《Frontiers in Digital Health》：Exploring the feasibility of modeling next-day fatigue and sleepiness using digital sleep tracker data in neurodegenerative and immune-mediated inflammatory diseases
编辑推荐：
背景：疲劳和睡眠障碍在神经退行性疾病（neurodegenerative diseases, NDD）和免疫介导炎症性疾病（immune-mediated inflammatory diseases, IMID）中高度普遍。传统的患者报告结局（patient-
背景：疲劳和睡眠障碍在神经退行性疾病（neurodegenerative diseases, NDD）和免疫介导炎症性疾病（immune-mediated inflammatory diseases, IMID）中高度普遍。传统的患者报告结局（patient-reported outcomes, PROs）具有主观性且易受回忆偏倚影响；数字健康技术和可穿戴睡眠追踪器可在家中提供客观、连续的睡眠和生理监测。
目的：本研究评估了使用消费者和研究级睡眠追踪器在NDD和IMID个体中预测次日身体和心理疲劳以及白天嗜睡的可行性，作为一项探索性分析，并检验了机器学习模型是否能够识别初步的睡眠特征，以指导未来慢性病人群的疲劳监测研究。
方法：IDEA-FAST可行性研究在四个欧洲中心招募了134名参与者（42名健康成人，39名NDD，53名IMID）。在3,062个夜间，参与者佩戴三种睡眠追踪器（BedSensor、ZKONE、DREEM 2）并在家中完成每日疲劳和嗜睡PROs。一项多导睡眠图（polysomnography, PSG）亚研究（n=28）验证了追踪器性能。使用生理和睡眠结构特征的机器学习模型通过留一受试者交叉验证进行评估。
结果：睡眠追踪器显示出中等的PSG一致性。模型在健康成人中表现出对次日身体疲劳的初步判别能力（AUC == 0.75），主要由呼吸率和快速眼动睡眠（REM）持续时间驱动。在NDD中，在富集训练下身体疲劳AUC达到0.62，关键特征为REM潜伏期和深睡眠。心理疲劳预测在健康成人中达到AUC == 0.66；日间嗜睡在NDD中AUC == 0.66。研究结果应被视为探索性，因为使用全局阈值进行结局二值化可能会混淆组间疾病差异与个体内症状变异。
结论：可穿戴睡眠追踪器显示了客观家庭睡眠监测的可行性，初步证据支持睡眠生理学作为健康成人次日身体疲劳的候选预测因子。在慢性疾病队列中的预测性能仍然有限，强调需要更大规模、多模式的研究来建立疾病特异性的数字疲劳终点。
**论文解读**
疲劳是神经退行性疾病（neurodegenerative diseases, NDD）和免疫介导炎症性疾病（immune-mediated inflammatory diseases, IMID）中高度普遍且致残的症状，常与睡眠障碍共病，严重影响日常生活和健康相关生活质量。传统患者报告结局（patient-reported outcomes, PROs）虽能反映主观体验，但受回忆偏倚和个体差异影响，难以捕捉症状的日常波动。数字健康技术与可穿戴睡眠追踪器可实现客观、连续的家庭睡眠监测，为预测次日疲劳提供新途径。然而，这些设备在病人群体中的验证尚不充分，且睡眠生理特征与疲劳之间的动态关系尚不清楚。为此，IDEA-FAST可行性研究首次系统评估了使用消费者和研究级睡眠追踪器数据预测次日疲劳和嗜睡的可行性，并在不同疾病队列中探索了机器学习模型的价值。该研究发表在《Frontiers in Digital Health》，为开发疾病特异性的数字疲劳终点奠定了方法学和探索性基础。
研究人员开展的是一项多中心、前瞻性可行性研究，纳入134名参与者（42名健康成人、39名NDD患者、53名IMID患者），在家中使用三种商用睡眠追踪器（BedSensor、ZKONE、DREEM 2）连续记录3,062个夜晚的睡眠数据，同时通过手机应用程序收集每日疲劳和嗜睡PROs。研究先通过一项包含28名受试者的多导睡眠图（polysomnography, PSG）亚研究验证设备性能；随后利用重复测量相关分析（repeated measures correlation, RMC）探索睡眠特征与PROs的关联；最后采用机器学习模型（随机森林、多层感知器、LASSO逻辑回归）结合生理和睡眠结构特征进行次日疲劳/嗜睡分类，并使用留一受试者交叉验证（leave-one-subject-out cross-validation, LOSO-CV）评估性能。特征重要性通过SHAP方法解释。研究得出初步结论：在健康成人中，睡眠呼吸率与快速眼动睡眠（rapid eye movement, REM）时长是次日身体疲劳的重要预测因子（AUC=0.75）；在NDD组中，富集训练后身体疲劳AUC达0.62，REM潜伏期和深睡眠为关键特征；心理疲劳和日间嗜睡预测性能有限（AUC约为0.66），且疾病组整体预测能力低于健康组，提示病理因素和个体内变异对结果存在影响。该研究验证了可穿戴睡眠追踪器在家庭环境中的可行性，并为未来多模式、大样本的疲劳监测研究提供了方法学框架。
关键技术方法包括：①使用三种设备（BedSensor、ZKONE、DREEM 2）在家庭中连续采集睡眠及生理信号；②通过PSG亚研究（n=28，来自德国基尔大学医院睡眠实验室）比较设备逐期分类的一致性；③采用重复测量相关分析（Benjamini-Hochberg校正）评估睡眠特征与PROs的关联；④构建机器学习分类器（随机森林、多层感知器、LASSO逻辑回归），以睡前夜晚的睡眠结构（如总睡眠时长、睡眠效率、各期比例）和生理特征（心率、呼吸率百分位数）为输入，经Z分数归一化、缺失值分层插补，通过留一受试者交叉验证评估预测性能，并采用富集训练策略（跨队列数据合并）提升小样本队列性能；⑤使用SHAP方法识别关键贡献特征。样本队列来源：四个欧洲中心（德国基尔大学医院、英国纽卡斯尔大学、荷兰伊拉斯姆斯医学中心、德国乔治-亨廷顿研究所）。
**研究结果（保留每个小标题）**
**3.1 睡眠追踪器验证（Validation of sleep trackers vs. polysomnography）**
通过比较三种睡眠追踪器与PSG的逐期分类矩阵，发现所有设备在检测“深睡眠”方面表现较差，但识别“浅睡眠”和REM的能力较好。其中DREEM 2头环的宏F1中位数最高（0.62），显示其与PSG的一致性相对最佳。该验证证实了这些设备在NDD和IMID患者群体中具有可接受的适用性。
**3.2 所有参与者中睡眠追踪器特征与PROs特性的关联（Association between sleep tracker-derived and PRO-derived characteristics: all participants）**
在全体参与者中，重复测量相关分析（RMC）显示，睡眠追踪器获得的睡眠时长（TST）与PROs中的主观睡眠时长呈最高正相关（DREEM 2: r=0.53, p<0.05），但经Benjamini-Hochberg校正后，任何睡眠特征与疲劳PROs（身体或心理疲劳）之间均无显著关联。显著的关联仅局限于睡眠相关的PROs（如睡眠时长、入睡时间）。
**3.3 队列效应：不同队列中的关联分析（Association between sleep tracker-derived and PRO-derived characteristics: cohort effects）**
分队列RMC显示，健康队列中PROs的觉醒时长与DREEM的入睡后觉醒（WASO）比率呈高正相关（r=0.58）；IMID队列中DREEM的睡眠效率与PROs入睡时间显著相关（r=-0.39和0.41）；NDD队列中BedSensor的睡眠质量与PROs睡眠时长显著相关（r=0.3）。在疲劳关联方面，仅健康队列中ZKONE的睡眠效率与心理疲劳呈名义显著负相关（r=-0.21），NDD和IMID队列中无任何经校正的显著关联。
**3.4 机器学习建模（Machine learning modelling）**
采用LOSO-CV评估三分类器（RF、MLP、LASSO）预测次日疲劳/嗜睡的能力。最佳性能出现在健康队列身体疲劳预测中（BedSensor+LASSO: AUC=0.75, 灵敏度0.62, 特异度0.76），主要特征为呼吸率百分位数和REM时长。NDD队列身体疲劳在富集训练后（合并所有参与者数据）AUC从0.17提升至0.62（ΔAUC=+0.45, p=0.12），关键特征为REM潜伏期和深睡眠。IMID队列身体疲劳在富集训练后AUC从0.51提升至0.63（ΔAUC=+0.12, p=0.04），但灵敏度高（0.85）而特异度低（0.44）。心理疲劳预测在健康队列中AUC为0.66（富集训练），嗜睡预测在NDD队列中AUC为0.66。结果强调跨队列数据合并可提升小样本队列性能，但仍为探索性。
**3.5 特征重要性（Feature importance）**
SHAP分析显示，健康队列中身体疲劳预测的最重要特征为呼吸率（中位数及第5、80、90、95百分位数），较高呼吸率增加疲劳风险；NDD队列中身体疲劳预测的关键特征为REM潜伏期短、总睡眠时间长、心率均值高，且睡眠效率低和深睡眠潜伏期短也与高疲劳相关。心理疲劳预测中睡眠质量和呼吸率百分位数为重要特征，嗜睡预测中深睡眠时长和平均呼吸率为重要特征。但需注意，疾病组特征重要性结果来自富集模型，反映的是跨队列变异而非疾病特异性机制。
**讨论总结与结论翻译**
讨论部分指出，睡眠追踪器验证结果低于健康人群（因算法基于健康样本），但设备仍可提供足够信息。RMC关联分析显示客观与主观睡眠时长一致性较高，但疲劳关联弱，提示数字健康技术更适合捕捉个体内变化而非绝对水平。机器学习性能在健康组较好，疾病组受限，可能因病理疲劳受非睡眠因素影响更大，且全局分类阈值混淆了组间基线差异。不同疾病队列中睡眠与疲劳的关系存在差异：健康组中充足深睡眠和低呼吸率对应低疲劳；IMID组中高疲劳反而伴随更多深睡眠和REM，且觉醒时间更长；NDD组中低疲劳前夜睡眠较少，高疲劳时深睡眠增加。这些发现支持需开发疾病特异性的模型。研究局限性包括样本量小、设备验证不完全、分类阈值问题及未纳入混杂变量（如疼痛、情绪）。未来需在更大规模临床观察研究中验证。
**研究结论翻译**
本初步可行性研究首次结合了可穿戴睡眠追踪器的验证与次日疲劳预测，在神经退行性和免疫介导炎症性疾病患者以及健康成人中进行评估。三种消费者和研究级睡眠追踪器显示出与多导睡眠图（PSG）的可接受一致性，支持其用于长期家庭睡眠监测。睡眠衍生特征在健康成人中展现出对次日身体疲劳的初步探索性判别能力，其中睡眠期间的呼吸心肺特征是最有信息的候选预测因子。预测性能在不同队列间差异显著，模型在健康成人中优于慢性疾病人群。解读疾病队列结果的一个关键限制是使用了全局（人群水平）疲劳阈值，该阈值混淆了组间基线差异与个体内症状变异；这是导致NDD和IMID组性能有限的主要原因，而非单纯的设备有效性或疲劳机制异质性。此外，疾病队列亚组（尤其NDD，n=29）统计效力严重不足，使亚组AUC估计和SHAP特征排名仅具探索性和假设生成性质。这些发现并不构成疲劳疾病特异性数字生物标志物的证据。身体和心理疲劳展现出不同的预测轮廓，与它们作为部分独立构念的处理一致。虽然疲劳相关PROs的预测能力总体有限，且受疾病队列结局定义方法学的进一步约束，但客观可穿戴睡眠跟踪作为连续监测工具的补充价值在科学上仍具合理性。综上，这些发现为计划在更大规模临床观察研究中进行严格、充分效力的评估提供了方法学和探索性实证基础，该研究将通过个体内结局建模、队列特异性阈值以及大幅增加的疾病队列样本量来应对当前限制，在此之前无法证实任何疾病特异性数字生物标志物的主张。
