定义、输出与诊断边界
呼吸事件识别模型从睡眠期间的气流、呼吸努力、血氧、脑电觉醒、鼾声或替代传感信号中定位呼吸异常候选,并可区分暂停、低通气、呼吸努力相关觉醒、周期性呼吸或其他预先定义事件。输出通常包括起止时间、类型、置信度、采用的证据通道和不可判定区间,再由事件序列计算每小时指数或形成待专业人员审阅的标注。
事件检测、事件分型、严重度指数与疾病诊断是不同层级。一个模型可以较好估计整夜 AHI 或 REI,却仍在单个事件边界、低通气、阻塞性与中枢性分类上出错;相反,局部事件重叠度高也不保证睡眠时间或有效监测时间分母正确。诊断还需结合症状、病史、记录类型、技术质量和专业解释。
本词条包括 PSG 或家庭睡眠监测中的自动及辅助呼吸事件识别,不等同于血氧下降检测、单纯鼾声分析、睡眠分期、呼吸率计算或呼吸机内部控制算法。输入通道不足时,模型只能输出其证据所支持的风险线索;例如没有胸腹努力信息,就不能默认完成与完整 PSG 相同的阻塞性、中枢性和混合性判别。
输入通道与时间对齐
实验室 PSG 通常同时呈现鼻口气流、胸部与腹部努力、血氧、睡眠阶段和觉醒,并可能包含体位、鼾声、心电、视频或二氧化碳。不同传感器回答不同问题:气流显示通气变化,努力通道帮助判断驱动是否持续,血氧反映延迟的后果,脑电决定睡眠和觉醒背景。模型应声明必需、可选和替代通道,而不能把任意组合视为等价。
多通道时间同步是事件归因的基础。血氧下降相对气流变化可能延后,设备平均时间与内部滤波会改变波形;PAP 流量、鼻压、热敏气流和替代努力信号也有各自动态范围。导入、重采样或跨设备合并时必须保存原始时间基准、延迟补偿、包缺失和时钟重启信息,避免把不相关的下降或觉醒绑定到同一事件。
质量门控要识别鼻导管移位、口呼吸、努力带松脱或反转、血氧探头运动、低灌注、削顶、基线漂移、PAP 漏气及传感器饱和。坏段应标明受影响通道和时长,并触发降级、拒识或人工复核。用平滑、插值或另一通道填补可以服务于特定算法,但必须与实测数据区分,不能制造看似完整的夜间证据。
事件逻辑与模型实现
规则系统可依据基线、幅度下降、持续时间、恢复、血氧变化和觉醒形成候选;机器学习模型则可从原始波形、时频特征或连续窗口学习事件概率。实用系统常把质量检测、候选生成、边界修正、类型分类和冲突消解分成多个模块。无论采用规则、树模型还是深度网络,都应能追溯最终事件使用了哪些输入和规则版本。
呼吸事件跨越连续时间,而不是互相独立的固定窗口。模型需要处理相邻事件、短暂恢复、重叠血氧下降、长事件、周期性模式和记录起止边界,并规定两个候选何时合并或拆分。只在时窗层面预测“有事件”,再简单相连,可能重复计数或丢失边界;事件匹配评价也要预先规定允许的重叠和时间容差。
类型判定依赖跨通道关系。气流显著下降而努力继续、努力同时消失或事件内模式改变,支持的事件类型不同;低通气还可能依赖血氧或觉醒条件。模型不得在缺少关键证据时用人群先验强制分型,应输出未分类或低置信度。发现矛盾通道、传感器失效或规则冲突时,保留候选与证据比生成确定但无法复核的标签更安全。
参考规则、标签与数据治理
训练和验证必须标明评分手册及版本、成人或儿童规则、诊断或滴定场景、低通气判据、传感器定义和事件分母。不同规则可能使同一晚的事件数量、AHI、RDI 或 REI 改变;标签不能脱离规则版本单独复用。家庭监测常以记录或监测时间作分母,与 PSG 的睡眠时间分母不应混写为同一个指数。
人工参考并非绝对一致,分歧常集中在低通气、事件边界和暂停类型。高质量资料应有评分者培训、盲法独立评分、校准集、仲裁或多名共识,并保存每次修改。若模型标签来自临床日常报告,还需区分技术人员初评、医师终审和后续更正,避免把同一夜的不同版本当成独立真值。
数据划分要以受试者为单位,并检查重复检查、治疗前后记录、同一设备导出的副本和跨数据库重叠。资料说明应覆盖年龄、性别、体型、疾病严重度、中枢事件、心肺及神经肌肉疾病、补氧、PAP、药物、体位、中心、设备和信号缺失。只选择高风险病例会改变事件患病率与阳性预测值,不能据此推断普通筛查人群表现。
性能验证与临床指标
事件级评价应报告灵敏度、阳性预测值、F1、每小时误报、漏报和类型混淆,并清楚说明事件匹配方法。负时窗数量巨大时,准确率或特异度可能看似很高而缺乏意义;仅报告相关系数也会掩盖系统偏差。需要同时给出记录级 AHI、RDI 或 REI 的平均差、一致性范围、严重度分层混淆及阈值附近的错分。
验证集应独立于训练与调参,并包含外部中心、不同采集系统和目标工作流。除整体结果外,还应分层检查信号质量、睡姿、睡眠阶段、事件密集程度、疾病类型、年龄、性别、体型、肤色相关血氧性能、补氧和 PAP 等条件。儿童规则、成人规则、实验室 PSG 与家庭监测之间不能未经验证互换。
临床影响评价要观察自动结果经人工复核后的最终准确性、审阅时间、删除与补加事件比例,以及严重度分类和处置建议是否改变。阈值附近少量事件即可使患者跨越指数分层,因此应单独审查边界病例。模型接近单名评分者的平均表现,不等于达到多专家共识,也不证明可在无人监督下生成诊断报告。
人机复核、失效与运行监测
工作站应让审阅者看到原始气流、努力、血氧、睡眠阶段、觉醒和足够的前后背景,并能修改起止、类型或删除候选。低置信度、通道冲突、长缺测、指数阈值附近和疑似中枢事件可优先进入复核队列,但高置信度结果仍应可抽查。自动标注、人工修改、操作者、时间和最终签署必须分别留痕。
常见失效包括用体动或咳嗽模拟气流下降、将口呼吸误判为暂停、把努力带脱落误作中枢事件、把血氧伪差绑定为低通气,以及在密集事件中选错基线。心律失常、慢性肺病、神经肌肉疾病、潮式呼吸、低灌注、补氧和 PAP 漏气也会改变特征。系统应显示质量和适用性,而不是用单一风险分隐藏原因。
上线监测应跟踪各通道缺测率、拒识率、事件数量与类型分布、人工改动、AHI/REI 偏差、中心和设备差异及亚组表现。模型、阈值、预处理、血氧延迟补偿、传感器或评分规则更新后,应做影响分析、回归测试和受控发布。真实人群或转诊策略变化也会改变事件分布,需与软件退化区分。
选型、合规与发展方向
选型时应核对预期用途、年龄和疾病范围、必需通道、兼容设备、评分规则、事件类型、分母、不可判定策略、外部验证、人工编辑、导出、审计和更新支持。供应商应提供版本指纹、测试方案、已知限制、信号质量要求和可复验样例。一个整夜指数、单一 F1 或“自动诊断”宣传不能替代事件级及临床工作流证据。
若模型用于诊断辅助、临床报告、治疗调整或闭环设备,其监管属性取决于具体功能、声明、风险和所在地要求。原始睡眠信号、血氧、诊断标签和作息属于敏感健康信息,需要目的限制、最小化、加密、访问审计、保留期限和删除机制;联网部署还需网络安全、版本回滚与事件响应。开源或云端形式不会自动消除这些责任。
发展方向包括多模态端到端事件定位、概率边界、规则感知训练、跨设备域适配、弱监督标注及面向人工复核的不确定性排序。这些方法可能提高效率和可迁移性,但仍必须保留规则版本、原始证据和独立外部验证。相关词条包括呼吸暂停低通气事件识别算法、血氧下降事件识别算法、脑电微觉醒识别算法、睡眠呼吸暂停风险筛查模型和非诊断打鼾与呼吸风险识别算法。