基于鼾声分析技术的手机软件在成人阻塞性睡眠呼吸暂停筛查中的应用价值研究

陈媛媛, 彭茂桓, 董霄松, 赵 瑞, 孙铭泽, 顾家慧, 张雪丽,赵 龙, 周 兵, 伍斓博, 王韦涵, 韩 芳

阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)是一组因上气道完全或部分塌陷导致睡眠过程中反复出现呼吸暂停或者低通气,并引起慢性间歇性低氧和睡眠片段化等一系列病理生理改变的临床综合征,是最常见的睡眠呼吸障碍[1]。未经治疗的OSA患者发生心血管疾病[2]、代谢性疾病[3]和认知障碍[4]的风险显著增加,甚至与癌症[5]有一定的相关性。此外,OSA导致的日间嗜睡和疲劳对患者的家庭、工作也会造成不良影响,并增加交通事故的发生风险[6]。有研究显示,我国OSA患者数量已达1.76亿人[1]。由于大多数OSA患者未得到及时诊断,这将严重危害公众健康,并造成巨大的社会经济负担[7]。公众对该病认识不足导致未及时就医是重要的原因之一,因此迫切需要家庭化技术对OSA进行监测及初步筛查。随着科技的发展,数字医疗在医学领域中的应用也越来越广泛[8]。美国睡眠医学会(American Academy of Sleep Medicine,AASM)于2015年首次提出应用远程医疗对睡眠障碍进行诊断和治疗的建议[9]。在新型冠状病毒感染疫情出现后,远程医疗模式在睡眠医学领域中得到了快速发展[10]。大部分OSA患者有打鼾的症状,其鼾声中包含大量的信息,通过收集和提取分析鼾声的特征,可以估算患者的呼吸暂停低通气指数(apnea hypopnea index,AHI),用于OSA患者的筛查。2021年发布的《成人阻塞性睡眠呼吸暂停低通气综合征远程医疗临床实践专家共识》[11]中提出了互联网传输、5G通信技术是具有卫生经济学价值的远程睡眠呼吸暂停管理模式发展的核心,并且肯定了在智能手机上添加内置低成本血氧探头或鼾声采集器的应用前景。基于鼾声分析的智能手机监测软件是一种相对简单、舒适、患者可及的筛查工具,对于提高患者对疾病的重视、及时就医有重要意义。但这类电子产品的信号采集以及呼吸事件判读的准确度需要进一步临床验证[12]。本研究旨在探讨一款基于鼾声分析技术的智能手机软件Sleepok在成人OSA诊断中的应用价值,并与常用的OSA筛查量表(No-Apnea、GOAL、NoSAS、STOP、STOP-Bang、CNCQ-OSA、ESS)进行比较。

1 对象与方法

1.1研究对象 纳入2022年7月至2023年4月因打鼾就诊于北京大学人民医院呼吸睡眠医学科进行多导睡眠监测(polysomnography,PSG)的成人受试者173例,在行PSG时同步使用智能手机软件Sleepok监测鼾声。纳入标准：(1)以夜间打鼾、呼吸暂停等睡眠障碍为主诉;(2)年龄>18岁。排除标准：(1)精神心理疾病,不能配合检查者;(2)因睡眠呼吸暂停正在接受无创正压通气者;(3)患有其他睡眠呼吸疾病或睡眠疾病,包括中枢性睡眠呼吸暂停、睡眠相关低通气、发作性睡病、异态睡眠等;(4)临床情况不稳定,如1个月内曾有急性心肌梗死、急性心力衰竭、支气管哮喘急性发作、慢性阻塞性肺疾病急性加重等;(5)同屋有陪护者。本研究获北京大学人民医院伦理委员会批准(批号：2022PHB359-001),并取得患者知情同意。

1.2研究方法

1.2.1 一般资料收集 收集每位受试者的年龄、性别、身高、体重等资料。

1.2.2 监测方法 (1)PSG及结果判读。受试者于北京大学人民医院呼吸睡眠医学科进行整夜PSG。根据AASM推荐,记录信号包括脑电图(F3M2、F4M1、C3M2、C4M1、O1M2、O2M1)、双侧眼电图(electro-oculogram,EOG)、下颌肌电图(electromyogram,EMG)、心电图(electrocardiogram,ECG)、下肢肌电图、口鼻热敏信号、鼻压力气流、胸腹运动、血氧饱和度(oxygen saturation,SpO2)、鼾声、体位、心率。PSG结果由专业睡眠技师根据AASM 2020年制定的《睡眠及相关事件判读手册2.6》进行人工判读：呼吸暂停定义为口鼻气流消失,或较基线下降≥90%,持续时间≥10 s;低通气定义为鼻气流水平较基线下降≥30%,且伴SpO2降低≥3%或伴觉醒,持续时间≥10 s。计算患者AHI,记为PSG_AHI,并对患者进行诊断及严重程度分级：AHI≥5次/h诊断为OSA,其中5次/h≤AHI<15次/h为轻度,15次/h≤AHI<30次/h为中度,AHI≥30次/h为重度。(2)睡好了么智能手机软件[道博医疗科技(苏州)有限公司]的应用。睡好了么(Sleepok)是一款基于智能手机的睡眠呼吸监测软件,通过终端APP收录受试者睡眠过程中发出的鼾声音频数据,通过软件中的智能算法对录制的音频数据进行分析。通过短时能量,动态基线算法对鼾声信号里的非鼾声(睡眠打鼾过程中的呼吸暂停状态,即呼吸暂停相关事件)和鼾声(睡眠打鼾过程中呼吸时发出呼噜声,即低通气相关事件)进行呼吸暂停和低通气事件识别和分析。该APP对呼吸事件判断的原理见图1。最后,通过呼吸暂停低通气计算规则进行综合计算,得出AHI,记为Sleepok_AHI。Sleepok_AHI=有效时间段内的呼吸事件数/有效时间。有效时间是指根据音频质量统计数据把包含异常声音的时间段进行剔除后的时间。常用OSA筛查量表包括No-Apnea、GOAL、NoSAS、STOP、STOP-Bang、CNCQ-OSA及ESS等7种量表。

图1 Sleepok呼吸事件判断原理示意图

1.2.3 试验流程 受试者于监测当晚在研究者指导下完成纸质问卷的填写(包括基本信息及以上7种量表),在开始PSG时同步开始Sleepok鼾声监测,手机放置在距离头部30～50 cm处。次日结束PSG监测时同步结束Sleepok鼾声监测,采集软件自动分析AHI等数据。

2 结果

2.1受试者特征资料 173例受试者均完成同步PSG和鼾声监测,数据采集正常。其中男性119例(68.79%),女性54例(31.21%)。年龄为(45.6±14.3)岁,体质量指数(body mass index,BMI)为(26.6±4.6)kg/m2,AHI为(27.2±25.3)次/h。其中AHI<5次/h的单纯鼾症33例(19.08%),轻度OSA 44例(25.43%),中度OSA 35例(20.23%),重度OSA 61例(35.26%)。在PSG期间,参与者睡眠时间为(6.7±1.0)h,睡眠效率为(85.5±10.7)%。

2.2Sleepok与PSG测得指标水平比较 两种方法测得TRT、TRT/TST比较差异有统计学意义(P<0.05),测得AHI比较差异无统计学意义(P>0.05),见表1。

表1 Sleepok与PSG测得指标水平比较[n=173,M(P25,P75)]

2.3Sleepok_AHI和PSG_AHI的相关性和一致性分析结果 Pearson相关分析结果显示,Sleepok_AHI与PSG_AHI具有较好的相关性(r=0.80,P<0.001)。Bland-Altman一致性检验结果显示,Sleepok_AHI与PSG_AHI有较高的一致性(P=0.118),两者之间的平均差异仅为-1.82次/h(95%CI：-31.77～28.13次/h),见图2。

图2 Sleepok_AHI与PSG_AHI的散点图和Bland-Altman分析结果图

2.4Sleepok_AHI对OSA诊断效能分析结果 ROC曲线分析结果显示,Sleepok_AHI对OSA、中重度OSA和重度OSA均有较好的诊断价值,其最佳截断值分别为16.6次/h、18.9次/h和28.0次/h,见图3、表2。

表2 Sleepok_AHI对不同严重程度OSA的诊断效能

ⓐ为Sleepok_AHI诊断OSA的ROC曲线图;ⓑ为Sleepok_AHI诊断中重度OSA的ROC曲线图;ⓒ为Sleepok_AHI诊断重度OSA的ROC曲线图

2.5Sleepok_AHI与常用OSA筛查问卷诊断OSA的效能对比 单纯鼾症组与OSA组6种量表(No-Apnea、GOAL、NoSAS、STOP、STOP-Bang、CNCQ-OSA)的评分值以及Sleepok_AHI水平比较差异均有统计学意义(P<0.05),见表3。ROC曲线分析结果显示,6种量表(No-Apnea、GOAL、NoSAS、STOP、STOP-Bang、CNCQ-OSA)均有诊断OSA的应用价值(P<0.05)。Z检验显示,Sleepok_AHI的AUC比ESS大,差异有统计学意义(P=0.009),与其余6种OSA筛查量表的AUC比较差异不显著(P>0.05),见图4、表4。

表4 Sleepok_AHI与7种筛查量表OSA的诊断效能

图4 8种筛查工具诊断OSA的ROC曲线图

3 讨论

3.1本研究的结果表明,Sleepok_AHI与PSG_AHI之间的平均差异仅为-1.82次/h,且两者之间相关性较好(r=0.80,P<0.001),两者比较无显著差异(P=0.097)。Bland-Altman一致性检验结果显示,Sleepok_AHI与PSG_AHI一致性好。Sleepok_AHI诊断OSA的灵敏度为72.14%,特异度为75.76%。Z检验结果显示,Sleepok_AHI的AUC比ESS大,差异有统计学意义(P=0.009),与其余6种OSA筛查量表的AUC比较差异不显著。表明Sleepok在筛查OSA高危者中有较好的应用价值。

3.2目前临床上使用的经典便携式监测设备灵敏度在80%～100%,特异度在60%～90%[13-16],其中Nox-T3[16]表现较好,灵敏度为97%～100%,特异度为75%～94%。Sleepok筛查OSA的灵敏度能达到与这些常规的便携式监测设备相似的水平,作为一款无需医生处方的智能手机软件,其应用场景更多是面向尚未就医、对OSA认识不足人群的自我筛查,高灵敏度能提高患者的重视,促使其主动就医。但由于该软件特异度较低,应在使用者界面提示患者其与PSG_AHI不能等同,以免造成患者过度焦虑。一些应用程序仅仅检测患者打鼾情况[17-18],未对患者呼吸暂停的损害作出分析和评估,这对于部分独居患者来说可能有一定意义。临床上,无共患疾病的中重度OSA患者也应予以治疗,避免缺氧带来的心血管影响以及对全身各个系统的影响。本研究结果表明,以Sleepok_AHI 18.9次/h作为诊断中重度OSA患者的最佳截断值时,灵敏度(83.33%)和特异度(74.03%)均比较理想,这对于辅助临床医师早期识别中重度患者以及进一步诊疗有重要意义。与同类产品Sara相比[10],Sleepok诊断中重度OSA的灵敏度和特异度略低,但这种差异可能是由研究设计或研究人群不同带来的差异,同时Sara除了鼾声分析技术,还纳入了量表评估的部分。这也提示结合客观的鼾声分析技术和主观的量表评估或许能取得更好的效果。

3.3打鼾是OSA最常见症状,当上气道发生完全阻塞或部分阻塞时,气流在狭窄的上呼吸道流动过程中冲击软组织发生轻微震荡而产生了鼾声。有研究表明,鼾声的振动模式可以识别呼吸暂停事件,并与阻塞的程度和部位相关[19-20]。但仅应用鼾声评估患者的OSA严重程度比较片面。在标准PSG中,呼吸暂停或低通气需要通过气流信号、血氧、脑电觉醒、胸腹呼吸运动等多个生理参数来共同判定,特别是血氧的降低对提示OSA严重程度和预后具有非常重要的意义。另外,与其他便携式监测设备相同,在不能评估睡眠状态的情况下,此类软件只能用TRT代替TST计算AHI,而TRT通常大于TST,因而会低估患者的AHI及严重程度。但鼾声分析软件具有使用成本低、操作便捷的特点,可进行自我筛查。基于其特点,Sleepok或同类基于鼾声监测睡眠呼吸事件的软件,目前主要应用于以下两类场景：一是为普通人群提供自我筛查机会,提高重视,促进及时就医;二是在睡眠医学诊疗资源相对紧张的地区,为临床医师提供参考[21],辅助医师及早发现中重度OSA,合理利用医疗资源,安排进一步诊疗。

3.4本研究是对怀疑有OSA的患者进行的一项队列研究,存在一定的局限性：(1)研究人群仅从一家睡眠中心招募,因此该软件在社区人群中的临床应用需要进一步评估。(2)本研究在睡眠中心进行,环境条件、设备放置等由研究人员控制,未评估其用于家庭监测时的可靠性。(3)本研究纳入的研究人群为就诊于睡眠中心的OSA高危人群,人群选择上有一定偏倚,对于在普通人群中的应用需要进一步研究。

基于鼾声分析技术的智能手机软件Sleepok能有效识别睡眠中的呼吸事件,对于OSA高风险患者有较好的灵敏度和特异度,同时具有操作简单、成本低、容易普及等特点,可以作为大规模人群的OSA筛查工具。