气道正压治疗：人工智能能改善依从性和疗效吗？

《Sleep Medicine Clinics》：Positive Airway Pressure Therapy: Can Artificial Intelligence Improve Adherence and Outcomes?

　　

章节摘要

核心要点

• •
  人工智能（AI）正日益在阻塞性睡眠呼吸暂停（OSA）的管理中引发变革，涵盖筛查、诊断、预后和治疗等多个方面。
• •
  基于学习的AI在CPAP治疗中的应用主要表现为：(1) 利用无监督学习识别依从性表型；(2) 使用监督模型预测短期和长期依从风险；以及(3) 基于AI的监测和干预框架。
• •
  观察性研究的证据表明，AI模型的应用（包括

在持续气道正压通气治疗中，什么才算"人工智能"？一种实用分类法

在医疗保健领域，AI泛指能够从数据中学习模式以支持预测或分类的计算方法。在睡眠医学中，最实用的区分在于基于学习的AI（如监督学习或无监督机器学习）与非学习自动化（基于规则的阈值和确定性工作流程）之间，因为这些类别在验证需求和转化到实际护理时的风险各不相同。^7,8

非学习自动化在

人工智能改善持续气道正压通气依从性：真实世界证据

鉴于CPAP相关的生存获益似乎取决于治疗暴露程度，依从性是长期结局的可信中介因素，因此也是可扩展改善策略的首要目标。³ 基于AI的方法的最佳评估标准不是其新颖性，而是它们能否可靠地在足够早的阶段识别出可改变的治疗障碍，从而实现有效干预。⁶

随机证据也支持远程监测在选定患者群的习惯化阶段具有操作价值

无监督学习：依从性表型和轨迹

无监督学习方法通过在治疗早期揭示异质性的使用模式，将CPAP依从性的理解扩展到了二元分类之外。通过对纵向CPAP使用数据应用聚类技术，可以识别出不同的依从轨迹，从早期停药到逐渐增加使用或持续高使用量不等。这些基于轨迹的方法捕捉了当

监督机器学习：短期和长期依从风险预测

已开发了监督机器学习模型，通过将基线特征与早期使用数据相结合，在临床上相关的时间范围内预测CPAP依从性。在一项大规模回顾性队列研究中，监督模型能够预测3、6和12个月的依从性，早期使用指标持续出现在所有时间点的强预测因子中。这些发现强化了以下概念：治疗初始阶段的行为包含大量

从预测到干预：人工智能在针对数字化和远程监测支持中的作用

将早期依从风险识别转化为改善结局不仅需要有效的干预措施，还需要确定应向谁提供干预、何时提供以及以何种强度提供的机制。基于远程监测支持的护理模式通过快速检测技术或行为障碍并及时提供患者支持，为此类干预提供了操作基础。在一项随机试验中，远程监测显著缩短了

人工智能超越依从性告知结局：预测性与因果性方法

目前CPAP护理中大多数AI应用本质上是预测性的，用于估计依从失败的概率或聚类行为轨迹。虽然此类模型可以辅助随访的优先级排序和靶向，但要得出以结局为导向的精准声明，需要进行因果推理和前瞻性验证，以证明AI引导的决策能够改变管理方式并改善与患者相关的终点且避免伤害。个体化治疗效果模型前景广阔，但

实施考量：自动化、人工智能与临床治理

必须将基于学习的AI方法与其在正压通气（PAP）护理中常用的非学习自动化加以区分。远程监测云平台中实施的基于规则的分诊系统可能使用预设阈值（如使用时长、面罩泄漏或残余呼吸指数）对患者进行分组或优先级排序。虽然这些系统可以支持可扩展的随访和工作流程组织，但它们不会从数据中自适应或学习，因此应该被

患者体验、满意度和结局：超越依从性而不夸大主张

CPAP治疗中的患者体验不应被视为次要的或纯粹主观的。早期对舒适度和耐受性的感知在患者能否在关键的初始阶段保持参与方面起着决定性作用，因为大多数停药发生在此阶段。从临床角度来看，体验更像是持久性的早期决定因素而非终点指标，它塑造了暴露轨迹，而非独立定义治疗成功。

近期的AI辅助进展

局限性、风险和临床实施条件

综述和面向临床医生的综合研究指出了将AI转化为常规睡眠医学实践的可预见障碍，包括跨人群和护理模式的泛化性限制、标准化不足以及将模型整合到实际临床工作流程中的挑战。这些研究还强调，在AI辅助方法能够负责任地大规模实施之前，需要进行临床验证、模型可解释性和真实世界有效性评估。4, 5, 6

对于以依从性为重点的

未来方向：有意义的研究议程

未来研究应优先考虑临床验证、可解释性、融入护理路径以及真实世界有效性，将重点从算法新颖性转向可证明的临床实用性（图1）。^4,5 首先，需要进行前瞻性研究来评估风险分层的依从支持策略，其中早期轨迹信号和预测风险状态决定故障排除、行为支持或数字教练的时机和强度，这与此

总结

鉴于CPAP使用与全因死亡率和心血管疾病死亡率降低之间存在一致的相关性，应将其依从性视为长期获益的决定因素，而非治疗实施的流程性指标。在此框架下，AI具有可信的潜力来改善CPAP疗效，通过更早地识别高风险依从轨迹，并在可扩展的护理模式中支持故障排除和结构化数字支持的靶向部署。

临床护理要点

• •
  阻塞性睡眠呼吸暂停（OSA）的管理仍然面临重大挑战，这为人工智能（AI）的开发创造了机遇。
• •
  AI有望改善CPAP依从性和患者的参与度，但仍需大量独立的证据。

写作过程中人工智能及人工智能辅助技术的声明

在准备本文过程中，作者使用了ChatGPT以提升文章的整体质量。在使用该工具/服务后，作者根据需要审阅和编辑了内容，并对出版物的内容承担全部责任。

利益冲突披露

S.F. Furlan曾为巴西圣保罗大学圣保罗分校的博士生和博士后研究人员。目前，她是瑞思迈（ResMed）的员工。L.F. Drager曾从瑞思迈获得科学会议的讲课费。

资助

圣保罗研究基金会（FAPESP） 资助 2019/23496-8。

Sofia F. Furlan|Luciano F. Drager