ActiTect：一种通过标准化活动监测技术用于REM睡眠行为障碍筛查的通用机器学习流程

《npj Digital Medicine》：ActiTect: a generalizable machine learning pipeline for REM sleep behavior disorder screening through standardized actigraphy

　　

摘要

孤立性快速眼动睡眠行为障碍是α-突触核蛋白病的关键前驱指标，通常在帕金森病、路易体痴呆或多系统萎缩症的临床症状出现之前就已存在。虽然腕戴式活动监测仪可通过捕捉夜间异常动作，在大规模筛查中有效检测RBD，但需要可靠高效的分析流程。本研究介绍了ActiTect，这是一种完全自动化的开源机器学习工具，可用于从活动监测数据中识别RBD。为确保在不同采集环境下的通用性，我们的分析流程包含强大的预处理功能以及自动的睡眠-清醒状态检测，从而整合多设备数据并提取具有生理学意义的运动特征。该模型在78名受试者的数据集上进行了训练，在嵌套交叉验证中的区分度极高（AUROC=0.95）。在盲法本地测试集（n=31，AUROC=0.86）以及两个独立的外部数据集（n=113，AUROC=0.84；n=57，AUROC=0.94）上也验证了其通用性。为评估模型的稳健性，跨不同数据集的留一法交叉验证显示其性能稳定（AUROC范围为0.84–0.89）。进一步的稳定性分析表明，预测特征在不同数据集间仍具有可重复性，这为推广使用经过多中心预训练的模型提供了依据。作为一款开源且易于使用的工具，ActiTect有助于推动该技术的应用、独立验证及协同改进，进而提升基于可穿戴设备的RBD检测的通用性。