《Sleep Medicine》:Diagnostic accuracy of respiratory polygraphy interpretation in pediatric obstructive sleep apnea using a built-in algorithm
编辑推荐:
与多导睡眠图(PSG)相比,呼吸描记术(RP)低估了阻塞性呼吸暂停低通气指数(OAHI)。为最小化此偏倚,一种内置算法被整合到RP软件中,用于分类清醒、非快速眼动(NREM)和快速眼动(REM)睡眠期(RP-Algorithm)。研究旨在确定该算法检测三阶段睡
与多导睡眠图(PSG)相比,呼吸描记术(RP)低估了阻塞性呼吸暂停低通气指数(OAHI)。为最小化此偏倚,一种内置算法被整合到RP软件中,用于分类清醒、非快速眼动(NREM)和快速眼动(REM)睡眠期(RP-Algorithm)。研究旨在确定该算法检测三阶段睡眠的准确性,并评估RP-Algorithm或RP获取的OAHI与PSG获取的OAHI之间的一致性。研究纳入了来自88名儿童(中位年龄[第1;第3四分位数]:10.5 [7.5;13]岁)的PSG记录。在PSG分析数周后,删除评分,仅考虑呼吸信号和内置算法(Nox BodySleep? 1.0, ResMed;RP-Algorithm)对记录进行盲法重新分析。数周后,删除前次分析,对记录进行盲法重新分析作为RP。RP-Algorithm对三阶段睡眠分类的准确率为90%,Cohen's Kappa系数为0.68。与PSG(4.8 [3.3;6.6]/h;两者p<0.0001)相比,RP-Algorithm(3.5 [2.2;6.2]/h)或RP(3.0 [1.9;5.5]/h)均低估了OAHI,Bland-Altman分析证实了这一点(RP-Algorithm的平均差值为-1.39/h(95%置信区间:-3.62至0.84),RP的平均差值为-1.92事件/h(95%置信区间:-4.41至-0.57))。通过RP-Algorithm诊断时,13名儿童(15%)的严重程度类别发生变化,而通过RP诊断时,23名儿童(26%)发生变化。整合到RP解读中的内置算法在PSG作为金标准时,显示出对三阶段睡眠分类的高准确性,并减少了与标准RP相比的OAHI低估,只有少数儿童的严重程度类别发生变化。
**研究背景与问题**
儿童阻塞性睡眠呼吸暂停(OSA)的诊断金标准为多导睡眠图(Polysomnography, PSG),但PSG因电极多、费用高、耗时且儿童耐受性差而受限。呼吸描记术(Respiratory Polygraphy, RP)电极较少,更易用于儿童,却常低估阻塞性呼吸暂停低通气指数(Obstructive Apnea-Hypopnea Index, OAHI),主要原因是RP无法检测与皮层微觉醒相关的低通气,且总睡眠时间(Total Sleep Time, TST)难以准确估计。为弥补这一不足,近年来RP软件整合了内置算法(Built-in Algorithm),可自动识别睡眠-清醒状态及快速眼动(Rapid Eye Movement, REM)和非快速眼动(Non-Rapid Eye Movement, NREM)睡眠,但在儿童人群中尚未验证。本研究旨在评估该算法在儿童中的诊断准确性,并比较其与标准RP在PSG金标准下的表现。
**研究开展与结论**
研究人员回顾性收集了88名怀疑OSA的儿童(年龄2–18岁)的PSG记录,先由专家进行PSG分析,随后删除神经生理信号,利用内置算法(Nox BodySleep? 1.0)进行自动睡眠分期,再由同一专家盲法手动评分呼吸事件获取RP-Algorithm结果;数周后再次删除评分,由同一专家盲法分析仅含呼吸信号的记录作为标准RP。研究显示,内置算法对三阶段睡眠分类的准确率达90%,Cohen's Kappa系数为0.68。与PSG相比,RP-Algorithm对OAHI的低估幅度(平均差值-1.39事件/h)小于标准RP(-1.92事件/h),且严重程度类别改变比例更低(15% vs. 26%)。论文发表在《Sleep Medicine》。
**关键技术方法**
研究样本来自法国南锡大学儿童医院睡眠科(2022–2024年),共88名儿童(中位年龄10.5岁)。主要技术包括:(1)PSG记录(Nox A1设备,含脑电图、眼电图、肌电图等),由专家根据美国睡眠医学会(AASM)标准手动分析睡眠分期和呼吸事件;(2)删除神经信号后,利用内置算法(Nox BodySleep? 1.0,基于呼吸感应体积描记术(RIP)和体动信号)自动输出三阶段睡眠(清醒、NREM、REM);(3)同一专家在对算法输出不知情的情况下,按AASM标准手动评分呼吸事件,得到RP-Algorithm;(4)再次删除评分,同一专家仅基于呼吸信号手动分析作为标准RP。统计分析采用配对Wilcoxon检验、Cohen's Kappa、Bland-Altman分析及受试者工作特征曲线(ROC)等。
**研究结果**
**1. PSG与RP-Algorithm睡眠参数比较**
与PSG相比,RP-Algorithm对TST、NREM和REM睡眠时长及占比的估计无显著差异;而标准RP的TST显著增大。三阶段睡眠分类的准确率为90%,Cohen's Kappa系数0.68,其中NREM识别的敏感性92%、特异性77%,REM识别的敏感性79%、特异性96%,清醒识别的敏感性58%、特异性97%。
**2. PSG、RP-Algorithm与RP呼吸参数比较**
OAHI、低通气指数(Hypopnea Index, HI)及总呼吸暂停低通气指数(Apnea-Hypopnea Index, AHI)在RP-Algorithm和RP中均显著低于PSG(p<0.0001),且RP-Algorithm的OAHI和HI高于RP(p<0.0001)。阻塞性呼吸暂停指数(Obstructive Apnea Index, OAI)在PSG与RP-Algorithm间无显著差异,但RP显著高于PSG。Bland-Altman分析显示,RP-Algorithm对OAHI的平均差值为-1.39事件/h(95%置信区间:-3.62至0.84),HI为-1.30事件/h;而标准RP对OAHI的差值为-1.92事件/h,HI为-2.12事件/h。
**3. ROC曲线分析**
RP-Algorithm检测PSG中OAHI ≥ 5事件/h的曲线下面积(Area Under the Curve, AUC)为0.95(95%CI: 0.91–0.99),高于标准RP的0.90(95%CI: 0.84–0.96)。RP-Algorithm的敏感性(85%)和阴性预测值(89%)均优于标准RP(71%和79%),而特异性(96%)和阳性预测值(95%)与标准RP(96%和94%)相当。
**4. 严重程度分类变化**
与PSG相比,RP-Algorithm使13名儿童(15%)改变严重程度类别(其中2名重度转为中度,10名中度转为轻度,1名轻度转为无OSA);标准RP则导致23名儿童(26%)改变类别(3名重度转中度,16名中度转轻度,4名轻度转无OSA)。
**讨论与结论**
讨论部分指出,内置算法对三阶段睡眠分类具有高准确性和与PSG的显著一致性,优于成人研究报道的某些AI模型(如基于心率变异性或卷积神经网络的方法)。该算法无需脑电图(EEG)和眼电图(EOG)信号,仅依赖RIP和体动数据,因此更适用于儿童,且已整合到商用RP软件中,可直接用于临床。研究局限性包括单中心设计、无法区分NREM亚型,以及需进一步在家庭环境验证。
**研究结论**
整合到RP解读中的内置算法在PSG作为金标准时,显示出对三阶段睡眠分类的高准确性,并减少了与标准RP相比的阻塞性呼吸暂停低通气指数的低估,只有少数儿童的严重程度类别发生变化。其主要优势在于已整合至RP软件中,可直接用于日常临床实践。自动评分技术不断发展并已成为睡眠评分的有价值工具;然而,睡眠专家必须持续监测和验证结果准确性,防止因误读和诊断错误导致不当治疗。将自动评分与专家人工验证相结合仍是确立最终OSA诊断的最合适方法。