定義、輸出與診斷邊界
呼吸事件識別模型從睡眠期間的氣流、呼吸努力、血氧、腦電覺醒、鼾聲或替代感測訊號中定位呼吸異常候選,並可區分暫停、低通氣、呼吸努力相關覺醒、週期性呼吸或其他預先定義事件。輸出通常包括起止時間、類型、信心度、採用的證據通道和不可判定區間,再由事件序列計算每小時指數或形成待專業人員審閱的標註。
事件檢測、事件分型、嚴重度指數與疾病診斷是不同層級。一個模型可以較好估計整夜 AHI 或 REI,卻仍在單個事件邊界、低通氣、阻塞性與中樞性分類上出錯;相反,局部事件重疊度高也不保證睡眠時間或有效監測時間分母正確。診斷還需結合症狀、病史、記錄類型、技術品質和專業解釋。
本詞條包括 PSG 或居家睡眠監測中的自動及輔助呼吸事件識別,不等同於血氧下降檢測、單純鼾聲分析、睡眠分期、呼吸率計算或呼吸器內部控制演算法。輸入通道不足時,模型只能輸出其證據所支援的風險線索;例如沒有胸腹努力資訊,就不能預設完成與完整 PSG 相同的阻塞性、中樞性和混合性判別。
輸入通道與時間對齊
實驗室 PSG 通常同時呈現鼻口氣流、胸部與腹部努力、血氧、睡眠階段和覺醒,並可能包含體位、鼾聲、心電、影片或二氧化碳。不同感測器回答不同問題:氣流顯示通氣變化,努力通道幫助判斷驅動是否持續,血氧反映延遲的後果,腦電決定睡眠和覺醒背景。模型應聲明必需、可選和替代通道,而不能把任意組合視為等價。
多通道時間同步是事件歸因的基礎。血氧下降相對氣流變化可能延後,裝置平均時間與內部濾波會改變波形;PAP 流量、鼻壓、熱敏氣流和替代努力訊號也有各自動態範圍。匯入、重新取樣或跨裝置合併時必須保存原始時間基準、延遲補償、封包遺失和時鐘重新啟動資訊,避免把不相關的下降或覺醒綁定到同一事件。
品質門控要識別鼻導管移位、口呼吸、努力帶鬆脫或反轉、血氧探頭運動、低灌流、削頂、基線漂移、PAP 漏氣及感測器飽和。壞段應標明受影響通道和時長,並觸發降級、拒識或人工複核。用平滑、插值或另一通道填補可以服務於特定演算法,但必須與實測資料區分,不能製造看似完整的夜間證據。
事件邏輯與模型實作
規則系統可依據基線、振幅下降、持續時間、恢復、血氧變化和覺醒形成候選;機器學習模型則可從原始波形、時頻特徵或連續視窗學習事件機率。實用系統常把品質檢測、候選產生、邊界修正、類型分類和衝突消解分成多個模組。無論採用規則、樹模型還是深度網路,都應能追溯最終事件使用了哪些輸入和規則版本。
呼吸事件跨越連續時間,而不是互相獨立的固定視窗。模型需要處理相鄰事件、短暫恢復、重疊血氧下降、長事件、週期性模式和記錄起止邊界,並規定兩個候選何時合併或拆分。只在視窗層面預測「有事件」,再簡單相連,可能重複計數或遺失邊界;事件匹配評價也要預先規定允許的重疊和時間容差。
類型判定依賴跨通道關係。氣流顯著下降而努力繼續、努力同時消失或事件內模式改變,支援的事件類型不同;低通氣還可能依賴血氧或覺醒條件。模型不得在缺少關鍵證據時用人群先驗強制分型,應輸出未分類或低信心度。發現矛盾通道、感測器失效或規則衝突時,保留候選與證據比產生確定但無法複核的標籤更安全。
參考規則、標籤與資料治理
訓練和驗證必須標明評分手冊及版本、成人或兒童規則、診斷或滴定場景、低通氣判據、感測器定義和事件分母。不同規則可能使同一晚的事件數量、AHI、RDI 或 REI 改變;標籤不能脫離規則版本單獨重複使用。居家監測常以記錄或監測時間作分母,與 PSG 的睡眠時間分母不應混寫為同一個指數。
人工參考並非絕對一致,分歧常集中在低通氣、事件邊界和暫停類型。高品質資料應有評分者訓練、盲法獨立評分、校準集、仲裁或多名共識,並保存每次修改。若模型標籤來自臨床日常報告,還需區分技術人員初評、醫師終審和後續更正,避免把同一晚的不同版本當成獨立真值。
資料劃分要以受試者為單位,並檢查重複檢查、治療前後記錄、同一裝置匯出的副本和跨資料庫重疊。資料說明應涵蓋年齡、性別、體型、疾病嚴重度、中樞事件、心肺及神經肌肉疾病、補氧、PAP、藥物、體位、中心、裝置和訊號缺失。只選擇高風險病例會改變事件盛行率與陽性預測值,不能據此推斷一般篩檢人群表現。
效能驗證與臨床指標
事件級評價應報告敏感度、陽性預測值、F1、每小時誤報、漏報和類型混淆,並清楚說明事件匹配方法。負視窗數量巨大時,準確率或特異度可能看似很高而缺乏意義;僅報告相關係數也會掩蓋系統偏差。需要同時給出記錄級 AHI、RDI 或 REI 的平均差、一致性範圍、嚴重度分層混淆及閾值附近的錯分。
驗證集應獨立於訓練與調參,並包含外部中心、不同採集系統和目標工作流程。除整體結果外,還應分層檢查訊號品質、睡姿、睡眠階段、事件密集程度、疾病類型、年齡、性別、體型、膚色相關血氧效能、補氧和 PAP 等條件。兒童規則、成人規則、實驗室 PSG 與居家監測之間不能未經驗證互換。
臨床影響評價要觀察自動結果經人工複核後的最終準確性、審閱時間、刪除與補加事件比例,以及嚴重度分類和處置建議是否改變。閾值附近少量事件即可使患者跨越指數分層,因此應單獨審查邊界病例。模型接近單名評分者的平均表現,不等於達到多專家共識,也不證明可在無人監督下產生診斷報告。
人機複核、失效與運行監測
工作站應讓審閱者看到原始氣流、努力、血氧、睡眠階段、覺醒和足夠的前後背景,並能修改起止、類型或刪除候選。低信心度、通道衝突、長缺測、指數閾值附近和疑似中樞事件可優先進入複核佇列,但高信心度結果仍應可抽查。自動標註、人工修改、操作者、時間和最終簽署必須分別留痕。
常見失效包括用體動或咳嗽模擬氣流下降、將口呼吸誤判為暫停、把努力帶脫落誤作中樞事件、把血氧偽差綁定為低通氣,以及在密集事件中選錯基線。心律不整、慢性肺病、神經肌肉疾病、潮式呼吸、低灌流、補氧和 PAP 漏氣也會改變特徵。系統應顯示品質和適用性,而不是用單一風險分隱藏原因。
上線監測應追蹤各通道缺測率、拒識率、事件數量與類型分布、人工改動、AHI/REI 偏差、中心和裝置差異及亞組表現。模型、閾值、預處理、血氧延遲補償、感測器或評分規則更新後,應做影響分析、迴歸測試和受控發布。真實人群或轉診策略變化也會改變事件分布,需與軟體退化區分。
選型、合規與發展方向
選型時應核對預期用途、年齡和疾病範圍、必需通道、相容裝置、評分規則、事件類型、分母、不可判定策略、外部驗證、人工編輯、匯出、稽核和更新支援。供應商應提供版本指紋、測試方案、已知限制、訊號品質要求和可複驗樣例。一個整夜指數、單一 F1 或「自動診斷」宣傳不能代替事件級及臨床工作流程證據。
若模型用於診斷輔助、臨床報告、治療調整或閉迴路裝置,其監管屬性取決於具體功能、聲明、風險和所在地要求。原始睡眠訊號、血氧、診斷標籤和作息屬於敏感健康資訊,需要目的限制、最小化、加密、存取稽核、保留期限和刪除機制;聯網部署還需網路安全、版本回復與事件回應。開源或雲端形式不會自動消除這些責任。
發展方向包括多模態端到端事件定位、機率邊界、規則感知訓練、跨裝置領域適配、弱監督標註及面向人工複核的不確定性排序。這些方法可能提高效率和可遷移性,但仍必須保留規則版本、原始證據和獨立外部驗證。相關詞條包括呼吸暫停低通氣事件識別演算法、血氧下降事件識別演算法、腦電微覺醒識別演算法、睡眠呼吸暫停風險篩檢模型和非診斷鼾聲與呼吸風險識別演算法。