智能手機鼾聲分析軟件對阻塞性睡眠呼吸暫停低通氣綜合征的篩查價值研究

梁瑞玲，李晨陽，趙瑞，周兵，董霄松，韓芳*

阻塞性睡眠呼吸暫停低通氣綜合征（obstructive sleep apnea hypopnea syndrome，OSAHS）是一種常見的睡眠障礙，其特征為上氣道完全或部分阻塞、呼吸暫停，最常見的夜間癥狀為打鼾，日間癥狀為嗜睡。有研究表明，全球約有9.36億人患有OSAHS，我國OSAHS患病率最高，OSAHS患者數量已達1.76億人［1］。OSAHS與心腦血管病的發病率和死亡率有關［2］，同時疲勞和日間嗜睡對患者的家庭、工作也會造成不良影響，并增加交通事故的發生風險。由于大多數OSAHS患者未得到及時診斷，因此這會構成任何公共衛生系統都難以承擔的重大社會、健康和經濟問題［3］。

目前診斷OSAHS的金標準為多導睡眠監測（PSG），需要患者于睡眠中心進行監測，有20余個身體接觸傳感器，具有局限性，不適合用于大規模人群篩查，因此需要有更加簡便、家庭化的技術進行監測及初步篩查。美國睡眠醫學學會（American Academy of Sleep Medicine，AASM）于2015年首次提出應用遠程醫療對睡眠障礙進行診斷和治療的建議［4］，中國在2021年發布《成人阻塞性睡眠呼吸暫停低通氣綜合征遠程醫療臨床實踐專家共識》，對遠程醫療在OSAHS患者的診斷、治療、管理等多方面進行分析，提出5G通信技術的發展促使OSAHS診療在家庭醫療中的應用成熟［5］。隨著2020年新型冠狀病毒肺炎的全球流行及疫情常態化，遠程醫療模式的應用在睡眠醫學領域中加速發展，很多便攜式及移動應用已經用于家庭中，有利于對OSAHS患者進行非接觸式感知及管理，根據結果促進個體化醫療及治療干預。這些設備的診斷準確性尚需進一步研究。本研究旨在探討一款基于5G智能手機的鼾聲監測技術軟件眠云眠云Sara對OSAHS患者的篩查價值。

1 資料與方法

1.1 一般資料 選取2020年4—12月就診于北京大學人民醫院睡眠中心、以夜間打鼾和呼吸暫停為主訴的患者163例為研究對象。納入標準：（1）以夜間打鼾、呼吸暫停為主訴；（2）年齡＞18歲；（3）既往無睡眠監測及OSAHS治療經歷；（4）簽署知情同意書。排除標準：（1）懷疑為中樞型睡眠呼吸暫停、Cheyne-Stokes呼吸、肥胖低通氣綜合征、發作性睡病、快速眼動行為障礙等其他睡眠障礙；（2）近3個月倒班工作、作息不規律；（3） 存在慢性阻塞性肺疾病、肺動脈高壓、肺炎、心力衰竭、心肌梗死、神經肌肉疾病等。本研究經過北京大學人民醫院醫學倫理委員會批準，受試者均簽署知情同意書。

1.2 方法

1.2.1 一般資料收集 收集每位受試者的年齡、性別、身高、體質量等一般資料。

1.2.2 睡眠監測方法 患者在北京大學人民醫院睡眠中心進行PSG監測的同時采用眠云Sara進行同步監測?；颊呖刹捎萌魏问娣淖藙菟X。具體監測方法：（1）眠云Sara監測：患者使用已下載眠云Sara軟件的智能手機自行注冊賬號，于準備睡眠時點擊開始記錄按鈕，使用眠云Sara進行睡眠呼吸數據采集，次日早晨醒來后點擊結束睡眠記錄。（2）PSG：患者于睡眠中心進行PSG，根據美國睡眠醫學學會推薦方法［6］，記錄信號包括腦電圖 （F3M2、F4M1、C3M2、C4M1、O1M2、O2M1）、雙側眼電圖、下頜肌電圖、口鼻熱敏信號、鼻氣流壓力、胸腹呼吸運動、心電圖、鼾聲、體位、雙側脛前肌電圖、脈搏血氧飽和度、心率。

1.2.3 眠云Sara及PSG結果判讀標準 眠云Sara結果由軟件自動判讀，PSG數據由人工手動判讀，判讀標準采用美國睡眠醫學學會2012評分標準［7］：呼吸暫停是指睡眠過程中口鼻氣流消失或明顯減弱（較基線水平下降≥90%），持續時間≥10 s。眠云Sara總睡眠時間（total sleep time，TST）、呼吸暫停低通氣指數（apnea hypopnea index，AHI）由軟件自動記錄并分析，PSG記錄的TST由腦電信號分析獲得，AHI由TST計算獲得。以AHI≥5次/h為診斷OSAHS的標準，AHI≥15次/h及AHI≥30次/h分別為中、重度OSAHS的診斷標準［8］。

1.3 統計學方法 使用 SPSS 19.0軟件進行數據的錄入與分析。偏態分布的計量資料以M（P25，P75）表示，組間比較采用Wilcoxon秩和檢驗。同一受試者兩種監測方法得出的各項數據進行線性相關性分析及Bland-Altman一致性檢驗［9］。計算眠云Sara診斷OSAHS的靈敏度和特異度，繪制受試者工作特征（ROC）曲線。以P＜0.05為差異有統計學意義。

2 結果

2.1 一般情況 163例患者中14例未能將數據成功上傳分析平臺；5例記錄失敗，無原始錄音；3例記錄中斷，無完整原始錄音；11例因監測導聯脫落導致PSG數據不完善。選擇有有效數據的130例患者進入研究，其中男91例（占70%），女39例（占30%）；年齡15～89歲，平均年齡 （49.7±17.4）歲；體質指數（BMI）19.2～44.8 kg/m2，平均 BMI（28.2±5.0）kg/m2。

2.2 PSG與眠云Sara主要監測指標對比 眠云Sara監測的AHI、TST與PSG監測的AHI、TST間差異均有統計學意義（P＜0.05），見表1。眠云Sara得到的AHI與PSG的AHI呈正相關（r=0.645，P＜0.001），見圖1；眠云Sara得到的TST與PSG的TST呈低度正相關（r=0.184，P=0.037），見圖2。Bland-Altman一致性檢驗示眠云Sara及 PSG 所測得的AHI在統計學上相一致，其平均差異為-5.7次/h，95%一致性界限為（-40.5，29.2）次/h，見圖3。

圖1 眠云Sara所得AHI與PSG所得AHI的線性相關分析Figure 1 Linear correlation analysis of AHI obtained by Mianyun Sara and AHI obtained by PSG

圖2 眠云Sara所得TST與PSG所得TST的線性相關分析Figure 2 Linear correlation analysis of TST obtained by Mianyun Sara and TST obtained by PSG

圖3 眠云Sara與PSG所得AHI的 Bland-Altman一致性檢驗Figure 3 Bland-Altman consistency test between AHI obtained by Mianyun Sara and AHI obtained by PSG

表1 眠云Sara與PSG結果比較〔n=130，M（P25，P75）〕Table 1 Comparison of the results of Mianyun Sara and PSG monitoring indicators

2.3 眠云Sara及PSG診斷OSAHS及判斷其嚴重程度的靈敏度和特異度 分別以PSG的AHI≥5次/h、AHI≥15次/h、AHI≥30次/h作為診斷OSAHS及判斷其嚴重程度的金標準，兩種方法的診斷結果比較見表2～4。眠云Sara對OSAHS的最佳診斷值、靈敏度、特異度、曲線下面積（AUC）、陽性預測值及陰性預測值見表5和圖 4～6。

圖4 AHI≥5次/h時診斷OSAHS的ROC曲線Figure 4 ROC curve for the diagnosis of OSAHS when AHI≥5 times/h

圖5 AHI≥15次/h時診斷OSAHS的ROC曲線Figure 5 ROC curve for the diagnosis of OSAHS when AHI≥15 times/h

圖6 AHI≥30次/h時診斷OSAHS的ROC曲線Figure 6 ROC curve for the diagnosis of OSAHS when AHI≥ 30 times/h

表2 眠云Sara與PSG診斷OSAHS的四格表（例）Table 2 Comparison of the results of Mianyun Sara and PSG in the diagnosis of OSAHS

表3 眠云Sara與PSG診斷中度OSAHS的四格表（例）Table 3 Comparison of the results of Mianyun Sara and PSG in the diagnosis of medium OSAHS

表4 眠云Sara與PSG診斷重度OSAHS的四格表（例）Table 4 Comparison of the results of Mianyun Sara and PSG in the diagnosis of severe OSAHS

表5 眠云Sara診斷OSAHS的靈敏度、特異度、陽性和陰性預測值Table 5 Sensitivity，specificity，positive and negative predictive value of Mianyun Sara for the diagnosis of OSAHS

3 討論

本研究表明，眠云Sara對中國成人OSAHS患者具有較好的初篩價值，與PSG具有良好的一致性。本研究發現眠云Sara記錄的TST明顯長于PSG記錄的TST。與PSG相比，眠云Sara無法記錄腦電信號，難以準確判斷準確的入睡時間，故而記錄的TST更長，導致眠云Sara所得AHI中位數較PSG偏低，可能會對病情造成一定程度的低估。進一步進行線性相關性分析及Bland-Altman一致性檢驗，結果表明眠云Sara與PSG之間具有較好的一致性。Bland-Altman圖中顯示有8（6.15%）例在一致性界限以外，但該差異均出現于AHI≥30次/h時。

打鼾是OSAHS常見的癥狀，是氣道阻塞的征兆。普通人群中約25%的女性和45%的男性有習慣性打鼾［10］，習慣性打鼾已被證實是心血管疾病發病率增加的危險因素，并可能暗示有發生阻塞性睡眠呼吸暫停的可能性［11］。有研究發現，鼾聲的振動模式可以識別呼吸暫停的發作，并與阻塞的程度有關［12］。在1 139例接受PSG的患者中，打鼾的聲音強度與呼吸窘迫指數顯著相關，且即使在控制了人口統計學和臨床因素之后也是如此［13］。

現已有較多針對鼾聲的研究。ZAFFARONI等［14］通過對178例志愿者進行整晚同步智能手機軟件監測及PSG，并進行獨立測試，基于高斯混合模型的半自動算法發現AHI的臨床閾值為15次/h，其靈敏度為94%，特異度為97%。本研究中AHI對中度以上患者診斷的靈敏度、特異度分別為88.2%和74.1%。NAKANO等［15］通過對50例患者進行PSG及鼾聲采集（SMART），使用快速傅里葉變換進行分析，發現SMART診斷OSAHS（AHI≥15次/h）的靈敏度為70%，特異度為94%；而對于AHI＜30次/h的受試者，SMART估算的AHI和PSG得到的AHI之間的相關性不是很好，因此該程序的診斷準確性可能不足以將其作為篩查工具來排除較輕的OSAHS。國內有研究基于安卓手機系統開發應用軟件，將鼾聲、呼吸、血氧信號相結合，對鼾聲信號的端點檢測處理，使用EEMD-C0算法，并認為其對OSAHS診斷有很高的準確率［16］。眠云Sara利用手機內置麥克風獲得環境聲音，對環境噪聲自動過濾后對鼾聲或呼吸聲進行判斷，得到AHI。本研究發現，在AHI≥5次/h時眠云Sara診斷OSAHA的靈敏度為83.8%，特異度可達92.0%，有著良好的特異性，但在AHI≥30次/h時靈敏度偏低，為64.9%，而特異度較高，這可能與音頻信號處理、算法不同等有關。眠云Sara作為非侵入式鼾聲初篩軟件，對比其他基于呼吸、血氧、運動等專門用于OSAHS患者初篩的設備，具有良好的特異性，且不會干擾用戶睡眠習慣。盡管眠云Sara對重度OSAHS患者AHI的預測有所不足，但其不需要額外的傳感器，容易規模化，可以成為大量潛在患者的低成本替代篩查方案，為臨床反饋準確的數據。

非接觸式傳感器和移動應用在睡眠醫學中的使用促進了遠程醫療的進步，同時也符合醫療保健和家庭保健的概念。用于OSAHS初篩的鼾聲分析的一個明顯的優點是所需的傳感器集成到智能手機，可以便捷地進行多次家庭自我監測，但目前有不同型號、不同質量的產品，其診斷價值有待進一步驗證。

綜上所述，眠云Sara與PSG結果具有較好的一致性，在臨床允許AHI測量誤差不低于5.7次/h范圍內，可用于中國成人OSAHS患者的初篩。

作者貢獻：梁瑞玲、李晨陽負責文章的構思和設計、文獻整理、撰寫論文；趙瑞、周兵負責研究的實施、數據收集；董霄松、韓芳負責文章質量控制及審校，對文章整體負責，監督管理。

本文無利益沖突。