睡眠数据仓库的实际应用：信号处理、质量控制与人工智能集成

《Sleep Medicine Clinics》：Sleep Data Repositories in Practice: Signal Processing, Quality Control, and Artificial Intelligence Integration

　　

章节摘要

关键点

• •
  采用振幅、频谱和基于熵的方法的自动化质量控制流水线对于在下游分析前检测伪影至关重要。
• •
  确定性和概率匹配策略能够在标识符缺失或不完整的情况下，将睡眠研究数据与纵向电子健康记录关联起来。
• •
  从分段处理到频谱与非线性特征提取的结构化信号处理工作流，支持经典和深度学习模型。
• •
  深度学习

信号质量控制与验证

信号质量控制（QC）是原始数据摄入与任何下游分析或AI模型训练之间的关键门槛步骤。临床环境中采集的多导睡眠图（PSG）记录易受电极位移、患者运动、电气干扰和设备故障产生的各种伪影影响。自动化质量控制流水线必须可靠检测这些伪影，同时最大限度地减少可挽救数据的排除。

睡眠研究与电子健康记录数据关联

睡眠研究数据与纵向电子健康记录（EHR）数据的整合是大规模睡眠数据存储库的基石，使构建具有全面临床背景的丰富队列、确定长期结果以及探究睡眠障碍、合并症、治疗与健康轨迹之间关系成为可能。这种整合构成了精准睡眠医学的基础。有效的关联策略必须应对挑战

信号处理工作流

在质量控制之后，原始PSG信号将经过结构化处理工作流，将连续波形转换为适用于经典统计分析和现代机器学习流程的分析单元。

人工智能与机器学习整合

将AI和机器学习整合到睡眠数据存储库中，远远超出自动分期范畴，涵盖表型发现、结果预测以及向临床利益相关者传递可解释的模型洞察。

可穿戴设备与多模态消费者数据整合

随着可穿戴设备的普遍使用，大型睡眠数据存储库将变得更加庞大。将智能手表和消费者睡眠追踪器收集的连续数据与临床PSG数据整合是一项重大工程，需要对异构数字生物标志物（心率变异性、基于加速度计的睡眠-清醒分类、皮肤温度，以及日益增多的基于外周动脉张力计（PAT）的呼吸替代指标）与经临床验证的多导睡眠图（PSG）和家用睡眠呼吸暂停测试（HSAT）指标进行标准化。当

临床护理要点

• •
  在将记录用于AI分期之前，自动筛查每条记录的伪影（电极断开、肌肉噪声、电源干扰），并在依赖筛查工具前确认其与技师审核结果一致。
• •
  保留原始未滤波记录，准确标注所应用的滤波器，并使用不会移位或扭曲纺锤波和K复合波的滤波器。
• •
  报告睡眠研究记录与患者EHR记录的关联百分比，并将研究日期视为时间零点：

写作过程中AI与AI辅助技术的声明

在本工作准备过程中，作者使用了Anthropic公司开发的Claude Sonnet 5来纠正语法错误。使用此工具/服务后，作者对内容进行了审阅和必要编辑，并对出版内容承担全部责任。

资金支持

由美国德克萨斯州休斯敦贝勒医学院的启动资金支持，质量、效能与安全创新中心（CIN 13–413），美国德克萨斯州休斯敦迈克尔·E·德贝基退伍军人事务医学中心，以及VHA-CSRD（GWVI [I01]# I01CX002841-01）支持。

披露

R.Y. 无相关披露事项。

Arash Maghsoudi|Javad Razjouyan|Amir Sharafkhaneh|J. Kent Werner