使用可穿戴睡眠追踪设备预测阻塞性睡眠呼吸暂停患者的呼吸暂停-低通气指数，以诊断伴有心血管疾病和癌症的并发症

《Sleep and Breathing》：Predicting the Apnea-Hypopnea index for the diagnosis of obstructive sleep apnea with cardiovascular and cancer comorbidity using wearable sleep-tracking devices

阻塞性睡眠呼吸暂停（OSA）监测利用消费级睡眠技术（CSTs）结合共病特征分析，构建回归、LASSO和XGBoost模型，验证其在威斯康星队列和桑德兰癌症数据集上的有效性，XGBoost召回率最高，回归模型特征解释性更优。

　　

摘要

引言

阻塞性睡眠呼吸暂停（OSA）是一种常见的睡眠呼吸障碍，由于其未治疗的并发症，给公共卫生和经济带来了重大负担。诊断OSA的金标准是多导睡眠图（PSG），但它存在一些局限性：在睡眠实验室中进行检测较为繁琐，且需要大量人工来标注测量数据。此外，当前的研究主要集中在寻找PSG的替代方法，但并未特别考虑OSA的伴随疾病，如心血管疾病和癌症。因此，需要开发利用消费级睡眠技术（CSTs）中的特征来监测OSA的方法，并同时考虑与OSA相关的并发症。

方法论

在本文中，我们确定了可以从CSTs中收集的特征，以预测患者的呼吸暂停-低通气指数（AHI），同时考虑心血管疾病和癌症等慢性并发症。这些睡眠特征包括总记录时间、睡眠时长、总睡眠时间、入睡时间、睡眠效率、入睡后的清醒时间、N1、N2、N3和REM睡眠阶段的百分比、从入睡到REM睡眠的潜伏期以及从关灯到REM睡眠的潜伏期。

结果

基于这些特征，我们构建了逐步回归、LASSO和XGBoost模型来评估患者患OSA的风险，并将个体分类为正常或OSA患者，分类准确率分别为68.76%、69.26%和70.4%。该方法已在威斯康星睡眠队列数据库上得到了验证。为了测试该方法的泛化能力，我们还在IRB批准的Sanford阻塞性睡眠呼吸暂停癌症数据集上对其进行了验证。XGBoost表现优异，具有最高的召回率（0.9136）和F1分数（0.7647），而逐步回归和Lasso在特征解释方面表现较好，精确度为0.865。

结论

这样的表现凸显了这些方法在识别伴有并发症的OSA病例方面的有效性。我们提出的解决方案提高了算法的可解释性，并利用CSTs提高了OSA检测的准确性，同时解决了PSG的局限性。