综述：从大数据到人工智能驱动的阻塞性睡眠呼吸暂停决策：基于DDPP框架的叙述性综述

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）领域的应用现状，创新性地引入商业领域的DDPP分析框架（描述性、诊断性、预测性、处方性），揭示了当前研究集中于睡眠监测信号（如PSG、HSAT）而忽视患者报告结局（PROs）、电子健康记录（EHRs）等多维数据的局限性，呼吁跨学科合作以推动个性化治疗（如PAP滴定）和闭环决策系统的发展。

　　

引言

阻塞性睡眠呼吸暂停（OSA）作为一种高患病率（全球30-69岁人群中约9.36亿轻中度患者）、低诊断率的睡眠障碍，其间歇性低氧和睡眠碎片化可引发心血管疾病、代谢紊乱及神经认知障碍等多系统损害。尽管多模态数据和人工智能（AI）技术快速发展，OSA的临床管理仍面临诊断不足和治疗方案单一的困境。

大数据在OSA中的应用

OSA相关数据可分为四大类：

1. 1.

   临床诊疗数据：包括多导睡眠图（PSG）的时序列信号（EDF+格式）、上气道影像（DICOM格式）及实验室指标（如hs-CRP、IL-6），但存在PSG成本高、影像跨中心泛化性差等问题；

2. 2.

   健康管理数据：如可穿戴设备监测的生理参数，但数据质量未达临床标准；

3. 3.

   组学数据：通过蛋白质组学发现PAI-1、tPA等标志物，揭示内皮功能障碍与OSA的关联；

4. 4.

   环境数据：涵盖空气污染等自然因素及医保政策等社会因素，但变量混杂导致分析困难。

人工智能技术进展

AI在OSA中的应用呈现技术分层：

• •

  传统机器学习（ML）：逻辑回归（LR）、随机森林（RF）用于OSA筛查（AUC达0.85）和表型聚类（如k-modes分型）；

• •

  深度学习（DL）：CNN处理ECG信号（DeepApneaNet模型）、LSTM分析呼吸努力信号，但面临"黑箱"可解释性挑战；

• •

  计算机视觉（CV）：U-Net实现上气道自动分割（舌脂比量化），3D-CNN解析药物诱导睡眠内镜（DISE）视频；

• •

  自然语言处理（NLP）：挖掘EHRs构建高危队列，但社交媒体的语义模糊限制其应用。

DDPP框架的临床映射

通过改良商业DDPP模型，构建四阶段分析闭环：

1. 1.

   描述性分析：聚类揭示OSA异质性，如基于PSG的3种表型；

2. 2.

   诊断性分析：OxiNet模型通过血氧数据诊断中重度OSA（漏诊率仅0.2%）；

3. 3.

   预测性分析：LASSO回归构建代谢物指数预测疾病风险（OR=1.55）；

4. 4.

   处方性分析：强化学习探索闭环式PAP压力调节，但尚未超越糖尿病领域的应用深度。

挑战与展望

当前瓶颈在于数据壁垒（如EHRs格式异构）、算法泛化性不足及隐私问题（需联邦学习技术）。未来可通过"正向思维"（系统评估DDPP各阶段技术组合）和"逆向思维"（填补环境数据与组学整合空白）推动精准医疗。例如，动态MRI与多组学联合可能揭示OSA-endotype机制，而AI驱动的个性化口腔矫治器方案将优化治疗依从性。

结语

整合DDPP框架与多源数据（从PSG到社交环境），AI有望突破OSA管理的"描述-诊断"瓶颈，向预测-处方闭环迈进，但需临床、工程与数据科学的深度协作，方能实现从"数据爆炸"到"决策革命"的跨越。