《Diagnostics》：Development and Explainable Machine Learning Validation of a Novel Sleep Disturbance Ratio for Obstructive Sleep Apnea Severity Assessment
编辑推荐：
背景/目的：阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea, OSA）传统上依据呼吸暂停-低通气指数（Apnea–Hypopnea Index, AHI）分级，但AHI单独不能充分刻画疾病严重程度的异质性。本研究提出一种新型多导睡眠监测（P
背景/目的：阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea, OSA）传统上依据呼吸暂停-低通气指数（Apnea–Hypopnea Index, AHI）分级，但AHI单独不能充分刻画疾病严重程度的异质性。本研究提出一种新型多导睡眠监测（Polysomnography, PSG）衍生生物标志物——睡眠干扰比（Sleep Disturbance Ratio, SDR），并采用可解释机器学习方法评估其对OSA严重程度分类的贡献。方法：基于767例成人夜间PSG数据的回顾性研究。SDR计算为浅睡（N1+N2）与恢复性睡眠（N3+REM）占比的自然对数比值。采用决策树（Decision Tree）、随机森林（Random Forest）、极端梯度提升（Extreme Gradient Boosting, XGBoost）与人工神经网络（Artificial Neural Network, ANN）四种机器学习算法训练与评估模型，性能指标包括准确率、Cohen’s kappa、F1分数、多类AUC、ROC分析、特征重要性排序、偏依赖图及临床风险地图。结果：单变量分析中SDR在各常规OSA严重组间差异无统计学意义（p=0.77），但可解释机器学习一致显示SDR升高与重度OSA概率增加相关，尤其与平均血氧饱和度降低联合时更明显；SDR与N2睡眠正相关（r=0.85）、与N3睡眠负相关（r=?0.83），证实其作为睡眠片段化标志的生理相关性。随机森林准确率最高（75.0%），XGBoost多类判别最优（AUC=0.895）且重度OSA的ROC-AUC达0.962；Epworth嗜睡量表（Epworth Sleepiness Scale, ESS）在所有模型中均为最强预测因子。结论：SDR是新型PSG衍生标志物，捕捉超越常规AHI的睡眠架构破坏；虽非独立诊断标记，但可解释机器学习表明其与氧合参数整合时可提供互补生理信息以辅助OSA严重程度分类。
研究背景与动机：阻塞性睡眠呼吸暂停综合征（Obstructive Sleep Apnea Syndrome, OSAS）以睡眠中反复上气道阻塞为特征，与心血管病、代谢异常及神经认知损害相关。多导睡眠监测（PSG）是诊断金标准，呼吸暂停-低通气指数（AHI）传统用于分级，但相似AHI患者症状负担与预后差异显著，说明AHI无法完全反映生理异质性。近年研究强调缺氧负荷（hypoxic burden）、血氧饱和度下降模式、觉醒指数及睡眠架构参数的补充价值。浅睡（N1+N2）增多、深睡（N3）与REM睡眠减少是OSAS神经生理负担的体现。同时，机器学习在医学高维数据中表现突出，但可解释性（Explainable Artificial Intelligence, XAI）仍是临床转化关键。为此，研究人员开发睡眠干扰比（SDR = log(((N1+N2)/(N3+REM+0.001))+1)）这一综合睡眠宏观结构改变的指标，并结合XAI评估其在OSA严重程度分类中的作用。论文发表于《Diagnostics》。
主要技术方法：研究为单中心回顾性观察，纳入767例成人PSG记录（土耳其Mardin睡眠实验室，Philips Respironics Alice 6系统）。按AASM标准以AHI分四级（正常<5；轻度5–14.9；中度15–29.9；重度≥30）。特征含人口学、体质测量、合并症、PSG客观参数（平均/最低血氧、S80–90）、ESS评分。数据按受试者级别8:2划分训练/测试集，训练集用SMOTE处理类别不平衡，测试集保持独立。建模采用决策树、随机森林、XGBoost、ANN，5折交叉验证与网格搜索调参；评价用准确率、Kappa、F1、多类AUC及一对多ROC；XAI手段含归一化特征重要性、偏依赖图（Partial Dependence Plots, PDP）、临床风险交互热图。
研究结果：
3.1 探索性数据分析与相关性结构：相关性矩阵显示AHI与ESS最强相关（r=0.78）；SDR与N2正相关（r=0.85）、与N3负相关（r=?0.83），验证其反映浅睡增加/深睡丢失的生理效度。
3.2 模型性能：随机森林准确率75.0%最高；XGBoost多类AUC=0.895最优；ANN准确率62.5%、F1=59.7%偏低；各模型Kappa 0.48–0.65，集成算法更稳定。
3.3 属性重要性与ESS主导：所有模型中ESS归一化重要性满分（100）居首；氧合参数在树模型贡献显著；SDR重要性占6.5%–23.6%。剔除ESS的敏感性分析中，S80–90变为首要预测因子，SDR在决策树、随机森林、XGBoost重要性分别为40.37、54.99、38.15，证明其一价值不依赖ESS。
3.4 SDR的类别统计与算法影响：Kruskal–Wallis检验SDR中位数组间无差异（p=0.77）；但PDP显示在主值区间内SDR升高伴随重度OSA（Class 3）概率上升、轻度（Class 1）概率下降，关系非线性。
3.5 临床风险地图与交互面：SDR与平均血氧交互热图中，高SDR+低平均血氧区域重度OSA概率升高，但因ESS主导使风险梯度带较窄，说明SDR宜作氧合参数的互补量。
3.6 重度OSA诊断ROC比较：XGBoost AUC=0.962最高，随机森林0.953，ANN 0.925，决策树0.915；树集成模型曲线更近左上角，敏感性与特异性均衡更优。
讨论浓缩：研究人员指出AHI单指标不足以涵盖OSA异质性，SDR延续“超越AHI”思路，将浅睡/恢复性睡眠失衡量化为单一可解释指数。集成模型（尤XGBoost/随机森林）在中型表格临床数据优于ANN与单树，与近期文献一致。ESS主导提示主观嗜睡与客观呼吸事件同属疾病负担；SDR虽单变量不显著，但在多维交互中非单调贡献明确，且剔除ESS后仍保重要性，证明其提供客观睡眠架构信息。SDR与低血氧并存推高重度概率，呼应缺氧负荷文献。XAI使“黑箱”决策透明：PDP与风险图将SDR生理意义锚定。局限含单中心回顾、无外部验证、未连结长期心血管/认知结局、ESS可能压制客观变量权重。
结论翻译：综上，本研究表明XGBoost与随机森林等集成机器学习算法在OSAS严重程度分类中表现良好。ESS是最强预测变量；新开发SDR虽非独立显著分类器，但在可解释AI分析中作为与高重度OSA概率相关的互补生物标志物受关注。未来需多中心前瞻验证以确立SDR的临床适用性，并评估其超越传统AHI分类、实现更准确定制化表型的价值。
