《Japanese Journal of Ophthalmology》：Development of a machine learning model using systemic and ophthalmic parameters to detect sleep-disordered breathing in glaucoma patients
编辑推荐：
目的：开发并验证一个利用全身和眼部参数预测开角型青光眼（OAG）患者睡眠呼吸障碍（SDB）的机器学习模型。研究设计：回顾性横断面研究。方法：研究人员分析了在Seiryo眼科诊所治疗的513例OAG患者（955眼）。所有参与者均接受了全面的眼科检查，包括Hump
目的：开发并验证一个利用全身和眼部参数预测开角型青光眼（OAG）患者睡眠呼吸障碍（SDB）的机器学习模型。研究设计：回顾性横断面研究。方法：研究人员分析了在Seiryo眼科诊所治疗的513例OAG患者（955眼）。所有参与者均接受了全面的眼科检查，包括Humphrey视野（HVF）检测，以及家庭睡眠呼吸暂停检测（HSAT），以获得4%氧饱和度下降指数（4% ODI）。SDB的操作性定义为ODI-SAS，即由HSAT导出的4% ODI≥15事件/小时所定义的睡眠呼吸暂停综合征（SAS）。研究人员训练了16种算法以预测ODI-SAS；模型性能通过受试者工作特征曲线下面积（ROC–AUC）、精确率、召回率、F1分数和Matthews相关系数（MCC）进行评估。结果：158例患者（30.80%）符合ODI-SAS标准。ODI-SAS状态与高血压病史、较高的体重指数、家人报告的呼吸暂停、较短的轴长、较少的抗青光眼药物使用以及HVF上较差的下中心总偏差相关（所有P < 0.05），但与自我意识到的打鼾或既往SAS诊断无关。梯度提升决策树模型（CatBoost）取得了最佳性能（ROC–AUC 0.86），精确率为0.692，召回率为0.711，F1分数为0.701，MCC为0.543。结论：机器学习模型可利用全身风险因素与眼部特征（包括下中心视野缺损）预测青光眼患者的ODI-SAS。此类模型有助于识别需要进行正式睡眠评估的OAG患者。
**论文解读：利用机器学习模型通过全身和眼部参数检测青光眼患者的睡眠呼吸障碍**
**研究背景与现存问题**
青光眼以视神经头（ONH）杯盘化和视网膜神经节细胞轴突丢失为特征，导致相应解剖区域的视野（VF）缺损。眼压（IOP）升高是唯一可治疗且经过验证的风险因素；然而，正常眼压性青光眼（NTG）研究显示，尽管IOP控制良好，仍有20%的患者出现进展，提示青光眼的多因素发病机制，需考虑其他风险因素。近年来，睡眠呼吸暂停综合征（SAS）已被认定为青光眼发生和进展的风险因素。Lin等人对1012例SAS患者和6072例对照的分析显示，SAS患者的开角型青光眼（OAG）5年发病率是正常人群的1.67倍。Kiyota等人发现，SAS可能影响ONH血流，并与OAG患者的相应VF缺损相关。Yamada等人发现，合并SAS的青光眼患者氧化应激显著高于无SAS者，且VF缺损进展更快。因此，治疗SAS可能有助于减缓青光眼进展。然而，首先需要识别出尚未被发现的SAS合并症患者。有趣的是，虽然报道显示2%至27%的SAS患者患有青光眼，但20%至78%的青光眼患者患有SAS，后者比例更高，这凸显了眼科医师考虑青光眼患者是否合并SAS并转诊进行适当检查的重要性。
近年来，机器学习在预测任务中取得进展，如支持向量机（SVM）、随机森林和神经网络。对于SAS，机器学习已用于诊断和严重程度预测，准确率约90%。但这些研究大多基于内科人群（尤其是睡眠门诊），依赖颈围、Mallampati分级、心电图（ECG）和血氧饱和度等特征，这些并非眼科门诊常规采集指标。睡眠门诊队列的高SAS患病率也引入选择偏倚，限制了普适性。因此，直接将那些模型应用于青光眼患者存在挑战，需开发青光眼特异性模型。多导睡眠监测（PSG）通过测量呼吸暂停-低通气指数（AHI）确诊SAS，但PSG成本高、劳动密集且常需在诊所过夜；COVID-19限制进一步加剧了这些挑战。作为替代，家庭睡眠呼吸暂停检测（HSAT）使用简单家用设备监测呼吸、血氧饱和度等参数。4%氧饱和度下降指数（4% ODI）计数每小时≥4%的饱和度下降，与PSG测量的AHI相关性良好，且≥15事件/小时通常用于指示SAS。由于对所有青光眼患者进行HSAT不切实际，目标性地对高度怀疑SAS者进行HSAT是合适的，但目前仍缺乏在青光眼中标记SAS合并症的明确标准。受研究人员近期发现下中心视野缺损与SAS相关的启发，研究人员假设，将包括Humphrey视野（HVF）检测测得的下中心总偏差（TD）在内的眼部参数纳入，可能增强对青光眼患者SAS合并症的预测。结合医学领域机器学习的进展，研究人员进一步假设，结合全身和眼部参数的机器学习模型可有效预测SAS合并症。在此，研究人员比较了16种机器学习模型，发现CatBoost模型表现出最高平均曲线下面积（AUC）0.80，最佳AUC达0.86，使其成为预测青光眼患者4% ODI-SAS最有效的模型。该研究发表在《Japanese Journal of Ophthalmology》。
**主要关键技术方法**
1. **数据收集与样本队列**：本研究为回顾性横断面研究，纳入2020年6月至2022年11月在日本宫城县Seiryo眼科诊所就诊并接受HSAT的950例患者，最终纳入513例OAG患者（955眼）。所有患者均接受全面眼科检查，包括最佳矫正视力（logMAR）、轴长（OA-2000测量）、眼底检查、裂隙灯检查、前房角镜、Goldmann压平眼压测量、Humphrey视野分析仪（HFA）测量平均偏差（MD）和总偏差（TD）、中心角膜厚度（前段OCT CASIA测量）、盘周视网膜神经纤维层厚度（cpRNFLT，DRI-OCT测量）以及激光散斑血流图（LSFG）测量ONH组织区域平均模糊率（MT）。全身参数包括高血压、糖尿病等病史，家人报告的呼吸暂停、自我意识打鼾、Epworth嗜睡量表（ESS）评分，以及血清氧化应激指标（dROMs和BAP）。
2. **睡眠呼吸障碍检测**：使用SAS-2100（日本光电）进行HSAT，记录鼻呼吸压力、打鼾波形、血氧饱和度和脉率，自动输出4% ODI。SDB操作性定义为4% ODI≥15事件/小时（ODI-SAS）。
3. **机器学习模型构建**：选取年龄、性别、体重指数（BMI）、高血压、家人报告的呼吸暂停、HVF下中心总偏差（inferocentral TD）、眼药水数量和轴长作为预测变量。使用16种算法（包括XGBoost、随机森林、CatBoost、SVM等）进行二元分类，采用四折交叉验证，仅用右眼数据避免偏差，并通过合成少数类过采样技术（SMOTE）处理类别不平衡。模型性能通过ROC-AUC、精确率、召回率、F1分数和MCC评估。采用SHAP（Shapley加法解释）分析特征贡献。
**研究结果**
**Table 1：全身临床特征的组间差异**
通过单变量线性回归分析发现，4% ODI-SAS组（158/513，30.80%）与非ODI-SAS组相比，年龄（P < 0.001）、男性比例（P < 0.001）、BMI（P < 0.001）、高血压（P < 0.001）、糖尿病（P = 0.011）、血脂异常（P = 0.016）、偏头痛（P = 0.006）、四肢冰冷（P = 0.005）、收缩压（P < 0.001）、舒张压（P < 0.001）、BAP（P < 0.001）、家人报告呼吸暂停史（P < 0.001）和SAS史（P = 0.016）存在显著差异。经年龄和性别校正后，BMI（P < 0.001）、高血压（P < 0.001）、收缩压（P = 0.011）、舒张压（P = 0.003）、BAP（P < 0.001）和家人报告呼吸暂停史（P = 0.002）仍显著。然而，SAS史、自我意识打鼾和ESS评分在两组间无显著差异（P = 0.091, P = 0.172, P = 0.815）。此外，在同时具有PSG-AHI和4% ODI的亚组（n = 231）中，4% ODI与PSG-AHI呈正相关（Pearson r = 0.562, P < 0.001）。
**Table 2：眼部特征的组间差异**
通过线性混合效应模型分析，单变量分析显示最佳矫正视力（P = 0.002）、轴长（P = 0.003）、cpRNFLT（P = 0.009）、上方cpRNFLT（P = 0.026）、颞侧cpRNFLT（P < 0.001）、MT总体（P < 0.001）、上方MT（P = 0.002）、颞侧MT（P < 0.001）、下方MT（P < 0.001）、视野检测下中心TD（P < 0.001）和下方TD（P = 0.033）显著不同。经年龄和性别校正后，ODI-SAS组轴长更短（P = 0.008）、颞侧cpRNFLT更薄（P = 0.014）、眼药水数量更少（P = 0.043）、下中心TD更低（P = 0.020）。
**CatBoost模型性能**
在16种比较的算法中，CatBoost平均AUC最高（0.802 ± 0.053），优于随机森林（0.797 ± 0.044）和高斯朴素贝叶斯（0.794 ± 0.033）。最佳CatBoost模型（fold 0）的AUC为0.864，精确率0.692，召回率0.711，F1分数0.701，MCC 0.543。若从模型中移除眼部参数，平均AUC从0.802降至0.763，最佳AUC从0.864降至0.783，表明眼部参数对高AUC的重要性。
**SHAP特征重要性**
SHAP蜂群图显示，BMI和年龄具有最高平均SHAP值，但特征值变化较大（紫色点）；而下中心TD（inferocentral TD）的SHAP值第四高，且特征值分离更清晰，其对模型的贡献超过了部分全身因素（如高血压史或家人报告呼吸暂停）。这提示，除了已知的全身因素，纳入常规青光眼检查的眼部参数的机器学习可高精度预测4% ODI-SAS状态。
**总结讨论与研究结论**
SAS可能参与青光眼病理生理，但在青光眼患者中预测SAS仍困难，阻碍了与内科医师的合作。本队列中，约30%的OAG患者存在未经治疗的SAS，凸显了病例发现的需求。自我报告的打鼾和既往SAS诊断未能识别未发现的SAS。4% ODI≥15事件/小时的发生率与男性和年龄较大相关。经年龄/性别校正后，ODI-SAS组BMI和高血压更高、收缩压/舒张压升高、BAP降低、家人报告呼吸暂停更多、颞侧cpRNFLT更薄、下中心TD更低、眼药水数量更少、轴长更短。研究人员利用年龄、性别、BMI、高血压、家人报告呼吸暂停、下中心TD、眼药水数量和轴长训练了16种机器学习模型，CatBoost表现最佳（ROC–AUC 0.86）。
结论：结合眼部参数（包括下中心TD）与全身风险因素的CatBoost模型预测4% ODI-SAS的ROC–AUC达0.86。此类模型可帮助眼科医师更早地发现疑似ODI-SAS并转诊，可能改善整体和青光眼特异性预后。
