基于神经网络策略提升早产儿中枢性呼吸暂停检测精度及临床价值研究

本研究通过卷积神经网络(CNN)优化早产儿中枢性呼吸暂停(CA)检测算法，在参考数据集(951例CA事件)中实现0.54精确度和0.75灵敏度，显著降低NICU假警报率。创新性采用四窗口时序特征分析策略，首次在外部验证集(254例CA)中验证模型对伴心动过缓(HR≤80bpm)CA事件保持0.83高灵敏度，为改善新生儿监护质量提供智能解决方案。

　　

Highlight

患者人群与标注

本研究纳入荷兰Maxima医学中心NICU收治的20名胎龄(GA)≤30周早产儿。为获取充足训练数据，特别选择10名发生迟发型败血症(LOS)的患儿——该病症常伴随中枢性呼吸暂停事件。这些患儿再按胎龄和受孕后年龄与未患LOS的早产儿进行配对。

参考数据集的训练与测试

首次评估显示（图4A），不同神经网络架构构建的CA检测模型平均AUROC值显著优于弹性网络逻辑回归(ENLR)。采用5个连续四窗口检测标准时，CNN模型表现最优：在参考数据集中对所有CA事件的灵敏度达0.75，对伴心动过缓(HR≤80bpm)事件灵敏度提升至0.87。

讨论

NICU中呼吸频率监测与CA警报对早产儿至关重要，但传统阻抗监测假阳性率居高不下。本研究证实，基于ECG、胸阻抗(CI)和SpO₂特征构建的神经网络模型，能有效区分真实CA与运动伪迹，将精确度从临床常规的0.35提升至0.54。值得注意的是，模型对伴心动过缓事件保持0.83高灵敏度，这对临床干预决策具有重要价值。

Conclusion

本研究首次证明CNN架构在CA检测中的优越性，其通过时序特征学习能力显著降低假警报率。尽管在CA事件较少的验证集中性能有所下降，但对具有临床指征的CA亚型（如伴HR≤100bpm事件）仍保持稳定识别能力，提示需要更大规模多样化数据集进一步提升泛化性能。