关键词:
阻塞性睡眠呼吸暂停低通气综合征
筛查模型
卷积神经网络
深度学习
口腔上气道评估
摘要:
研究背景阻塞性睡眠呼吸暂停低通气综合征(Obstructive sleep apnea hypopnea syndrome,OSAHS)发病率高,常引起全身多系统损害,疾病负担较大,而由于睡眠监测等诊断工具限制、患者及基层医务人员对疾病的知晓率低及重视程度不足等原因,导致漏诊率高,治疗率低,因此,建立优秀快捷的OSAHS筛查方法很重要,深度学习作为近年来关注度极高的人工智能技术,与OSAHS诊断方法结合,能帮助医生以更快、更准的效率,大规模筛查患者,降低漏诊率,对于OSAHS疾病的精准诊断、精准治疗有着十分重要的作用。目的开发和验证基于医疗保健流程早期可获得的人口统计学变量和上气道评估结果筛查OSAHS的卷积神经网络模型。方法纳入2021-2022年间在广州医科大学附属第一医院睡眠中心行多导睡眠图(PSG)监测的受试者,根据PSG结果分为OSAHS组和非OSAHS组,利用单因素分析筛选出与OSAHS相关的特征变量(人口统计学和临床上气道评估结果),将变量数据随机分为训练集(1070例)和独立测试集(268例),使用训练集开发和评估卷积神经网络筛查OSAHS的有效性,并使用独立训练集进行确认,绘制ROC曲线评估模型准确性。结果1.本研究共纳入研究对象1549例,筛去有个别数据缺失或错漏的案例,将1338例数据纳入统计。其中非OSA患者(AHI小于5次/小时)的有212例,OSA患者(AHI大于等于5次/小时)有1126例,其中重度OSA(AHI大于等于30次/小时)有486例。***组与非OSA组的性别、年龄、身高、体重、BMI、颈围、腰围、臀围、ESS评分、腰高比、颈高比、腰臀比、大声打鼾、高血压史、舌体肥大、下颌后缩、扁桃体肿大分度均存在显著统计学差异(p<0.05),Mallampati分级与OSAHS严重程度有关,Ⅲ级或以上是OSAHS的独立危险因素。3.在男性中,OSAHS组与非OSAHS组的Mallampati分级有显著差异,χ2为9.336,P=0.025(<0.05)。而在女性中无统计学显著性,χ2为2.092,P=0.554(>0.05)。4.卷积神经网络筛查OSAHS模型在训练集、验证集和独立测试集的灵敏度分别为80.7%、77.9%和75.9%,特异度分别为78.5%、69.6%和80%,约登指数分别为0.592、0.475和0.559,阳性似然比分别为3.75、2.56和3.80,阴性似然比分别为0.24、0.32和0.30。结论1.本研究创建了一个辅助OSAHS诊断的卷积神经网络模型,仅需医疗保健早期易获得的特征变量即可筛查OSAHS,该模型具有良好的性能,表明它具有潜在的实用性,可作为门诊评估OSAHS概率或筛查社区OSAHS的工具。2.口腔上气道评估(舌体肥大、下颌后缩、扁桃体肿大分度、Mallampati分级)与男性OSAHS患病有关,可用作临床初级筛查的指标,有潜在的推广性。