基于几何感知人工智能框架的阻塞性睡眠呼吸暂停严重程度预测

《Nature Communications》：Long-range interdependencies aware signal analysis for rapid and accurate obstructive sleep apnea prediction

　　

摘要

阻塞性睡眠呼吸暂停以频繁的中断呼吸和间歇性低氧为特征，因其可能增加多器官系统的发病率和死亡率，已成为公共卫生关注的焦点。尽管多导睡眠监测是诊断的金标准，但其操作繁琐、成本高昂且复杂。在此，我们提出了一种具有生物学几何感知能力的artificial intelligence（人工智能）框架，该框架通过处理生理信号来预测睡眠呼吸暂停的严重程度。该框架提取多重分形耦合特征，这些特征能够捕捉生理过程之间的长程依赖关系，并将它们整合到深度学习中进行分类。我们在五个异质队列（共超过35,000名受试者）中验证了该方法。该方法表现出稳健且一致的性能，曲线下面积（AUC）值超过0.91，相比当前最先进的模型提升了8%–18%。所提取的耦合表示在异质队列中表现出快速收敛和一致的性能。该框架为生理动力学提供了稳健的表征，并为未来睡眠呼吸障碍的自动化分析发展提供支持。