帕金森病及单纯性REM睡眠行为障碍的完全自动化睡眠分期

《npj Digital Medicine》：Fully-automated sleep staging for Parkinson’s disease and isolated REM sleep behavior disorder

　　

摘要

孤立性REM睡眠行为障碍是帕金森病的重要前驱指标。视频多导睡眠图仍是诊断的金标准，但在神经退行性疾病中，手动睡眠分期既耗时又困难。我们采用了深度神经网络U-Sleep来实现帕金森病和孤立性REM睡眠行为障碍的自动化睡眠分期。首先使用预训练模型（包含19,236份睡眠图数据）进行初步训练，然后在多中心数据集（PACE、CBC：112例帕金森病患者、138例孤立性REM睡眠行为障碍患者、89名正常人）上进行微调，最后在另一组临床数据集（DCSM：81例帕金森病患者、36例孤立性REM睡眠行为障碍患者、87名正常人）上评估其性能。研究分析了影响分期一致性的因素，并对一致性较低的记录重新进行评分。同时通过置信度阈值来提高REM睡眠的检测准确性。预训练模型在PACE/CBC数据集上的κ值为0.66，经过微调后提升至0.74（p＜0.001）；在另一组数据集上，κ值从0.60上升至0.64（p＜0.001）。针对不同机构的特定数据进行的微调效果甚微。置信度是影响Cohen’s κ值的显著因素（p＜0.001）。模型一致性较低的记录，其人类评分者之间的分歧也较大。应用置信度阈值后，REM睡眠的检测精确度从85%提升至95.6%，且96%的受试者仍能保持足够的REM睡眠时间。这个公开可用的模型达到了与人类水平相当的一致性，能够实现标准化、可扩展的睡眠图分析，同时通过模型给出的置信度数值为进一步优化提供依据。