晚間脈搏血氧飽和度水平在OSAHS臨床診斷及病情預測中的應用

金春園，江峰，周磊

阻塞性睡眠呼吸暫停低通氣綜合征（OSAHS）的發生與睡眠過程中上氣道塌陷反復出現關系密切，患者可見頻發呼吸暫停和低通氣事件，是導致睡眠質量下降的重要原因，并可能誘發多種心腦血管及呼吸系統疾病[1]。OSAHS診斷目前主要依賴基于夜間多導睡眠監測所獲得呼吸暫停低通氣指數（AHI）水平，但多導睡眠監測存在操作難度高、價格高昂及對正常睡眠影響較為明顯等缺點，臨床應用明顯受限[2]。血氧飽和度（SpO2）是臨床常用的缺氧狀態評估指標之一，已被廣泛用于OSAHS人群輔助檢查，但其水平是否可用于病情嚴重程度的預測尚無定論[3]。本研究回顧性分析2019年1月至2021年12月浙江省舟山醫院收治的打鼾并行整夜多導睡眠監測患者共117例，探討晚間脈搏SpO2水平在OSAHS臨床診斷及病情預測中的應用價值，旨在為后續臨床診斷及優化提供更多參考。現報道如下。

1 資料與方法

1.1 一般資料納入打鼾并行整夜多導睡眠監測患者共117例，納入標準：（1）因持續打鼾癥狀于本院就診；（2）配合完成夜間完整多導睡眠監測。排除標準：（1）中樞性或混合性睡眠呼吸暫停低通氣；（2）已接受OSAHS相關治療；（3）存在其他低氧狀態并發癥；（4）長期服用鎮靜安眠類藥物。其中男94例，女23例；年齡18～81歲，平均（45.2±10.6）歲；體質量指數19.1～36.8 kg/m2，平均（26.81±5.19）kg/m2。本研究獲得醫院倫理委員會批準。

1.2 方法參考AHI水平進行分組，其中非OSAHS組（AHI＜5次/h）11例，輕度組（5次/h＜AHI≤15次/h）14例，中度組（15次/h＜AHI≤30次/h）20例，重度組（AHI＞30次/h）72例。記錄患者性別、年齡、身高、體質量、夜間多導睡眠監測及AHI等資料；睡眠狀態及相關事件發生評估參考美國睡眠醫學會手冊（V2.5）[4]。SpO2相關指標包括SpO2min值、SpO2平均值、SpO2＜70%、SpO2＜80%、SpO2＜90%時間百分比。

1.3 統計方法采用SPSS20.0統計軟件進行分析，符合正態分布的計量資料以均數±標準差表示，采用K-S檢驗；不符合正態分布的計量資料以M（P25，P75）表示，采用Mann-Whitney U檢驗；采用Pearson檢驗進行相關性分析；采用多元線性回歸模型和反向神經網絡模型評估預測效能。P＜0.05表示差異有統計學意義。

2 結果

2.1 相關性分析SpO2min值、SpO2平均值、SpO2＜70%、SpO2＜80%、SpO2＜90%時間百分比均與打鼾患者AHI水平呈正相關（均P＜0.05），見表1。

表1 打鼾患者晚間脈搏SpO2相關指標與AHI水平的相關性分析

2.2 多元線性回歸模型分析 晚間脈搏SpO2水平可用于OSAHS患者的診斷及病情嚴重程度預測，且重度組預測效能最佳（P＜0.05），見表2。

表2 多元線性回歸模型分析

2.3 反向神經網絡模型分析 晚間脈搏SpO2水平可用于OSAHS患者診斷及病情嚴重程度預測，且重度組敏感度和陽性預測值最佳（t=3.78、4.11，均P＜0.05），見表3。

表3 反向神經網絡模型分析

3 討論

近年來，尋找OSAHS診斷“金標準”多導睡眠監測的替代方案已成為醫學界關注的熱點領域之一[5]，包括調查問卷、心電圖及SpO2檢測等在內的方法已被用于OSAHS輔助診斷，其中SpO2檢測獲取難度較低，基層醫院普及率更高，相較于主觀性較高的調查問卷更具臨床應用價值[6]。

有研究單純采用氧減飽和度升高指數預測AHI水平，盡管敏感度尚可，但特異度較低、假陽性率更高，無法滿足臨床診斷需要[7]。另有報道同時納入SpO2＜70%～90%時間百分比等指標構建回歸預測模型，但這一模型無法對整體情況進行評估，所得結論僅證實這一模型與AHI水平間弱相關性[8]。另一項二元回歸模型研究提示SpO2＜70%、SpO2＜80%、SpO2＜90%時間百分比與調查問卷、睡眠分期及心率相結合構建模型與AHI水平間關系密切，但因納入多種類型指標導致臨床價值存疑，特別是調查問卷主觀性過強，睡眠分期則需依賴多種電信號檢查，給臨床應用帶來極大難度[9]。此外SpO2頻域數據已被證實能夠反映AHI水平，但在病情嚴重程度方面僅能區分輕中度與重度OSAHS人群[10]。

早期研究提示調查問卷及四變量篩查工具在區分OSAHS患者病情嚴重程度方面及效能區分方面敏感度及特異度均較差[11]。而納入包括血壓、心率及SpO2在內的綜合預測模型在預測OSAHS嚴重程度方面敏感度達到93%，但特異度較低（68%），同時這一研究入組患者年齡多在40歲以內，且低AHI值占比較高，導致模型預測效能可靠性[12]。

本研究根據晚間脈搏SpO2相關指標，通過二元回歸模型和反向神經網絡模型證實上述指標在區分OSAHS人群病情嚴重程度方面具有良好價值，同時區分重度OSAHS預測效能最高。筆者分析認為導致這一現象發生可能原因為非OSHAS組、輕度組及中度組納入病例數相對較少。本研究納入對象年齡及AHI水平范圍相較于既往研究更為廣泛，覆蓋絕大部分年齡段；同時模型選用SpO2特征均與OSAHS病情存在強關聯性，故預測價值往往更佳。