机器学习预测阻塞性睡眠呼吸暂停患者持续气道正压通气后嗜睡程度的变化：一项多队列分析

《Sleep》：Machine learning prediction of the change in sleepiness following continuous positive airway pressure in obstructive sleep apnea: a multi-cohort analysis

　　

摘要

研究目标

利用基线特征预测阻塞性睡眠呼吸暂停（OSA）患者在接受持续气道正压通气（CPAP）治疗后嗜睡程度的改善情况。

方法

分析了来自五个多导睡眠监测队列（HomePAP、BestAIR、ABC、STAGES 和 MESA；总计 n=2332）的数据。使用多变量线性回归评估多导睡眠图指标与爱普沃斯嗜睡量表（ESS）之间的关联。使用交叉验证 LASSO 回归来选择预测变量。在 139 名参与者中训练线性回归模型，并在一个留群组（n=74）中进行测试，以评估 CPAP 治疗参与者（n=213）中 ESS 改善的预测情况。

结果

横断面分析显示，基线 ESS 与通气负荷（0.56 分/SD；95% CI 0.34-0.78）、缺氧负荷（0.51；0.28-0.74）、呼吸暂停 - 低通气指数（AHI，0.45；0.23-0.68）、血氧饱和度低于 90% 的时间（0.36；0.15-0.57）以及流量限制严重程度（0.31；0.10-0.53）之间存在显著关联。基线 ESS 和基线通气负荷是 ESS 改善最常被选用的预测因子。在回归模型中使用这两个变量，留群组中的预测 ESS 改善与实际 ESS 改善相关（调整后 R²=0.313）。该模型对 CPAP 应答者（ESS 改善≥2 分）的分类比当前临床指南更准确（78.1% [3.5% SD] 对 68.4% [3.7%]）。用 AHI 替代通气负荷略微降低了准确性（77.3% [3.4%]）。制定了图表以协助从基线指标预测 ESS 改善。

结论

结合基线 ESS 以及通气负荷或 AHI 的模型可以预测 ESS 改善，并可能有助于识别可能从 CPAP 中获益的 OSA 患者。通气负荷模型显示出略好的性能，而基于 AHI 的模型具有更大的临床适用性。

图解摘要

在新标签页中打开下载幻灯片