人工智能在阻塞性睡眠呼吸暂停诊疗中的应用研究进展

郁飞 叶亮 谷伟

阻塞性睡眠呼吸暂停 (obstructive sleep apnea,OSA)是一种以夜间反复上气道阻塞、间歇性低氧血症以及日间嗜睡为特点的疾病。研究证实,OSA是高血压、冠心病、卒中等严重疾病的独立危险因素[1]。我国OSA的发病率为2%～4%,并且随着人群肥胖率的增长,OSA的发病率逐渐升高[2]。未经良好治疗的OSA与其显著的并发症给个人健康构成了极大的威胁[3]。人工智能(Artificial Intelligence,AI)作为计算机技术的一个新领域,致力于开发一套理论、方法和技术应用系统,用以模拟、延伸和扩展人类智能。借助强大的图像识别、数据挖掘和深度学习等技术,AI有望为医学领域的一些难题提供解决方案。本文就近年来,AI在OSA诊断以及治疗方面的研究进展进行综述。

一、AI在OSA诊断中的应用研究进展

目前,多导睡眠检测(Polysomnography,PSG)是OSA诊断的金标准。PSG对多种不同生理信号进行夜间记录,记录完毕后,由医生对记录结果进行分析与判定。而借助AI进行PSG数据分析,能够提高诊断效率和准确性。但由于PSG设备价格高昂、操作繁琐,难以在临床上广泛开展,导致大量OSA患者不能得到及时诊断。同时,进行PSG监测时,患者处于陌生的睡眠环境,并佩戴多个电极片和导联线,不可避免地影响患者的睡眠质量,影响诊断准确性,甚至导致监测失败[4]。

近年来,随着AI技术的发展,越来越多的学者尝试将AI应用在OSA诊断中,寻找相对准确、舒适,适合筛查的诊断方法。

1. 人脸识别

既往研究证实,颌面部结构异常是OSA的发病机制之一。而下颌骨后移、上颌骨塌陷、面部脂肪堆积过多等是 OSA患者典型的面部特征[5]。因此,有学者尝试通过AI学习OSA患者的面部特征,运用人脸识别的技术筛查具有OSA高危面部结构的人群。Sutherland 等[6]根据正面和侧面照片的面部关键点,计算出 44 个与面部、上颌骨、下颌骨、眼睛、鼻子和颈部尺寸相关的变量之后,采用逻辑回归和分类回归树算法预测建模。Balaei 等[7]用基于级联形状回归的方法进行关键点定位。Lin 等用Resnet50 网络对正面和侧面人脸图像进行分类,发现使用侧面人脸图像诊断OSA准确率更高[8]。根据上述相关研究,人脸识别的OSA诊断准确度在70%～80%。良好的人脸识别模型能够利用面部特征快速识别高风险的OSA患者,但是对于因咽扁桃体肥大、鼻甲肥大等内在结构异常导致的OSA识别作用有限。

2. AI算法诊断模型

OSA患者往往具有肥胖、打鼾、夜间血氧饱和度下降等临床特征,通过人工智能的方法学习这些临床特征来辅助诊断OSA是目前的研究热点。Viner[9]将410名OSA患者纳入测试,运用逻辑回归算法,基于年龄、性别、体重指数(body mass index ,BMI)建立临床诊断模型。该模型在验证阶段正确排除了约30%的非OSA的打鼾患者,预估可以减少约1/3的PSG检查数量。Harun等[10]通过人工神经网络(Artificial Neural Network,ANN)学习201例确诊为OSA患者的性别、年龄、BMI、打鼾特征后,应用多层感知器进行识别及分类,实现了对OSA患者86.6%的识别准确率。Silva等[11]则通过机器学习(machine learning,ML)识别鼾声的音高、共振峰等特征,并纳入患者的颈围作为参数,使用基于ANN的算法模型对OSA患者进行识别,该方法的灵敏度和特异度约为90%。而Ye等[12]以心率和血氧饱和度为主要特征,利用XGBoost算法建立诊断模型,对儿童轻、中、重度OSA识别的正确率分别达到了90.45%、85.67%、89.81%。以上研究均显示算法诊断模型良好的诊断效能,但是目前仍然缺乏大样本、多中心的临床研究,同时缺乏各算法之间的比较。

虽然上述方法目前仍然不能取代PSG,但通过这些方法可以筛查出需要进行PSG的患者,这将大大减少OSA诊断对PSG的依赖,减轻医疗负担。

二、AI在OSA治疗中应用研究进展

OSA的传统治疗方式包括持续气道正压通气(Continuous Positive Airway Pressure,CPAP)、口腔矫治器(Oral Appliance,OA)、手术治疗等。各种治疗各有优缺点,如何选择治疗方式以及如何在实施治疗后及时评估治疗效果,仍然是目前OSA治疗领域的难题。而AI技术的应用有望成为解决这些难题的有效手段。

1. 识别OSA内型

OSA在高危因素、病理生理学机制、并发症等方面存在显著的异质性[13]。因此,OSA是一种十分适合个性化治疗的疾病。OSA的病理生理学机制包括气道闭合压低、低觉醒阈值、高环路增益以及气道扩张肌功能差,上述因素共同参与OSA的发生发展,但各自所占的权重不同,构成不同的OSA内型[14,15]。目前已有多项研究利用PSG来识别OSA的内型,而利用AI技术可以提高内型识别的效率和准确性[16]。Dutta等[17]利用多元主成分分析和决策树学习的方法研究了52名参与者的年龄、BMI以及AHI、最低氧饱和度等八个PSG参数,并且通过标准生理学方法量化了各内型,发现该模型有助于评估环路增益以及觉醒阈值,并且纳入内型后预测OSA严重程度的准确性可提高两倍。准确识别这些内型,是实现OSA个性化及精准化治疗的前提。

2. 持续气道正压通气(CPAP)

CPAP通过施加气道正压减轻气道阻塞,纠正睡眠期的间歇性缺氧,提升睡眠质量,并减少并发症的发生,是OSA的一线治疗手段。但研究发现,CPAP的依从性严重不足,甚至低于50%[18],严重影响治疗效果。其中年龄、性别、疾病严重程度、心理因素、气压不合适、鼻面罩漏气、口鼻干燥等因素均与依从性相关[19]。而AI的应用有望早期识别依从性差的患者,降低治疗失败的风险。Giulia等[20]利用ML识别因依从性差导致治疗失败的患者特征开发的依从性预测模型,灵敏度为 68.6%。一项研究利用ML构建分类器模型预测OSA患者在CPAP治疗不同时期的依从性,发现该模型在CPAP治疗第三个月时的预测准确性最高,达到84%。并且该模型发现头痛、心理症状、血压、EuroQol视觉量表评分与每个时间点的依从性均密切相关[21]。通过模型预测出依从性差的患者,可以提供进一步的医疗支持或者更换其他治疗方法。

预测依从性的同时,AI的应用还可以一定程度上提升患者的依从性。Ali等[22]将ANN应用于CPAP的压力滴定预测,实现更高的滴定效率。而基于ML建立的CPAP监控系统以及装有AI处理器的CPAP呼吸机,可以将鼻面罩漏气率、使用方法不当等事件记录并上报,并通过远程提醒,增加患者的依从性,提升治疗效果[23,24]。远程医疗支持的应用在不明显增加患者负担的基础上可提升依从性及治疗质量,具有明显优势[25]。

CPAP作为一种长期治疗方案,其治疗效果的评估对于治疗的适时调整具有重要意义。目前,衡量OSA疾病严重程度的指标主要是AHI,但在CPAP治疗中,仅凭AHI改善程度并不能说明患者获益程度。OSA作为一种全身性疾病,患者的炎性、代谢性、氧化应激相关标志物均存在不同程度的改变,这些变化值得关注[26]。一项研究利用ML筛选出84种与OSA相关的蛋白质,在接受CPAP治疗后,5种与血管内皮功能、凝血功能以及炎症反应相关的蛋白质呈现出减少的趋势[27]。在另一研究中,4种代谢相关的生物标志物在CPAP治疗后发生了显著变化[28]。此外,OSA患者的免疫细胞和通路亦表现出广泛激活,相关基因的表达水平改变也较为显著。Zhu等[29]利用支持向量机(Support Vector Machine ,SVM)、随机森林(Random Forest ,RF)和ANN算法,筛选出了GEO数据库中OSA关键基因。这些基因广泛表达于OSA患者,并在CPAP治疗后呈下降趋势。在一项探究OSA和CPAP治疗对生物钟调节的影响的研究中发现,长期的CPAP治疗可恢复血浆褪黑素、皮质醇和体温水平,但无法逆转OSA诱导的生物钟表达基因的改变,而通过ML模型可以有效区分有效治疗前后的OSA状态[30]。

3. 口腔矫治器

口腔矫治器(Oral Appliance,OA)通过前移下颌位置,充当下颌和舌头的保持器,起到扩张气道、防止阻塞的作用。相较于CPAP,OA使用更加便捷,并且Olivier等人发现得益于依从性相对较高,OA每日平均使用时间更长,在长期治疗上看,OA显现出与CPAP相当的疗效[31]。近年来,多项研究展示了基于AI的技术预测OA治疗效果的潜力。Dutta等[32]利用无监督的多元主成分分析和决策树学习算法构建的ML模型纳入了包括AHI、最低血氧饱和度和觉醒指数在内的多个指标。该模型最初使用10倍交叉验证技术对45名OSA患者的数据进行训练,训练后的模型预测OA治疗反应性的精确度为91%。接着对17名志愿者进行验证,结果该模型预测OA治疗后AHI<5次/小时、AHI降低50%和AHI降低50%至<20次/小时的准确性分别达到了100%、71%、82%。

4. 手术治疗

针对有明显咽腭解剖结构异常的患者,手术治疗是一种可行的治疗方案。传统手术方法包括悬雍垂腭咽成形术(Uvulopalatopharyngoplasty,UPPP)、扁桃体和腺样体切除(Adenotonsillectomy,AT)等。手术后AHI降低50%或AHI降低至<20次/小时是目前广泛认可的手术有效性衡量标准。一项针对手术疗效的系统评价显示,OSA手术的有效率为66.4%,而总体并发症发生率为14.6%[33]。由此可见术前合理选择手术方案以及提前预测手术的疗效的重要性。

UPPP是目前应用最广泛的治疗成人OSA的手术方式。对于阻塞平面在口咽部,口腔黏膜组织肥厚,悬雍垂肥大,软腭低长,扁桃体肥大或腭部狭窄者尤为适合。Yang等人为了预测UPPP的疗效,纳入OSA患者人口学特征、PSG数据、内窥镜采集的腭和舌根数据、以及Friedman分型等建立ML模型,对比逻辑回归、RF、SVM、ANN等算法后发现,准确性最高的是逻辑回归算法(AUC 0.8317)[34]。而Kim等在对比多种ML模型对于手术治疗效果的预测准确性时,发现梯度增强算法的准确性最高,达到70.8%,相较于临床医生的主观评估具有显著优势[35]。

在儿童OSA中,AT是最主要的治疗方法。Heath等人利用逻辑回归的算法预测AT治疗效果,发现扁桃体大小是AT最强的预测因子[36]。Dylan等人利用患儿年龄、BMI、Brodsky评分估计的扁桃体大小、夜间血氧等参数,运用RF、SVM等算法建立ML模型用以筛查出需要接受AT治疗的患儿,准确率达87%～89%[37]。

手术治疗疗效的提前预测,有助于确定真正能在手术治疗中获益的OSA患者,减少不必要的手术治疗,避免不必要的损伤。

三、AI应用的展望与局限性

综上所述,在OSA的诊断和治疗过程中,AI均能发挥重要作用。AI为OSA早期筛查与诊断提供了全新思路,具备便携、高效、舒适、节省经济成本等优势。同时,AI的应用对于治疗方式的选择和调整具有重要意义,并能提高治疗的依从性和疗效。随着精准化医疗的提出,AI技术的应用场景将更加广泛。然而,AI在OSA 中的应用仍然存在着局限性。尽管越来越多的学者尝试将AI应用于OSA的诊治工作,但该技术的普适性尚未得到充分评估,数据量不足,因此未来需要更大范围的数据,开展多中心、不同国家和人群的模型联合应用。