联网（Internet of Things，IoT）技术，或许能实现对睡眠质量的实时监测和调整，为改善人们的睡眠健康带来更多可能。不过，研究也存在一些局限性，如算法和模型是基于疑似 SA 患者的数据开发的，应用于普通人群或家庭环境时可能效果不佳，且未充分探索最佳的信号处理技术和 SA 发作检测方法，这也为后续研究指明了方向。总之，这项研究为睡眠呼吸暂停的研究和防治开辟了新的道路，具有广阔的应用前景和研究价值。
