人工智能在阻塞性睡眠呼吸暫停診療中的應用研究進展

郁飛 葉亮 谷偉

阻塞性睡眠呼吸暫停 (obstructive sleep apnea,OSA)是一種以夜間反復上氣道阻塞、間歇性低氧血癥以及日間嗜睡為特點的疾病。研究證實,OSA是高血壓、冠心病、卒中等嚴重疾病的獨立危險因素[1]。我國OSA的發病率為2%～4%,并且隨著人群肥胖率的增長,OSA的發病率逐漸升高[2]。未經良好治療的OSA與其顯著的并發癥給個人健康構成了極大的威脅[3]。人工智能(Artificial Intelligence,AI)作為計算機技術的一個新領域,致力于開發一套理論、方法和技術應用系統,用以模擬、延伸和擴展人類智能。借助強大的圖像識別、數據挖掘和深度學習等技術,AI有望為醫學領域的一些難題提供解決方案。本文就近年來,AI在OSA診斷以及治療方面的研究進展進行綜述。

一、AI在OSA診斷中的應用研究進展

目前,多導睡眠檢測(Polysomnography,PSG)是OSA診斷的金標準。PSG對多種不同生理信號進行夜間記錄,記錄完畢后,由醫生對記錄結果進行分析與判定。而借助AI進行PSG數據分析,能夠提高診斷效率和準確性。但由于PSG設備價格高昂、操作繁瑣,難以在臨床上廣泛開展,導致大量OSA患者不能得到及時診斷。同時,進行PSG監測時,患者處于陌生的睡眠環境,并佩戴多個電極片和導聯線,不可避免地影響患者的睡眠質量,影響診斷準確性,甚至導致監測失敗[4]。

近年來,隨著AI技術的發展,越來越多的學者嘗試將AI應用在OSA診斷中,尋找相對準確、舒適,適合篩查的診斷方法。

1. 人臉識別

既往研究證實,頜面部結構異常是OSA的發病機制之一。而下頜骨后移、上頜骨塌陷、面部脂肪堆積過多等是 OSA患者典型的面部特征[5]。因此,有學者嘗試通過AI學習OSA患者的面部特征,運用人臉識別的技術篩查具有OSA高危面部結構的人群。Sutherland 等[6]根據正面和側面照片的面部關鍵點,計算出 44 個與面部、上頜骨、下頜骨、眼睛、鼻子和頸部尺寸相關的變量之后,采用邏輯回歸和分類回歸樹算法預測建模。Balaei 等[7]用基于級聯形狀回歸的方法進行關鍵點定位。Lin 等用Resnet50 網絡對正面和側面人臉圖像進行分類,發現使用側面人臉圖像診斷OSA準確率更高[8]。根據上述相關研究,人臉識別的OSA診斷準確度在70%～80%。良好的人臉識別模型能夠利用面部特征快速識別高風險的OSA患者,但是對于因咽扁桃體肥大、鼻甲肥大等內在結構異常導致的OSA識別作用有限。

2. AI算法診斷模型

OSA患者往往具有肥胖、打鼾、夜間血氧飽和度下降等臨床特征,通過人工智能的方法學習這些臨床特征來輔助診斷OSA是目前的研究熱點。Viner[9]將410名OSA患者納入測試,運用邏輯回歸算法,基于年齡、性別、體重指數(body mass index ,BMI)建立臨床診斷模型。該模型在驗證階段正確排除了約30%的非OSA的打鼾患者,預估可以減少約1/3的PSG檢查數量。Harun等[10]通過人工神經網絡(Artificial Neural Network,ANN)學習201例確診為OSA患者的性別、年齡、BMI、打鼾特征后,應用多層感知器進行識別及分類,實現了對OSA患者86.6%的識別準確率。Silva等[11]則通過機器學習(machine learning,ML)識別鼾聲的音高、共振峰等特征,并納入患者的頸圍作為參數,使用基于ANN的算法模型對OSA患者進行識別,該方法的靈敏度和特異度約為90%。而Ye等[12]以心率和血氧飽和度為主要特征,利用XGBoost算法建立診斷模型,對兒童輕、中、重度OSA識別的正確率分別達到了90.45%、85.67%、89.81%。以上研究均顯示算法診斷模型良好的診斷效能,但是目前仍然缺乏大樣本、多中心的臨床研究,同時缺乏各算法之間的比較。

雖然上述方法目前仍然不能取代PSG,但通過這些方法可以篩查出需要進行PSG的患者,這將大大減少OSA診斷對PSG的依賴,減輕醫療負擔。

二、AI在OSA治療中應用研究進展

OSA的傳統治療方式包括持續氣道正壓通氣(Continuous Positive Airway Pressure,CPAP)、口腔矯治器(Oral Appliance,OA)、手術治療等。各種治療各有優缺點,如何選擇治療方式以及如何在實施治療后及時評估治療效果,仍然是目前OSA治療領域的難題。而AI技術的應用有望成為解決這些難題的有效手段。

1. 識別OSA內型

OSA在高危因素、病理生理學機制、并發癥等方面存在顯著的異質性[13]。因此,OSA是一種十分適合個性化治療的疾病。OSA的病理生理學機制包括氣道閉合壓低、低覺醒閾值、高環路增益以及氣道擴張肌功能差,上述因素共同參與OSA的發生發展,但各自所占的權重不同,構成不同的OSA內型[14,15]。目前已有多項研究利用PSG來識別OSA的內型,而利用AI技術可以提高內型識別的效率和準確性[16]。Dutta等[17]利用多元主成分分析和決策樹學習的方法研究了52名參與者的年齡、BMI以及AHI、最低氧飽和度等八個PSG參數,并且通過標準生理學方法量化了各內型,發現該模型有助于評估環路增益以及覺醒閾值,并且納入內型后預測OSA嚴重程度的準確性可提高兩倍。準確識別這些內型,是實現OSA個性化及精準化治療的前提。

2. 持續氣道正壓通氣(CPAP)

CPAP通過施加氣道正壓減輕氣道阻塞,糾正睡眠期的間歇性缺氧,提升睡眠質量,并減少并發癥的發生,是OSA的一線治療手段。但研究發現,CPAP的依從性嚴重不足,甚至低于50%[18],嚴重影響治療效果。其中年齡、性別、疾病嚴重程度、心理因素、氣壓不合適、鼻面罩漏氣、口鼻干燥等因素均與依從性相關[19]。而AI的應用有望早期識別依從性差的患者,降低治療失敗的風險。Giulia等[20]利用ML識別因依從性差導致治療失敗的患者特征開發的依從性預測模型,靈敏度為 68.6%。一項研究利用ML構建分類器模型預測OSA患者在CPAP治療不同時期的依從性,發現該模型在CPAP治療第三個月時的預測準確性最高,達到84%。并且該模型發現頭痛、心理癥狀、血壓、EuroQol視覺量表評分與每個時間點的依從性均密切相關[21]。通過模型預測出依從性差的患者,可以提供進一步的醫療支持或者更換其他治療方法。

預測依從性的同時,AI的應用還可以一定程度上提升患者的依從性。Ali等[22]將ANN應用于CPAP的壓力滴定預測,實現更高的滴定效率。而基于ML建立的CPAP監控系統以及裝有AI處理器的CPAP呼吸機,可以將鼻面罩漏氣率、使用方法不當等事件記錄并上報,并通過遠程提醒,增加患者的依從性,提升治療效果[23,24]。遠程醫療支持的應用在不明顯增加患者負擔的基礎上可提升依從性及治療質量,具有明顯優勢[25]。

CPAP作為一種長期治療方案,其治療效果的評估對于治療的適時調整具有重要意義。目前,衡量OSA疾病嚴重程度的指標主要是AHI,但在CPAP治療中,僅憑AHI改善程度并不能說明患者獲益程度。OSA作為一種全身性疾病,患者的炎性、代謝性、氧化應激相關標志物均存在不同程度的改變,這些變化值得關注[26]。一項研究利用ML篩選出84種與OSA相關的蛋白質,在接受CPAP治療后,5種與血管內皮功能、凝血功能以及炎癥反應相關的蛋白質呈現出減少的趨勢[27]。在另一研究中,4種代謝相關的生物標志物在CPAP治療后發生了顯著變化[28]。此外,OSA患者的免疫細胞和通路亦表現出廣泛激活,相關基因的表達水平改變也較為顯著。Zhu等[29]利用支持向量機(Support Vector Machine ,SVM)、隨機森林(Random Forest ,RF)和ANN算法,篩選出了GEO數據庫中OSA關鍵基因。這些基因廣泛表達于OSA患者,并在CPAP治療后呈下降趨勢。在一項探究OSA和CPAP治療對生物鐘調節的影響的研究中發現,長期的CPAP治療可恢復血漿褪黑素、皮質醇和體溫水平,但無法逆轉OSA誘導的生物鐘表達基因的改變,而通過ML模型可以有效區分有效治療前后的OSA狀態[30]。

3. 口腔矯治器

口腔矯治器(Oral Appliance,OA)通過前移下頜位置,充當下頜和舌頭的保持器,起到擴張氣道、防止阻塞的作用。相較于CPAP,OA使用更加便捷,并且Olivier等人發現得益于依從性相對較高,OA每日平均使用時間更長,在長期治療上看,OA顯現出與CPAP相當的療效[31]。近年來,多項研究展示了基于AI的技術預測OA治療效果的潛力。Dutta等[32]利用無監督的多元主成分分析和決策樹學習算法構建的ML模型納入了包括AHI、最低血氧飽和度和覺醒指數在內的多個指標。該模型最初使用10倍交叉驗證技術對45名OSA患者的數據進行訓練,訓練后的模型預測OA治療反應性的精確度為91%。接著對17名志愿者進行驗證,結果該模型預測OA治療后AHI<5次/小時、AHI降低50%和AHI降低50%至<20次/小時的準確性分別達到了100%、71%、82%。

4. 手術治療

針對有明顯咽腭解剖結構異常的患者,手術治療是一種可行的治療方案。傳統手術方法包括懸雍垂腭咽成形術(Uvulopalatopharyngoplasty,UPPP)、扁桃體和腺樣體切除(Adenotonsillectomy,AT)等。手術后AHI降低50%或AHI降低至<20次/小時是目前廣泛認可的手術有效性衡量標準。一項針對手術療效的系統評價顯示,OSA手術的有效率為66.4%,而總體并發癥發生率為14.6%[33]。由此可見術前合理選擇手術方案以及提前預測手術的療效的重要性。

UPPP是目前應用最廣泛的治療成人OSA的手術方式。對于阻塞平面在口咽部,口腔黏膜組織肥厚,懸雍垂肥大,軟腭低長,扁桃體肥大或腭部狹窄者尤為適合。Yang等人為了預測UPPP的療效,納入OSA患者人口學特征、PSG數據、內窺鏡采集的腭和舌根數據、以及Friedman分型等建立ML模型,對比邏輯回歸、RF、SVM、ANN等算法后發現,準確性最高的是邏輯回歸算法(AUC 0.8317)[34]。而Kim等在對比多種ML模型對于手術治療效果的預測準確性時,發現梯度增強算法的準確性最高,達到70.8%,相較于臨床醫生的主觀評估具有顯著優勢[35]。

在兒童OSA中,AT是最主要的治療方法。Heath等人利用邏輯回歸的算法預測AT治療效果,發現扁桃體大小是AT最強的預測因子[36]。Dylan等人利用患兒年齡、BMI、Brodsky評分估計的扁桃體大小、夜間血氧等參數,運用RF、SVM等算法建立ML模型用以篩查出需要接受AT治療的患兒,準確率達87%～89%[37]。

手術治療療效的提前預測,有助于確定真正能在手術治療中獲益的OSA患者,減少不必要的手術治療,避免不必要的損傷。

三、AI應用的展望與局限性

綜上所述,在OSA的診斷和治療過程中,AI均能發揮重要作用。AI為OSA早期篩查與診斷提供了全新思路,具備便攜、高效、舒適、節省經濟成本等優勢。同時,AI的應用對于治療方式的選擇和調整具有重要意義,并能提高治療的依從性和療效。隨著精準化醫療的提出,AI技術的應用場景將更加廣泛。然而,AI在OSA 中的應用仍然存在著局限性。盡管越來越多的學者嘗試將AI應用于OSA的診治工作,但該技術的普適性尚未得到充分評估,數據量不足,因此未來需要更大范圍的數據,開展多中心、不同國家和人群的模型聯合應用。