综述：基于人工智能利用音频信号预测中重度阻塞性睡眠呼吸暂停的准确性：系统评价

《Sleep Medicine Reviews》：Accuracy of Artificial Intelligence–Based Prediction of Moderate-to-Severe Obstructive Sleep Apnea Using Audio Signals: A Systematic Review

　　

摘要

阻塞性睡眠呼吸暂停 (OSA) 是一种常见的睡眠相关呼吸障碍，会增加慢性疾病的风险并对生活质量产生负面影响。虽然多导睡眠图 (PSG) 仍然是诊断的金标准，但其高昂的成本、劳动密集且耗时的程序凸显了对替代诊断工具的需求。机器学习和消费级睡眠技术的进步加速了对各种医疗状况（包括 OSA）进行早期筛查和风险评估的可能性。本系统综述旨在回顾通过音频信号（智能手机、麦克风）检测成人 OSA 的证据。在识别出的 122 篇论文中，有 15 篇被纳入。虽然一些研究展示了高敏感性与低特异性（或反之）之间的权衡，但有六项研究显示敏感性和特异性均高至极高（>=80%）。这些结果表明，通过音频信号检测中重度 OSA 的风险是可行且足够准确的。我们回顾了可能指导未来研究以提高训练和测试算法以筛查 OSA 的成功率的因素。

章节片段

引言

自研究人员开始测量人类的夜间休息以来，科技与睡眠就密不可分。从 20 世纪 30 年代测量体温的昼夜节律到 20 世纪 50 年代发现快速眼动睡眠，科学家们一直致力于完善睡眠的精确测量以及对其进行量化和分类 [1]。近年来，睡眠科学不仅定位用于通过在自家测量数百万人的睡眠来量化自我 [2]，还致力于通过分类自我来

方法

本综述遵循 PRISMA 指南（系统综述和 Meta 分析优先报告条目）[27]。本综述未在 PROSPERO 注册，因为该平台尚未针对诊断研究的系统综述进行定制 [28]。

检索结果

初始文献检索共得出 110 篇论文。额外检索又识别出 12 篇论文。在去除 47 篇重复文献后，剩余 75 项研究用于标题和摘要筛选。其中，45 项研究根据排除标准被移除，剩余 30 项研究用于全文筛选以评估其适用性。15 项研究根据排除标准被排除。最终，有 15 项研究符合我们当前综述的纳入标准。PRISMA 流程图

讨论

AI 技术的进步结合 OSA 的患病率以及 PSG 的局限性，使得研究转向探索 OSA 筛查的替代方法。捕获音频信号并使用 AI 算法对其进行分析以生成输出，从而传达个体 OSA 风险的音频设备，作为一种识别有风险人群并引导他们寻求正式诊断测试的有前景的方法。总体而言，审查的 15 项研究表明

结论

近年来，使用音频信号筛查和检测 OSA 的睡眠技术发展呈指数级增长，这主要得益于将 AI 集成到设备（如智能手机）中。这种“单声成像”概念代表了一个具有巨大转化潜力的新研究领域。本综述提供了基于 AI 的模型筛查和检测 OSA 的最新概述。总体而言，基于音频的方法表现出高诊断

实践要点

• 1.
  使用 AI 算法分析呼吸声音是一种有前景且易获取的方法，用于确定 OSA 的风险和严重程度
• 2.
  这项技术将为疑似 OSA 的个体提供一个易于获取的筛查工具

研究议程

• 1.
  传统的基于 ML 或 DL 的模型需要进一步发展，以在家庭环境中检测 OSA，从而提高其适用性和泛化能力。
• 2.
  提出的算法需要进一步微调，以改善对中度 OSA 的检测，目前其表现相对较差。
• 3.
  算法需要在代表性样本上进一步测试
• 4.
  许多人会与家庭成员、朋友或宠物共用卧室，因此需要在...内区分个体呼吸的特征

未引用参考文献

9.; 23.; 24.; 25.; 26.; 51..

利益冲突声明

?作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Meg Pillion, Pureum Kim, Maria Larsson, Emilio Jorge 和 Michael Gradisar 报告获得了 Sleep Cycle AB 的财务支持。Michael Gradisar 还报告与澳大利亚健康保险基金存在关系，包括：咨询或顾问；Michael Gradisar 报告与 Sugar Psychology 存在关系，包括：咨询或顾问；Michael

梅格·皮利恩 | 普鲁姆·金 | 玛丽亚·拉尔森 | 埃米利奥·豪尔赫 | 珍妮尔·奥尔瓦 | 迈克尔·格拉迪萨尔

Sleep Cycle AB, 瑞典哥德堡