World Sleep Industry ENCYCLOPEDIA

呼吸暂停低通气事件识别算法

4.4.1

定义、输出与用途边界

呼吸暂停低通气事件识别算法从整夜睡眠记录中定位气流明显减少或中断的区间,并依据气流、呼吸努力、血氧和觉醒等证据给出候选事件类型、起止时间与置信度。它既可以是严格复现计分规则的信号处理流程,也可以使用统计模型或神经网络生成候选,最终输出事件列表及由合格时长归一化得到的指数。

算法的任务不只是判断某一帧是否“呼吸变小”。呼吸暂停与低通气的判定涉及相对基线、持续时间、传感器类型、事件优先级,以及低通气所需的血氧下降或觉醒证据;阻塞性、中枢性和混合性暂停还依赖事件期间的努力模式。不同规则版本、成人与儿童、诊断与治疗滴定场景不能共用一个未声明的标签口径。

自动事件列表是技术输出,不等于完整诊断。AHI、REI 或其他指数的含义取决于分子中的事件定义以及分母采用总睡眠时间还是有效记录时间;同一个人的数值会因记录类型、睡眠时间估计、信号缺失和规则选择而变化。诊断、严重程度判断和治疗决策仍需结合症状、病史、检查类型、原始信号质量及专业解释。

传感器层级与多通道证据

实验室 PSG 通常同时提供推荐气流传感器、胸腹呼吸努力、脉搏血氧及脑电觉醒信息。热敏气流、鼻压、治疗设备流量和替代传感器对完全中断与部分降低的响应不同,不能简单互换;系统应按检查场景声明首选、可接受与备用通道,并在切换时留下原因和质量标记。

努力通道帮助区分气流消失时仍有呼吸驱动的阻塞性暂停、努力同时消失的中枢性暂停,以及事件内模式发生转换的混合性暂停。单条胸带、单条腹带或间接运动信号可能因体位、松动、反常运动和心源性伪迹产生歧义。分类器应允许“未定型”或送人工复核,而不是在努力证据不足时强制细分。

低通气的后果证据具有时间延迟:血氧谷值常晚于气流下降,觉醒也可能位于事件末端。算法需要在生理合理且预先规定的窗口内建立关联,同时识别血氧探头脱落、灌注不足、运动伪迹、平顶和基线漂移。没有脑电的家庭检查通常无法直接观察皮层觉醒,因此不能暗中把缺失证据当成阴性,也不应把适用于 PSG 的输出名称原样套用。

基线、边界与规则顺序

相对幅度变化必须先有可解释的呼吸基线。稳定呼吸时可从事件前局部窗口估计基线;连续事件、周期性呼吸、漏气、口呼吸或治疗压力变化时,最近窗口可能本身异常。稳健算法会保存基线来源、有效样本比例和置信度,并在无法形成可靠基线时标记不可判定,而不是用全夜固定幅度掩盖个体内变化。

事件候选通常经历信号质量门控、基线估计、幅度降低检测、持续时间检查、相邻片段合并或拆分、后果关联和类型判定。规则顺序会改变结果:同时满足暂停与低通气条件的区间通常不能重复计数,短暂恢复是否切开两个事件也会改变指数。实现应把优先级、最短间隙、重叠消解、边界容差和跨睡眠—清醒边界的处理显式版本化。

固定阈值方案易审计,学习模型则可利用波形形态、跨通道时序和更长上下文,但两者都必须产生可复核的事件。逐帧概率需要经过事件化处理,避免在阈值附近反复开关;端到端模型也应保留用于重建结论的输入片段、质量状态和模型版本。置信度不能替代规则符合性,尤其不能用高模型分数补齐缺失的生理通道。

标签体系与资料治理

参考标签应绑定明确的计分手册版本、实验室政策、受试者年龄规则、检查类型和使用的传感器。标注记录不仅要有类别,还应保留起止、睡眠阶段、后果证据、排除原因和不确定性。若不同中心对低通气后果、混合事件或连续事件边界采用不同惯例,应分别编码或统一重标,不能把冲突标签直接拼接成所谓金标准。

人工计分本身存在事件边界、暂停与低通气互换及暂停亚型判定的差异。资料集宜采用培训合格的多名计分者、盲法复核和预定仲裁,并保存原始分歧。对模型而言,软标签或不确定区间有时比强迫单一答案更诚实;性能上限也应结合人工一致性解释,而不是把某位计分者的全部选择视为无误真值。

训练、调参与测试必须按受试者和记录夜隔离,并控制同一中心、设备和标注者造成的泄漏。资料应覆盖年龄、性别、体型、疾病谱、体位、睡眠阶段、氧疗或正压治疗、常见共病及不同事件负荷,同时报告排除和信号失败。只在整洁、富集重症或单一设备资料上训练的模型,不能据此宣称适用于普通筛查人群或儿童。

事件级与指数级验证

事件级评价要先固定匹配规则,再报告各类型灵敏度、阳性预测值、F1、每小时误报以及起止偏差。仅比较自动与人工 AHI 的相关性会掩盖错位事件、类型互换和相互抵消的漏报与误报;按固定时间片计算总体准确率又会被大量无事件片段抬高。混淆矩阵应包含未定型和信号无效状态。

记录级评价应比较 AHI、REI、各亚型指数和有效时长的偏差与一致性,并给出阈值附近的分类变化。相关系数不能说明两种方法可以互换,平均偏差也可能隐藏随严重程度增大的误差。验证应预先说明睡眠时间或记录时间分母、自动分期的参与方式,以及因无效信号而从分子和分母中删减的规则。

独立外部验证应覆盖不同中心、传感器、采样链路、检查流程和真实患病率,并按关键亚组报告性能与置信区间。压力测试应包括口呼吸、导管移位、努力带反转、血氧延迟或掉线、清醒屏息、叹息、咳嗽、体动、周期性呼吸及密集相连事件。还需报告可分析记录比例,因为只评价算法成功处理的夜晚会高估临床可用性。

部署、人机复核与失效控制

临床工作流中,自动结果宜作为带置信度和质量提示的预标注,让计分人员能查看同步波形、移动边界、改类、删除或新增事件。界面应突出低质量时段、传感器替换和规则冲突,并记录人工修改及理由。验证对象应是算法与使用者组成的整体流程,同时测量复核时间、残余错误和不同经验人员之间的差异。

系统应以“无法可靠分析”为合法输出。长时间气流丢失、努力通道失效、血氧不可用、时间同步漂移或支持范围之外的设备,都可能使分类或指数失去依据;此时需要降级到声明过的较窄输出、请求重测或人工判读。静默插值、把缺测算作正常呼吸或继续显示精确指数,会制造危险的确定感。

上线后要按设备、软件版本、中心和人群监测数据质量、人工改动率、事件分布、指数偏差代理量及失败率。传感器固件、滤波、采样、正压设备接口、模型权重、阈值、睡眠时间算法或计分规则更新都可能改变结果,应经过变更评估、回归测试和可追溯发布。监测发现漂移时要能停止自动发布、回退版本并复核受影响记录。

选型、报告与发展方向

选型首先要把预期用途写清:是 PSG 预标注、家庭检查自动计分、有限通道筛查,还是科研表型。随后核对支持的年龄、传感器、规则版本、事件类型、缺失通道降级、外部验证和人工复核要求。不能以单一 AHI 相关性、受控数据成绩或厂商总体“准确率”替代与真实使用场景匹配的证据。

报告至少应列明检查类型、可分析时长、分母、使用的事件规则、自动与人工参与程度、信号质量限制以及未定型事件的处理。面向患者的说明要区分候选事件、最终计分和医学解释,并提醒阴性家庭结果或质量不足结果可能需要进一步检查。若系统具有疾病诊断或治疗影响,其声明、风险管理和监管路径应与预期用途一致。

未来方向包括规则约束学习、多模态时序模型、不确定性量化、跨设备校准和更高效的人机协作。更有价值的进步不只是把单一指数拟合得更接近人工,而是可靠呈现事件形态、体位与阶段依赖、后果强度和证据缺口。任何自适应或持续学习都应限定修改范围、预先规定验证方法,并在真实部署中保持版本、性能和回退能力可审计。