人工智能在睡眠障碍中的研究进展

张孔雁 云宗金

睡眠是人维持生命活动的正常生理过程,良好的睡眠可以使人精神饱满、思维活跃,促进身心健康[1]。然而伴随全球经济的快速发展,人们工作及生活等方面的压力不断增加,全球睡眠障碍的发生率也在不断上升。据统计,我国睡眠障碍的发病率高达38.2%,有超过3亿人面临睡眠障碍及其相关问题[2-4]。研究表明,睡眠不足或睡眠质量差会扰乱身体的昼夜节律,增加出现健康问题的风险,如罹患心血管疾病[5]、认知障碍和记忆力减退[6]等严重疾病。因此,睡眠障碍的早期发现、早期诊断及治疗十分重要[7]。虽然目前临床上已经应用诸如匹兹堡睡眠质量量表对睡眠质量进行主观评估,辅以多导睡眠监测仪(polysomnography,PSG)进行客观评价,但因睡眠结构的个体差异性,睡眠质量的评估仍欠准确。随着医学技术及人工智能(artificial intelligence,AI)的迅猛发展,其在睡眠障碍的评估、诊断及治疗领域有了新的突破与发展。

1 AI简介

机器通过一定的算法分析大量的数据,总结相应规律后对新的数据进行预测,这种让机器模仿人类智能的技术称为AI[8-9]。自20世纪50年代AI被提出以来,其发展大致经历了以下几个阶段:基于知识浓缩的专家系统阶段、基于数据分析的机器学习阶段及深度学习阶段。依据不同的算法,深度学习分为人工神经网络(artificial neural network,ANN)、卷积神经网络(convolutional neural network,CNN)、递归神经网络(recursive neural network,RNN)等,其中CNN性能远远优于传统的机器学习技术。AI在许多学科中的应用前景广阔,其与医学的协同作用更是改善了临床决策和医疗保健服务[10-11],尤其体现在诸如医学影像[12]、疾病诊断[13]、远程医疗[14]、药物开发[15]等医疗保健领域。AI的应用提高了疾病诊断的准确性,优化了医护工作流程,提高了临床操作的效率,有助于更好地监测疾病及其治疗效果,改善病人的整体疗效。

2 AI在睡眠障碍中的应用现状

2.1 睡眠障碍的筛查及评估 目前,睡眠障碍的评估方法包括PSG、便携式睡眠监测仪、活动描记仪、病人报告结果(patient reported outcomes,PROs)和睡眠日记等。传统的睡眠障碍评估方法虽然各有优点,但数据的整理与分析可能耗费大量的人工及经济成本,而AI的介入使睡眠障碍的筛查及评估更加便捷。通过AI的各种算法,睡眠障碍的评估方法也更加优化。目前,AI在睡眠障碍的筛查及评估中的应用情况有:(1)AI根据现有关于睡眠障碍的数据,通过不同算法对其进行分析,从而对睡眠障碍相关疾病进行风险评估。例如,Nettleton等[16]通过聚合算法筛选阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)病人,并应用睡眠问卷元数据分析病人呼吸紊乱指数(respiratory disturbance index,RDI)实际值和AI预测值之间的相关性。Sun等[17]通过遗传算法利用问卷数据识别呼吸暂停低通气指数(apnea hypopnea index,AHI)≥15的受试者,敏感性和特异性分别高达88%和97%。Keenan等[18]通过基于电子病历数据的算法,准确地将OSA病例筛选出来。Mullins等[19]通过深度卷积神经网络(deep convolutional neural network,DCNN)和双向长短期记忆网络分析多导睡眠图中的电生理数据,如脑电情况,以预测OSA的严重程度。Urtnasan等[20]通过CNN分析睡眠期间的心率和心率变异性来筛查OSA。(2)AI基于睡眠障碍的原有数据,利用或创建新的检测指标对疾病进行预测,如呼吸相关脑电图[21]、脑年龄指数[22]。(3)AI通过非接触式技术如预证明技术[23]、声纳技术[24]、脉冲无线电超宽带雷达技术[25]等收集的全身和精细呼吸运动来评估睡眠阶段和呼吸事件。消费者睡眠技术(consumer sleep technologies,CSTs)与AI的有效结合可以提高人群中睡眠障碍的检出率。CSTs定期收集有关睡眠的持续时间、潜伏期、质量、结构、唤醒时间、规律性和连续性的数据,AI对其进行分析以评估睡眠障碍的风险,为后续的治疗提供依据。压电传感器被动接触技术通过机器学习的分类算法检测呼吸运动和心冲击图以评估睡眠结构和呼吸事件,进而筛查OSA[26]。目前可以使用智能手机、可穿戴设备、活动追踪器和非干扰性技术中的传感器数据来评估睡眠相关数据,并通过机器学习或深度学习算法执行睡眠分析[27]。AI将聚类分析或神经网络等机器学习方法应用于睡眠障碍领域,这对于今后开发精准、个性化的睡眠医学至关重要。

2.2 睡眠障碍的诊断与治疗 睡眠障碍的诊断除完整的病史及体格检查外,PSG检测结果是重要的客观证据。但是,传统的PSG检测方法耗时耗力,目前,AI驱动的PSG自动评分正在迅速发展,而且伴随着数据的不断积累,AI获取的信息越来越接近真正的人类睡眠表征[28-29]。在该领域向AI的数字评分平台过渡的过程中,睡眠深度的连续数字标记,如功率谱分析,可能为睡眠障碍的研究提供新的见解[30]。鉴于AI驱动的PSG自动评分系统高效、低成本的优点,其有可能成为睡眠医学研究的重要方法。AI驱动的PSG自动评分系统除应用于睡眠障碍的诊断外,还可以通过不同的算法建模,从而为疾病的诊断提供更多的证据。一项研究表明,AI通过对1119名个体的PSG数据进行分析并建模,无需进行有创检查即可获得对临床有意义的食管压力值[31],由此可见,AI将在睡眠障碍的诊断中发挥其特有的优势。

睡眠障碍的治疗一般根据不同的病因采取相应的治疗方案,但目前仍以药物治疗为主,部分疾病诸如OSA需辅以无创呼吸机治疗。AI可以优化睡眠障碍的治疗,主要表现在:AI将药物基因组学、药物表观遗传组学、代谢组学、蛋白质组学、转录组学、微生物组学等多组学方案应用于睡眠障碍病人药物剂量反应和药物-睡眠质量相互作用等方面,优化药物选择平台,帮助医生了解任何特定个体对特定药物的反应,从而提高治疗效果,减少不良反应[32]。最近一项纳入132篇文献的系统综述研究发现,机器学习模型可以指导手术治疗后的预后预测和优化持续气道正压治疗,为临床治疗提供可操作的建议[33]。由此可见,AI可以通过整理、分析收集的睡眠数据自动进行睡眠评分,从而实现更准确的诊断,有助于疾病诊断和治疗预后的预测,为睡眠治疗的优化和个性化提供理论支持。

3 AI在睡眠障碍应用中的问题及挑战

AI在加速睡眠医学研究的同时,也存在一些不容忽视的问题:(1)AI中的“黑匣子”理论仍是目前对临床判断造成影响的重要问题之一[34]。这种固有的不透明性要求在今后的研究中提高算法的透明度,从而获得临床医生的信任和认可。(2)AI在对众多生物医学数据集分析及整理的同时,如何保护个人信息不被泄露,保护个人的数据安全等需要在未来的研究中进一步制定相关的规章制度,保证AI在睡眠障碍领域的应用更加规范[35]。

4 总结与展望

睡眠障碍是困扰全球的健康和经济问题,伴随睡眠医学的发展,AI成功引入睡眠医学领域,虽然基于AI的特点本身可能存在一些问题及挑战,但是目前AI在睡眠障碍领域利用机器学习的不同算法展现了其巨大的临床潜力。AI将促进大型生物医学数据集与多组学以及行为和环境数据相整合,从而加速睡眠医学的研究。尽管AI的计算算法及其应用还需要在临床环境中进一步研究与验证,但AI以其独特的优势正慢慢成为临床医生的合作伙伴,帮助临床医生早期识别睡眠障碍,提高诊断的准确性,提供可操作的临床医疗建议,改善病人的临床疗效,助力睡眠医学的发展[36]。