结合脉搏波幅、脉间期与血氧去饱和特征的阻塞性睡眠呼吸暂停居家自动筛查研究

《Sleep and Breathing》：Towards automatic home screening of obstructive sleep apnea using combined features from pulse wave amplitude, pulse-to-pulse interval and oxygen desaturation

本文探讨了如何提升基于脉搏血氧仪的居家OSA筛查效果。传统方法依赖血氧饱和度（SpO2），可能漏检与觉醒相关的低通气事件。研究者通过从PPG中提取脉搏波幅（PWA）和脉间期（PPI）特征，评估了它们对于检测呼吸事件和预测呼吸暂停低通气指数（AHI）≥15的价值。研究结果显示，联合PWA、PPI和SpO2特征能提高对觉醒相关OSA节段的检测灵敏度，并为识别中重度OSA（AHI ≥ 15）提供了增量信息。

　　

打鼾、夜间憋醒、白天犯困，这些症状背后可能隐藏着一种名为“阻塞性睡眠呼吸暂停”（Obstructive Sleep Apnea， OSA）的常见睡眠障碍。患者在夜间睡眠中反复出现上气道塌陷，导致呼吸暂停和低通气。这不仅会引发间歇性低氧血症和频繁的微觉醒，破坏睡眠结构，长期以往更会增加罹患高血压、中风、心力衰竭、冠心病等心血管疾病以及代谢功能障碍和神经认知损害的风险。

诊断OSA的“金标准”是整夜多导睡眠监测（Polysomnography， PSG），需要患者在睡眠实验室过夜，并由专业技师进行人工判读，过程繁琐、等待时间长且成本高昂。因此，更便捷、可扩展的居家筛查方案，如家庭睡眠呼吸暂停测试（Home Sleep Apnea Testing， HSAT）和可穿戴设备，正受到越来越多的关注。在众多可穿戴生理信号中，脉搏血氧仪测量的血氧饱和度（Oxygen Saturation， SpO₂）是目前应用最广泛、也最有前景的通道之一。它能够反映间歇性低氧，这是OSA的典型特征。

然而，SpO₂筛查存在一个明显的局限：并非所有的低通气事件都伴有明显的血氧下降。根据美国睡眠医学会（American Academy of Sleep Medicine, AASM）的标准，低通气事件也可以通过气流减少≥30%并伴有皮质觉醒来定义，即使没有显著的血氧饱和度下降。因此，仅依赖SpO₂的特征可能会漏检那些频繁出现非血氧下降型低通气事件的中重度OSA患者。

为了突破这一局限，研究人员将目光投向了与SpO₂信号同源的光电容积脉搏波（Photoplethysmography， PPG）。脉搏血氧仪在获取血氧信号时，本身就记录了原始的PPG波形，从中可以提取出更多反映自主神经激活的信息。其中，脉间期（Pulse-to-Pulse Interval， PPI，反映心跳间隔时间）及其衍生的脉搏率变异性（Pulse Rate Variability， PRV）已被广泛用于OSA检测研究。在皮质觉醒期间，PPI会缩短并呈现类似于心率变化的特征性改变。

相比之下，另一个同样源自PPG的信号——脉搏波幅（Pulse Wave Amplitude， PWA），其潜力却长期被忽视。PWA下降反映了由觉醒触发的交感神经激活引起的瞬时外周血管收缩，可能捕捉到心率反应未能充分表达的、与觉醒相关的变化。先前研究多集中使用SpO₂或PPI信号，关于PWA在自动OSA筛查中的价值，证据仍然有限。

因此，这篇发表在《Sleep and Breathing》上的研究，旨在回答一个核心问题：在基于脉搏血氧仪的OSA自动筛查中，结合PWA、PPI和SpO₂特征，能否比单独使用SpO₂或PPI提升检测性能？PWA究竟能带来多大的附加价值？

研究方法简述

本研究为一项回顾性分析，数据来源于泰国宋卡王子大学附属医院睡眠实验室中心在2022年10月至2023年3月期间进行的90例整夜多导睡眠监测（PSG）记录。从这些记录的指端PPG信号中，研究人员提取了PWA和PPI。针对每个60秒的非重叠数据段，他们提取了来自PWA（如统计特征和频谱功率以表征脉搏幅度变异性）、PPI（如统计特征和心率变异性指标）以及SpO₂（如统计特征和熵特征）的共计37个特征。研究使用支持向量机（Support Vector Machine， SVM）分类器，训练了五组不同特征组合的模型来检测包含呼吸暂停或低通气的节段，并在节段和受试者两个层面上评估其识别AHI≥15的性能。

主要研究结果

1. 节段层面的分类性能

研究发现，仅使用SpO₂特征时，模型检测包含呼吸事件的节段灵敏度为75.8%。单独加入PWA特征并未显著改变整体分类性能。然而，加入PPI特征后，灵敏度提升至78.3%，ROC曲线下面积（AUC）也从0.84提高到0.87。当PWA、PPI和SpO₂三者特征结合时，性能与PPI+SpO₂模型相近。

更深入的分析显示，对于伴有觉醒的OSA节段，SpO₂模型的检出率最低（61.6%）。加入PWA特征后，检出率提升至65.2%。加入PPI特征则显著将检出率提高至73.3%。当PWA与PPI特征结合（不包含SpO₂）时，模型达到了最高的检出率（77.1%）。这表明，对于检测与觉醒相关的呼吸事件，PWA和PPI确实提供了补充信息，且PPI的效果优于PWA。

2. 特征重要性分析

对随机森林模型特征重要性的排序显示，最重要的三个特征均来自SpO₂（Var_sp， Std_sp， Min_sp）。PPI相关的脉搏率变异性特征（如VLF， SDNN， LF等）的重要性排名也普遍高于PWA变异性（Pulse Amplitude Variability， PWAV）相关的特征。在PWA特征中，只有PWA的变异系数（CV_PWA）具有较明显的影响力，而基于幅度的特征（如Min_PWA， Max_PWA）并未进入前20名。

3. AHI估计与OSA筛查表现

在受试者层面，模型的目标是根据估计的AHI≥15来筛查中重度OSA。结果显示：

• •
  SpO₂模型正确识别了35名AHI≥15的受试者，灵敏度为61.4%，特异性最高，达到93.9%。
• •
  加入PPI特征（PPI+SpO₂模型）后，灵敏度提升至77.2%，正确识别了44名患者，但特异性降至84.8%。
• •
  当结合PWA、PPI和SpO₂所有特征时，模型灵敏度进一步提升至80.7%，多识别出了2名患者，特异性维持在84.8%。
  这表明，加入PPI和PWA特征能有效提高筛查中重度OSA的灵敏度，但会略微降低特异性（即增加了假阳性）。而SpO₂对于正确排除非中重度OSA（AHI < 15）的患者至关重要。

结论与讨论

本研究系统评估了从脉搏血氧仪信号中提取的PWA、PPI和SpO₂特征在OSA自动筛查中的价值。主要结论可归纳如下：

1. 1.
   PPI与PWA的补充价值：在节段检测层面，PPI和PWA都能提高对伴有觉醒的OSA事件的检出率，但PPI的表现始终优于PWA。PWA的附加价值相对有限，可能与其幅值易受传感器接触等个体内变异影响有关。
2. 2.
   提高中重度OSA筛查灵敏度：在受试者层面，将PPI特征加入SpO₂模型，能显著提升识别AHI≥15患者的灵敏度。在此基础上再加入PWA特征，能带来小幅但具有潜在临床意义的额外提升，可能有助于识别那些以低通气为主、SpO₂变化不明显的病例。
3. 3.
   SpO₂的关键作用：尽管PPI和PWA提升了灵敏度，但SpO₂特征在准确排除非中重度OSA患者（即维持高特异性）方面扮演着不可替代的角色。仅使用PWA和PPI的模型特异性很低（39.4%），这表明SpO₂提供的低氧信息对于减少假阳性至关重要。
4. 4.
   技术实现与前景：该研究的最大意义在于，其所有特征（PWA， PPI， SpO₂）均源自同一个脉搏血氧仪信号，无需增加额外的传感器、成本或患者负担。这为开发更准确、便捷的居家OSA筛查设备提供了直接的理论依据和技术路径。未来，通过优化PWA特征提取方法（如利用PPG的非脉动成分进行标准化），或区分不同类型（如伴/不伴血氧下降）的呼吸事件，有望进一步挖掘PWA的潜力。
   综上所述，这项研究证实了综合利用脉搏血氧仪信号中的多维度信息（血氧、心率时序、脉搏幅度）可以构建性能更优的OSA自动筛查模型。这种方法有望在家庭环境中，更有效地识别出需要接受专业多导睡眠监测评估的中重度OSA疑似患者，从而优化医疗资源配置，促进OSA的早期诊断与干预。