基于深度学习的心电图算法筛查阻塞性睡眠呼吸暂停：一项大规模临床研究

　　本研究针对阻塞性睡眠呼吸暂停（OSA）诊断率低、传统检测方法繁琐昂贵的问题，开发了一种基于12导联心电图（ECG）的深度学习筛查算法。研究结果显示，该AI-ECG模型在测试集中识别OSA的曲线下面积（AUC）达0.80，灵敏度77.0%，特异性68.6%，且在女性中表现更优（AUC=0.82）。该技术为OSA的早期筛查提供了便捷、低成本的解决方案，具有重要临床推广价值。

　　

在当今快节奏的社会中，一种被称为阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea, OSA）的睡眠障碍正悄然成为全球性的健康隐患。据统计，全球有近9.36亿成年人受其影响，其中美国成年男性的患病率高达34%，女性也达到17%。这种疾病不仅导致夜间反复的呼吸中断和睡眠碎片化，更严重的是，它与多种慢性疾病密切相关，特别是心血管疾病和过早死亡风险显著增加。然而，尽管其危害巨大，OSA的诊断却面临巨大挑战——传统的多导睡眠监测（Polysomnography, PSG）虽是目前诊断的“金标准”，但过程繁琐、成本高昂且可及性有限；而各种筛查问卷虽简便，但准确性参差不齐，且往往依赖主观症状报告和额外的体格测量，难以大规模推广应用。

正是在这样的背景下，一项发表在《JACC: Advances》上的研究带来了突破性的解决方案。来自梅奥诊所心血管医学系的研究团队，包括Naima Covassin、Kan Liu等学者，探索了一种全新的筛查思路：利用临床中最常见、最基础的心电图（ECG）检查，结合深度学习技术，来识别OSA的“蛛丝马迹”。他们的研究假设是，即使是在清醒状态下记录的心电信号，也可能包含OSA所引起的心脏电活动改变，而人工智能（AI）能够捕捉这些细微的特征。

为了验证这一设想，研究团队开展了一项大规模回顾性研究。他们纳入了11299名在梅奥诊所完成睡眠评估并接受了12导联ECG检查的患者。OSA的定义采用国际通用的标准，即呼吸暂停低通气指数（Apnea-Hypopnea Index, AHI）≥5次/小时。其中，OSA患者有7170例，对照组4129例，中位年龄58岁，男性占53.7%。研究构建了一个深度的卷积神经网络（Convolutional Neural Network）模型，专门用于从ECG信号中检测OSA（称为AI-ECG模型）。该模型以500Hz采样率的10秒12导联ECG中位数心跳作为输入，包含6个卷积层，每个层后接批量归一化层和最大池化层，最后通过全连接层和Softmax激活函数输出OSA的概率。模型训练采用80%的数据作为训练集，10%作为内部验证集，10%作为测试集，严格避免了患者数据的重叠。

研究结果显示，AI-ECG模型在测试集中表现出良好的诊断性能。总体来看，模型识别OSA的曲线下面积（Area Under the Curve, AUC）达到0.80（95% CI: 0.77-0.83），准确率、灵敏度和特异性分别为73.7%、77.0%和68.6%。阳性预测值（PPV）和阴性预测值（NPV）分别为79.1%和68.5%。尤其值得注意的是，模型在女性和男性中表现出显著差异：女性中的AUC高达0.82（95% CI: 0.79-0.86），明显优于男性的0.73（95% CI: 0.68-0.78）。这表明，该算法对女性OSA的筛查能力更强，而传统问卷在女性中通常表现较差。

进一步的敏感性分析显示，模型的预测能力在不同时间间隔内保持稳健。即使使用睡眠评估前1年、3年甚至5年内记录的ECG，AUC仅出现轻微下降（1年：0.77；3年：0.74；5年：0.74）。此外，即使纳入那些心电图显示异常（如心肌梗死、心房颤动等）的记录，模型的判别能力依然保持（AUC=0.76），说明其鲁棒性较强。研究还尝试了使用节律ECG（而非中位数心跳）和3导联ECG（I、II和V₅）配置，结果虽然略低于中位数心跳模型，但仍显示出一定的预测价值（AUC分别为0.76和0.75），为未来在更广泛场景（如便携设备）中的应用提供了可能。

从讨论部分可以看出，这项研究的价值不仅在于其技术实现，更在于其临床应用的潜力。首先，与传统筛查工具相比，AI-ECG模型避免了主观报告误差和额外测量负担，完全自动化且易于整合到现有医疗系统中。其次，它在女性中的优异表现弥补了现有筛查工具的不足，可能源于OSA在女性中的症状不典型（如疲劳、失眠等），而ECG捕捉到的生理特征更客观。此外，模型对合并心脏病的患者同样有效，这对于OSA高发的心血管人群尤其重要。研究的局限性主要在于其回顾性设计和单一机构样本，未来需要在初级保健机构和更多样化人群中进一步验证。

总之，这项研究成功开发了一种基于深度学习和标准12导联ECG的OSA筛查工具，其诊断性能与传统问卷相当甚至更优，特别是在女性中表现突出。该工具有望实现低成本、非侵入性的OSA大规模筛查，优化早期诊断和治疗，对公共健康具有深远意义。随着人工智能在医疗领域的不断深入，这样的技术将为更多“隐藏”的疾病提供全新的解决方案。