预测驾驶能力的嗜睡评估工具：系统综述与荟萃分析

《Sleep Medicine Reviews》：Sleepiness assessment tools for predicting fitness to drive: a systematic review and meta-analysis

　　

摘要

尽管困倦与驾驶能力下降之间的联系已被充分证实，但识别高风险困倦发作对公共安全至关重要。

我们评估了困倦评估工具对驾驶能力下降的预测能力。

本系统综述和Meta分析检索了四个主要数据库，即Medline（PubMed）、Embase、Web of Science和Cochrane中央对照试验注册库（CENTRAL）。纳入的研究报告了驾驶表现指标（偏离道路事件、横向位置标准差、反应时间）与至少一种困倦测量指标（主观指标：Epworth嗜睡量表和Karolinska困倦量表[KSS]；客观指标：眼闭合百分比[PERCLOS]、Johns嗜睡量表、Karolinska嗜睡量表[KDS]、脑电图功率alpha/theta比值、以及行为/生理性微睡眠发作）之间的关联。

共纳入61项研究（1441名参与者，353个观测数据）。主观困倦测量指标（KSS[斜率=0.1，95%CI 0.08;0.12; p=0.00]）和客观困倦测量指标（PERCLOS-80[斜率=0.02，95%CI 0.01;0.04; p=0.01]；KDS[斜率=0.00，95%CI 0.00;0.01; p=0.02]；脑电图功率[斜率=0.01，95%CI 0.07;0.26, p=0.00]；微睡眠发作[斜率=0.03，95%CI 0.02;0.03, p=0.00]）均与驾驶能力下降稳健相关。

由于存在严重的发表偏倚风险和方法学局限性，KSS、PERCLOS-80、微睡眠发作和ESS的证据确定性为低，KDS、脑电图功率和JDS的证据确定性为极低。

这些结果支持主观和客观困倦测量指标与驾驶能力下降之间存在关联，但其预测效用需进一步研究。未来研究应在标准化真实驾驶条件下、通过更大规模的研究评估联合工具的有效性。

PROSPERO注册

CRD42024427166

引言

困倦被定义为在主要清醒时段内无法保持清醒和警觉的状态，在普通人群中日益普遍[1, 2, 3]。困倦常见于多种睡眠障碍，如睡眠呼吸暂停和周期性肢体运动[4]，也可能由生活方式行为和社会变迁导致的慢性睡眠限制所引发[5]。困倦带来的日益增长的社会负担对道路安全提出了严重关切，因为即使短暂的困倦发作也会影响视力、注意力和警觉性，进而影响需要高度警觉的驾驶安全。驾驶中的困倦与道路交通事件的更高发病率和更大严重程度相关[6, 7, 8]。归因于困倦的道路交通事故比例估计为3%至30%，具体取决于所考察的数据库以及从主观和/或客观困倦表征中收集的临床表型化程度[8, 9, 10, 11, 12, 13, 14]。

困倦是一种复杂现象，常与嗜睡、疲倦或疲劳互换使用，且具有多面性表现[15]。这些表现从常见的眼部不适[16]和频繁眨眼[17]，到微睡眠发作（即持续时间少于15秒的非自主睡眠时段）[18, 19]，再到小睡。困倦可以通过主观方式评估，使用如Karolinska困倦量表（KSS）[20, 21]和Epworth嗜睡量表（ESS）[22]等工具，也可以通过客观的生理测量进行评估。客观指标包括眼睛被遮挡至少80%的时间百分比（PERCLOS-80）[23]、Johns嗜睡量表（JDS）[24]、Karolinska嗜睡量表（KDS）[25]、基于脑电图（EEG）的行为性微睡眠发作[26, 27]，以及脑电图功率（特别是alpha/theta比值）[28]。

多种车载嵌入式技术使用上述部分测量指标来监测驾驶员困倦[29]。然而，考虑到归因于困倦的道路交通事故比例[30]以及全球道路交通事件的逐年增长[31]，迫切需要更好地识别和验证现有困倦评估方法，以预测即将发生的道路交通事件或惊险事件。为在高级车载技术中整合适当的生物特征监测和可穿戴传感器提供指导，可以为在困倦危及道路安全之前检测困倦迹象提供更有效和主动的方法。

已有研究在上述所述的驾驶模拟器或实际道路驾驶实验中，同时使用主观和/或客观工具评估困倦并评估驾驶适应能力指标。然而，对这些困倦测量指标的系统比较及其预测驾驶能力下降的能力仍缺乏。因此，本系统综述和Meta分析（纳入随机和非随机对照试验、交叉试验、观察性研究以及实际道路或模拟器驾驶研究）的主要目标是评估和比较多种困倦评估工具与驾驶适应能力指标之间的关联，同时考虑相关混杂因素。该方法旨在全面理解现有主观和客观困倦评估工具与驾驶能力下降的相关性，从而识别评估困倦相关风险的最相关变量。我们假设，困倦的客观生理标志物与驾驶能力下降的关联强于仅靠主观问卷，而状态依赖型主观测量指标（如KSS）的预测价值将大于特征基线测量指标（如ESS）。通过识别驾驶适应能力下降的最稳健预测因子，本综述旨在支持临床决策、改善驾驶适应性评估、指导下一代驾驶员监测系统的开发，并为旨在减少困倦相关道路交通事件的公共卫生策略做出贡献。

章节摘要

研究设计与注册

本系统综述和Meta分析遵循系统综述和Meta分析优先报告条目（PRISMA 2020）声明及流行病学观察研究Meta分析（MOOSE）指南进行。

相应的PRISMA和MOOSE核查表见补充材料（附录A：表S1–S2）。

本综述的方案和系统检索策略已在国际前瞻性

合格研究概述

初步检索共获得6495篇研究（从建库至9月10日）。总体而言，61篇参考文献提供了可用数据，被纳入Meta分析（图1）[16, 24, 40–98]。每项单独研究的详细信息见附录A

讨论

本Meta分析全面概述了不同困倦评估工具与驾驶适应能力之间的关系。

尽管先前的困倦与驾驶表现综述（如Tomson等人，2025[99]；Peng等人，2022[100]）为相关文献提供了有价值的叙述性或定性综合，但本研究做出了几项独特的贡献。首先，与这些叙述性综述不同，我们使用多层Meta回归配合预设协变量来

结论

本系统综述和Meta分析确定PERCLOS-80和KSS为实时条件下评估困倦相关驾驶适应性的有效主观工具，而KDS、脑电图和微睡眠尽管在真实世界环境中应用较少，也显示出与驾驶能力下降的强关联。

这些发现支持结合主观和客观困倦指标的多维框架在驾驶适应性评估中的潜在价值

方案注册

本研究方案已在国际系统综述前瞻性注册数据库（PROSPERO: CRD42024427166）中前瞻性注册

总结与未来方向

主观和客观困倦评估工具均与驾驶能力下降相关。Karolinska困倦量表是最一致的状态依赖型困倦主观测量指标，而微睡眠发作、脑电图功率和PERCLOS-80提供了警觉性下降的稳健客观指标。

这些发现支持结合主观和客观指标的多维方法，以改善高风险困倦的识别并指导驾驶适应性评估

资助声明

格勒诺布尔阿尔卑斯大学合作研究基金（编号：22CUF9983）。JLP、SB、RT和RBM受法国国家研究署（ANR）在"法国2030"计划框架下的资助，格勒诺布尔阿尔卑斯大学基金会"电子健康与整合护理"讲席和人工智能"MIAI集群"下的"睡眠健康-AI讲席"（ANR-23-IACL-0006）资助。BL受澳大利亚国家健康与医学研究委员会（NHMRC）新兴领导力奖学金（2025886）资助。

数据共享声明

与本综述相关的所有材料，包括数据收集表单模板、从纳入研究中提取的数据、用于所有分析的数据、分析代码及其他支持性材料，均可在合理请求下向通讯作者公开获取。

利益冲突声明

AD声明她曾接受CoreForTech公司的财务支持，声明与本研究相关的无其他利益冲突。CK、RBM、RT、AV、BL、SB和JLP声明他们与本研究无利益冲突。

作者贡献

AD：概念化、数据整理、调查研究、方法论、验证、可视化、撰写——初稿。CK：概念化、形式化分析、方法论、软件、验证、可视化、撰写——审阅与编辑。RBM：数据整理、调查研究、验证、撰写——审阅与编辑。AV：方法论、撰写——审阅与编辑。BL：方法论、撰写——审阅与编辑。RT：资金获取、资源、验证、撰写——审阅与编辑。SB：

致谢

英文语言编辑协助由Nicola Ryan提供，她是独立的医学撰稿人，由格勒诺布尔阿尔卑斯大学资助。

Aurélie Davin | Charles Khouri | Raoua Ben Messaoud | Andrew Vakulin | Bastien Lechat | Renaud Tamisier | Sébastien Baillieul | Jean-Louis Pépin