探讨夜间低氧血症和睡眠片段化在记忆减退中的作用：来自可解释机器学习模型的见解

《The Clinical Respiratory Journal》：Exploring the Role of Nocturnal Hypoxemia and Sleep Fragmentation in Memory Decline: Insights From Explainable Machine Learning Models

　　**摘要**

**引言**
睡眠呼吸障碍（SDB）与记忆力下降有关，但睡眠片段化、夜间低氧血症和认知障碍之间的确切关系仍不明确。**本研究旨在调查中度至重度OSA患者中微觉醒负担、夜间氧饱和度下降与记忆力下降之间的关联。**

**方法**
数据来自中国广东省中山中医院对疑似SDB的成年患者进行的临床和夜间多导睡眠图（PSG）记录。主要临床终点是通过标准化的主观认知衰退（SCD）工具确定的记忆力下降的存在和严重程度。系统地提取了一系列多维变量，包括基线人口统计特征、心血管代谢合并症和高分辨率睡眠结构指标，特别强调了特定阶段的微觉醒负担和夜间氧饱和度下降的形态学特征。最初使用独立t检验来描述记忆正常组和记忆下降组之间的PSG差异。然后，利用经过严格划分的训练集和验证集的可解释机器学习算法来预测认知轨迹，并阐明特定睡眠相关参数的相对预后重要性。

**结果**
最终分析样本包括884名具有完整主要结局数据的参与者（记忆正常：N=408；记忆下降：N=476）。初步比较分析显示，记忆下降组年龄较大（50.24岁 vs 45.95岁，p<0.001），并且心血管代谢合并症的患病率显著更高，包括高血压（47.3% vs 40.2%，p=0.035）和糖尿病（24.4% vs 8.8%，p<0.001）。多导睡眠图结果显示，尽管两组患者的总体呼吸暂停指数（AHI）和整体觉醒指数相似（分别为45.82事件/小时 vs 48.64事件/小时，p=0.099；26.98事件/小时 vs 28.85事件/小时，p=0.172），但记忆下降组的呼吸暂停次数显著更多（122.25次 vs 110.40次，p=0.047），以及SpO2<95%的清醒时间更长（33.71分钟 vs 27.71分钟，p=0.015）。悖论的是，他们的最低SpO2水平较高（76.68% vs 74.39%，p=0.009），最大阻塞事件持续时间较短（51.42秒 vs 57.49秒，p<0.001），阻塞性低氧事件较少（180.33次 vs 219.70次，p=0.006），这表明低氧状态更为轻微且持续。此外，在独立验证集上严格评估的可解释机器学习模型确定，自发性NREM微觉醒、总REM微觉醒和阻塞性低氧指标是记忆力下降的最高预测因子。

**结论**
在SDB中，记忆力下降与氧暴露的形态学特征关联更为紧密，而非绝对事件频率。以呼吸暂停为主且低氧水平轻微持续的形态学特征为理解认知下降提供了理论框架。未来的研究和临床干预应优先考虑低氧负担作为表型识别和记忆下降治疗的关键因素。

---

**1 引言**
阻塞性睡眠呼吸暂停（OSA）是一种高度普遍的多因素睡眠障碍，其特征是上呼吸道机械性阻塞、中枢神经传递紊乱（血清素能和多巴胺能系统）以及遗传易感性的相互作用，导致间歇性低氧血症、睡眠片段化以及睡眠质量显著下降[1-3]。流行病学研究表明，OSA影响了相当大比例的成年人（AHI≥5时的患病率约为9%-38%），在高风险群体（如老年人、超重或肥胖者）中患病率更高[4, 5]。除了与心血管和代谢疾病的确切关联外，越来越多的证据表明，OSA还与广泛的系统性及分子紊乱密切相关，包括神经认知功能障碍——特别是注意力、执行功能和记忆力的缺陷——以及电解质紊乱、维生素D缺乏、尿酸水平升高和缺氧反应性分子通路（如神经元PAS结构域蛋白2（NPAS2）和缺氧诱导因子1-α的表达改变[6-8]。OSA的一个显著神经生理后果是睡眠片段化，尤其是在中度至重度患者中，这主要是由于呼吸努力和氧饱和度下降事件引起的微觉醒负担较高。然而，越来越多的人认识到，睡眠片段化是一个多因素现象，其原因可能不仅仅是呼吸事件，还包括周期性肢体运动、神经化学失衡和同时存在的原发性睡眠障碍[9]。微觉醒是短暂的（3-15秒），导致睡眠变浅（通常不会唤醒患者）；当其数量过多时，会破坏正常的睡眠结构，产生类似于睡眠剥夺的效果（例如情绪调节紊乱和认知缺陷[10]。近期研究表明，微觉醒的负担和特征与OSA患者的认知表现独立相关[11]。例如，有神经认知障碍的OSA患者比没有障碍的患者表现出更频繁的较长微觉醒（≥5-15秒）[12]。此外，发生在特定睡眠阶段的OSA干扰可能对认知产生不同的影响——例如，REM睡眠期间的OSA相关觉醒和低氧血症与NREM睡眠期间的影响相比，会导致更差的记忆巩固结果[13]。同时，OSA中的间歇性夜间低氧血症与神经退行性变化和较差的认知结果有关，这可能是通过氧化应激、神经元损伤和血管功能障碍实现的[14]。尽管取得了这些进展，但睡眠片段化、间歇性低氧血症和OSA中的认知障碍之间的精确相互作用仍不完全清楚。传统分析主要关注孤立的重度指标，如呼吸暂停-低氧指数（AHI）或平均氧饱和度，这些指标无法完全捕捉睡眠呼吸障碍及其神经认知后果的复杂多维性质[15]。随着可解释机器学习技术的出现，现在可以将多种多导睡眠图特征整合起来，以识别关键预测因子，并提供透明的、数据驱动的OSA病理生理学见解[16, 17]。本研究旨在系统地调查中度至重度OSA患者中微觉醒负担、夜间氧饱和度下降与记忆力下降之间的关联，并利用可解释的机器学习模型来阐明影响微觉醒事件和认知障碍的最重要睡眠相关特征，为这一高风险群体的风险分层和针对性干预提供新的视角。

---

**2 方法**
**2.1 研究设计和研究对象**
这项回顾性观察性研究包括了2020年1月至2024年2月期间在中国广东省中山中医院接受诊断性夜间多导睡眠图（PSG）检查的成年患者。符合条件的参与者年龄在18岁及以上，临床怀疑患有睡眠呼吸障碍，并且具有完整的临床和PSG数据。排除标准包括中枢性睡眠呼吸暂停的初次诊断、已知的神经退行性疾病或严重的精神疾病、当前使用镇静剂或催眠药物，或数据不完整。该研究已获得机构伦理委员会的批准（批准号2021ZSZY-LLK-131），所有参与者均签署了知情同意书。

**2.2 睡眠片段化的定义**
睡眠片段化根据美国睡眠医学学会（AASM）评分手册，利用多导睡眠图微觉醒指标进行量化。微觉醒定义为脑电图（EEG）频率的突然短暂变化（具体包括α波、θ波和/或频率>16 Hz，同时排除睡眠纺锤波），持续时间至少为3秒，发生在快速眼动（REM）和非快速眼动（NREM）睡眠阶段。提取了微觉醒的总负担以及REM和NREM睡眠阶段的特定计数。其他参数，包括觉醒指数（定义为每小时总睡眠时间内的微觉醒次数）、自发觉醒和呼吸事件相关的觉醒，首先通过自动化评分，随后由认证的睡眠技师进行严格的手动验证和裁定。

**2.3 夜间低氧血症和呼吸事件的定义**
夜间低氧血症通过PSG记录的几种氧饱和度参数进行评估。具体而言，呼吸暂停根据AASM推荐的标准（规则A）进行评分，定义为鼻压峰值下降≥30%且持续≥10秒，伴随动脉氧饱和度下降≥3%或EEG觉醒。关键指标包括平均和最低夜间外周氧饱和度（SpO2）、NREM氧饱和度下降指数（ODI，定义为每小时NREM睡眠期间≥3%的氧饱和度下降次数）以及SpO2低于80%、85%、90%和95%的累积时间。与呼吸暂停或呼吸暂停事件相关的低氧事件被特别标注。所有氧饱和度指标均遵循AASM指南的标准定义和临界值。

**2.4 记忆力下降的定义**
记忆力下降通过标准化自我管理问卷进行评估，该问卷与PSG评估同时完成。参与者使用四级序数量表评估其与基线的记忆变化：0=无下降，1=轻度下降，2=中度下降，3=重度下降。在临床背景下，这一患者报告的结果指标（PROM）反映了主观认知衰退（SCD）的表型，作为神经认知脆弱性的早期指标。对于次要分析，患者根据记忆力下降的严重程度进行分组。

**2.5 统计方法**
**2.5.1 基线特征和数据预处理**
连续变量以平均值±标准差（SD）表示，而分类变量以频率和百分比总结。为了最大化数据利用并减少潜在的插补偏差，使用基于主要临床结局（记忆状态）的分层插补策略处理缺失值。具体来说，缺失的定量变量使用“记忆正常”或“记忆下降”组的相应平均值进行插补，而缺失的分类变量使用该组的模式进行插补。在最终分析队列中严格排除了主要结局数据缺失的参与者。使用单因素方差分析（ANOVA）进行组间基线临床和多导睡眠图特征的比较，对于分类变量使用卡方检验，并进行Bonferroni校正以处理多重检验。皮尔逊相关分析用于评估睡眠片段化、夜间低氧血症和其他相关多导睡眠图指标之间的共线性及其关联。

**2.5.2 自动机器学习和模型开发**
鉴于多导睡眠图数据的复杂性和高维性，传统线性模型可能不足以捕捉潜在的非线性关系和临床阈值。因此，使用h2o包（版本3.46.0.10）的自动机器学习（AutoML）框架构建预测模型并识别记忆力下降的关键预测因子。整个数据集被随机划分为训练集（65%）用于模型构建，以及独立的内部验证集（35%）用于严格模型评估和参数优化。AutoML流程自动评估了多种模型架构，包括作为内部基准的规则化广义线性模型（GLM，结构上等同于多变量逻辑回归）。最终选定的模型是极端随机树（XRT），这是一种分布式随机森林的高级变体，利用随机分割阈值进一步最小化方差。关键的是，XRT算法在内部交叉验证中的预测能力优于基准GLM，因此被自动选中。为了最大化预测准确性并系统地防止过拟合，该算法采用了自动提前停止机制。具体来说，当验证误差（对数损失）在连续评分间隔内未能显示出相对改进时，模型动态增加树的数量并停止训练过程，从而无需用户手动定义参数边界即可确定最佳树架构。模型性能基于35%内部验证集上的接收者操作特征曲线下面积（AUC）进行确定。

**2.5.3 通过SHAP进行模型可解释性**
为了克服复杂机器学习模型固有的“黑箱”限制，并提供通常与简单加法模型相关的严格临床可解释性，采用了SHapley加法解释（SHAP）理论。根据数学定义，SHAP是一种加性特征归因方法。计算SHAP值以估计每个微觉醒和低氧特征的边际加性贡献。生成SHAP摘要图以排名全局特征重要性，并说明群体中变量影响的方向性，而SHAP瀑布图用于描绘特定非线性预测阈值和个体观察的线性特征影响之和。所有传统统计程序和机器学习流程均使用R软件（版本4.1.3）执行。XRT算法和自动模型优化是通过h2o包实现的。所有常规推断测试的双尾p值<0.05被视为具有统计显著性。

---

**3 结果**
**3.1 基线特征**
本研究共纳入了967名患者。平均年龄为48.27±13.23岁。大多数患者为男性，表现为中度至重度睡眠呼吸暂停，平均AHI为46.87±25.42。平均夜间最低氧饱和度为75.63%±12.90%，平均觉醒指数为27.80±20.14事件/小时。参与者普遍报告记忆力下降。合并症频繁，44.0%的患者患有高血压，17.2%患有糖尿病，17.4%患有心脏病。大多数患者超重或肥胖，平均BMI为27.21±4.27 kg/m2。关于睡眠结构、呼吸事件和其他临床变量的更多详细信息，请参见表1。

表1. 研究人群的基线特征。

变量

年龄（岁） 48.27 ± 13.23
AHI指数 46.87 ± 25.42
最低SpO2（%） 75.63 ± 12.90
睡眠潜伏期（分钟） 8.83 ± 16.13
REM持续时间（分钟） 56.64 ± 28.01
N1持续时间（分钟） 177.32 ± 87.57
N2持续时间（分钟） 160.03 ± 75.50
N3持续时间（分钟） 26.33 ± 29.81
REM awakening次数 20.92 ± 20.29
NREM awakening次数 132.79 ± 115.65
总觉醒次数 170.63 ± 133.65
与呼吸事件相关的REM觉醒次数 1.09 ± 1.82
与呼吸事件相关的NREM觉醒次数 8.13 ± 14.91
总与呼吸事件相关的觉醒次数 9.96 ± 16.50
自发的REM觉醒次数 8.43 ± 12.28
自发的NREM觉醒次数 49.04 ± 55.05
总自发觉醒次数 42.06 ± 27.84
觉醒指数（次/小时） 27.80 ± 20.14

AHI指数 46.87 ± 25.42
最长阻塞性事件（秒） 53.85 ± 25.91
与阻塞性事件相关的脱饱和次数 195.87 ± 210.78
最长阻塞性脱饱和（秒） 53.21 ± 26.25
低通气次数 117.44 ± 89.02
最长低通气（秒） 51.95 ± 16.14
与低通气相关的脱饱和次数 84.32 ± 76.36
最长低通气脱饱和（秒） 50.78 ± 15.97
SpO2 < 80%的分钟数 0.80 ± 3.06
SpO2 < 85%的分钟数 1.77 ± 5.42
SpO2 < 90%的分钟数 4.93 ± 9.92
SpO2 < 95%的分钟数 31.77 ± 37.81
NREM氧饱和度下降指数 39.27 ± 29.06

表2. 记忆能力下降程度不同组之间的特征比较。

3.2 记忆正常组与记忆下降组之间的特征比较
与记忆正常组相比，记忆下降组的年龄较大，高血压、心脏病、脑血管疾病和甲状腺疾病的患病率较高（所有p ≤ 0.035）。记忆下降组的上呼吸道疾病更为常见——反流性食管炎、慢性鼻炎、咽炎和既往的上呼吸道手术（所有p ≤ 0.001），且鼻中隔偏曲的比例也较高（p = 0.015），下鼻甲肥大的情况相似。记忆下降组的颈围和睡眠前的及晨间舒张压较低（p = 0.003、0.036、0.010），而腰围和收缩压没有差异。口咽狭窄的分布也有差异（p = 0.017），这主要是由于记忆下降组中这一比例较高。酒精使用、吸烟和父母打鼾的历史在两组中相似。

表3. 记忆正常组和记忆下降组的多项睡眠参数比较。

3.2.1 记忆正常组（N = 408）与记忆下降组（N = 476）的特征比较
年龄（岁） 45.95 ± 12.47 vs. 50.24 ± 13.51 p < 0.001
高血压 164 vs. 225 p = 0.035
心脏病 46 vs. 108 p < 0.001
糖尿病 36 vs. 116 p < 0.001
脑血管疾病 25 vs. 94 p < 0.001
甲状腺疾病 21 vs. 92 p = 0.015
反流性食管炎 111 vs. 193 p < 0.001
慢性鼻炎 123 vs. 196 p = 0.001
咽炎 129 vs. 211 p < 0.001
上呼吸道手术史 22 vs. 78 p < 0.001
酒精使用 346 vs. 333 p = 0.377
吸烟 333 vs. 333 p = 0.377
父母打鼾 563 vs. 641 p = 0.641
BMI（kg/m2） 27.21 ± 4.27 vs. 27.21 ± 4.27 p = 0.081
颈围（cm） 39.85 ± 4.83 vs. 39.85 ± 4.83 p = 0.003
腰围（cm） 96.38 ± 10.65 vs. 96.38 ± 10.65 p = 0.004
睡前收缩压（mmHg） 134.11 ± 17.95 vs. 134.11 ± 17.95 p = 0.001
睡前舒张压（mmHg） 88.73 ± 12.68 vs. 88.73 ± 12.68 p = 0.001
晨间收缩压（mmHg） 136.99 ± 18.09 vs. 136.99 ± 18.09 p = 0.001
晨间舒张压（mmHg） 93.94 ± 13.02 vs. 93.94 ± 13.02 p = 0.001

3.2.2 记忆正常组和记忆下降组的多项睡眠参数比较
AHI指数 46.87 ± 25.42 vs. 46.87 ± 25.42 p = 0.099
最长阻塞性事件（秒） 53.85 ± 25.91 vs. 53.85 ± 25.91 p = 0.001
与阻塞性事件相关的脱饱和次数 195.87 ± 210.78 vs. 195.87 ± 210.78 p = 0.001
最长阻塞性脱饱和（秒） 53.21 ± 26.25 vs. 53.21 ± 26.25 p = 0.001
低通气次数 117.44 vs. 117.44 p = 0.001
最低SpO2（%） 75.63 ± 12.90 vs. 75.63 ± 12.90 p = 0.003
REM中的AHI 45.75 ± 20.25 vs. 45.75 ± 20.25 p = 0.001
NREM中的AHI 43.96 ± 26.08 vs. 43.96 ± 26.08 p = 0.001
RDI在REM中 45.75 ± 20.25 vs. 45.75 ± 20.25 p = 0.001
RDI在NREM中 43.96 ± 26.08 vs. 43.96 ± 26.08 p = 0.001
夜间觉醒次数 449 vs. 170.63 p = 0.001
Epworth嗜睡量表 6.54 ± 5.42 vs. 6.54 ± 5.42 p = 0.001
与之前相比的易怒程度 420 vs. 420 p = 0.001

3.3 可解释的机器学习用于睡眠片段化研究
为了进一步阐明睡眠片段化的临床意义，将累积微觉醒负担操作化为一个二元分类结果。根据分析样本的中位总微觉醒计数（中位数 = 137次）将参与者分为高微觉醒负担组和低微觉醒负担组。具体来说，在多导睡眠图记录期间表现出≥137次总微觉醒事件的个体被归类为高负担型（编码为1），而少于137次的个体被归类为低负担型（编码为0）。分析样本被随机分为训练数据集（N = 629）和内部验证数据集（N = 338）。如表5所示，在任何评估的多项睡眠、呼吸或夜间低氧参数上，训练集和验证集之间没有统计学上的显著差异（所有p > 0.05）。两个数据集在阻塞性事件和低通气事件的负担、总事件计数、最大持续时间和与脱饱和相关的发作方面都非常相似，没有显著差异。同样，夜间低氧严重程度的指标（例如，SpO2 < 90%的时间，p = 0.610；NREM氧饱和度下降指数，p = 0.942；最低氧饱和度，75.60% ± 13.20% vs. 75.68% ± 12.34%，p = 0.925）也显示出很强的一致性。这些发现验证了数据划分过程的完整性，确保了后续的机器学习模型是在无偏见、结构相同的数据集上构建和验证的。使用分布式随机森林算法（Panel C）进行的特征重要性分析确定了总阻塞性低氧事件数、NREM阶段氧气饱和度下降指数和最长阻塞性低氧持续时间是最具影响力的预测因子。SHAP总结图（Panel D）进一步证实，与阻塞性和低通气相关低氧事件相关的特征，以及低氧饱和度持续时间，对模型输出有显著贡献。SHAP瀑布图（Panel B）展示了各个特征对单个预测的累积贡献，强调了阻塞性和低通气指数的叠加效应。学习曲线（Panel E）表明，随着树的数量增加，模型达到了稳定的验证损失，表明过拟合现象最小，泛化能力良好。总体而言，这些可解释性分析强调了夜间氧气饱和度下降和呼吸事件指标在预测微觉醒事件中的核心作用，为模型的预测提供了透明且生物学上合理的解释，见图1。图1。

机器学习模型预测总微觉醒事件的可解释性分析：变量重要性、SHAP贡献和模型性能。（A）预测模型的接收者操作特征曲线（ROC曲线）。（B）显示单个预测中特征贡献的SHAP瀑布图。（C）基于分布式随机森林（DRF）模型的变量重要性图。（D）展示数据集中特征影响的SHAP总结图。（E）随着树的数量增加而变化的模型性能的学习曲线。

3.4 可解释的机器学习在认知衰退中的应用

3.4.1 训练集和验证集之间的特征比较

在评估的所有睡眠片段化和微觉醒参数中，训练集和验证集之间没有统计学上的显著差异（所有p > 0.05）。两个数据集在特定阶段的觉醒负担方面非常相似，总觉醒事件数、REM阶段特定觉醒事件数或NREM阶段特定觉醒事件数均没有显著差异。同样，包括自发NREM觉醒（p = 0.062）、总呼吸事件相关觉醒（p = 0.561）以及总体觉醒指数（27.36 ± 19.88事件/小时 vs 28.73 ± 20.98事件/小时，p = 0.346）在内的觉醒原因指数也显示出两个数据集之间的一致性。这些发现共同验证了数据划分过程的完整性，确保了后续机器学习模型是在无偏的、结构相同的数据集上建立和验证的，见表6。表6. 验证数据和训练组之间的觉醒参数比较。

机器学习模型预测认知衰退的可解释性分析强调了其强大的预测性能，ROC曲线（Panel A）表明其具有高的区分能力。根据变量重要性图（Panel C），最具影响力的特征是自发NREM微觉醒总数、总REM微觉醒数和总体觉醒指数，与呼吸事件相关的觉醒计数也有显著贡献。SHAP总结图（Panel D）证实，无论是自发的还是与事件相关的微觉醒——尤其是在NREM和REM睡眠期间发生的——都对模型预测认知衰退有显著影响。SHAP瀑布图（Panel B）详细展示了多个微觉醒变量和指数的累积效应如何共同影响单个预测结果。最后，学习曲线（Panel E）显示，随着模型复杂性的增加，验证损失保持稳定，过拟合现象最小。总体而言，这些可解释性分析提供了明确的证据，表明微觉醒动态，特别是它们的频率及其与呼吸事件的关联，在预测认知衰退中起着关键作用，见图2。

4 讨论

我们的分析揭示了夜间低氧血症形态的关键表型差异，强调了氧气饱和度下降的动态结构，而非传统的累积事件频率。虽然整体严重程度指标（如AHI）在两组间没有显著差异，但认知衰退组表现出以低通气为主的特征。这种特征表现为长时间暴露于轻度低氧血症，而极端阻塞性事件导致的深度低氧血症却不太明显。此外，总体微觉醒负担也没有显著差异。这种独特的模式强烈暗示了持续的低度低氧暴露与认知脆弱性之间可能存在剂量依赖性关联，表明真正的生物学影响与单纯的基于事件计数的指标不同。先前的研究也支持这一观点。在老年女性中，睡眠呼吸障碍预测了认知障碍/痴呆的发生，而低氧血症指标——而非睡眠片段化——跟踪了风险信号。在老年男性中，夜间低氧血症与随后的整体认知衰退相关。HypoLaus的社区数据还将较低的夜间平均SpO2和低于饱和阈值的持续时间与多领域认知衰退联系起来[19]。从病理生理学的角度来看，累积的低氧血症暴露（时间×深度面积）似乎与认知脆弱性更为相关，而非罕见的深度低氧血症事件。REM阶段特定的低氧血症与记忆损伤有关，海马体积损失是其中介因素，这与选择性海马对持续轻度缺氧的脆弱性一致[20]。传统的事件计数方法存在固有局限性，AHI混合了呼吸暂停和低通气事件，并忽略了氧气饱和度下降的面积[21, 22]。最近的研究强调了特定于睡眠呼吸暂停的低氧负担（按睡眠时间标准化的低氧饱和度下降面积之和），这种方法在捕捉主要临床结果方面往往优于AHI[22, 23]。我们当前研究的一个显著局限性是缺乏基于积分的低氧负担量化（即低氧饱和度曲线下的面积）。这一限制限制了我们推断深度剂量-反应关系的能力。尽管如此，我们的机器学习模型成功使用了标准的阈值和持续时间指标（如T95、夜间平均SpO2）作为可靠的预测因子。未来的认知模型将受益于结合低氧负担和传统的AHI，以更准确地反映真正的生物暴露情况。评分选择会影响表型的检测。2012年AASM的更新和2017年的澄清提高了临床人群中低通气事件的捕捉率，并影响了AHI的评估，从而影响了表观的严重程度和性别特异性检测[24]。在3%低氧饱和度/觉醒规则与4%低氧饱和度规则下，患病率和共病关联有所不同。为了比较性和避免错误分类以低通气为主的轻度低氧血症表型，需要明确报告低通气标准。此处观察到的SpO2<95%的较长清醒时间表明气体交换储备减少或肺部共病可能加剧了全天的轻度低氧血症负担。COPD文献将慢性低氧血症与认知缺陷联系起来，并指出纠正低氧血症的潜在益处。在敏感性分析中，建议调整肺疾病指标或肺功能测试[25]。在我们的数据中，微觉醒指标并未作为显著的预测特征出现，这与先前的观察结果一致，即低氧血症[26]而非睡眠片段化更能预测认知障碍的发生。模型基于两个轴进行评估：频率（AHI/RDI）和剂量（T90/T95、夜间平均SpO2、低氧负担[27]。本研究的几个局限性值得考虑。首先，认知衰退是通过结构化的自我报告问卷而非客观的神经心理学测试（如MoCA或MMSE）来评估的。虽然这引入了回忆偏差和情绪混杂的潜在风险——特别是考虑到OSA临床表型中白天嗜睡和疲劳的高发率——但主观的记忆抱怨在临床上仍然非常相关。这些自我感知通常被视为神经认知脆弱性的高度敏感的早期指标，通常先于客观可测量的缺陷，直接反映了患者现实世界的功能损害和生活质量的下降[31-33]。其次，由于观察性设计，组间比较容易受到残余混杂的影响。此外，观察到的效应大小相对较小，多重检验可能会减弱名义上的统计显著性。第三，缺乏基于积分的低氧负担量化限制了剂量-反应关系的推断深度。因此，未来的纵向研究是必要的。此类研究应结合全面的客观神经心理学测试、患者报告问卷（PROMs）和特定阶段的低氧血症指标以及结构性神经影像学终点。这种多维度方法对于揭示确切的时间关系和明确潜在的中介途径（如低氧对海马区的损伤）至关重要。

5 结论

认知衰退与低氧血症的形态更为相关，而非事件计数。以低通气为主的表型，其特征是轻度但持续的夜间低氧血症，为未来的前瞻性试验提供了有力的病理生理学框架，并明确了可操作的治疗目标。

作者贡献

李欣：概念化、方法论设计、初稿撰写；朱英英和孟 Fansu：数据整理、正式分析；赖康刚和梁玉玲：调查、验证；梅增楠：可视化、软件开发； mai Zhengnan：审稿、编辑；李亮：项目监督、资金申请。所有作者均阅读并批准了最终稿件。

本研究得到了中山社会公益与基础研究项目（项目编号2021B1056）的支持。

伦理声明

该研究已获得中山中医医院的机构伦理委员会批准（批准编号2021ZSZY-LLK-131）。所有参与者均提供了知情同意书。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可在合理请求下从相应作者处获得。