動態血壓特征能夠有效篩查阻塞性睡眠呼吸暫停低通氣綜合征（OSAHS）

睡眠呼吸暫停會導致患者心跳呼吸驟停、睡眠節律紊亂、夜間低血氧和血壓異常波動，最終導致高血壓患者夜間靶器官損害。阻塞性睡眠呼吸暫停低通氣綜合征（OSAHS）發病率極高，嚴重影響了患者的身心健康。

《生物醫學工程學雜志》發布相關研究，嘗試從24小時動態血壓數據中提取與 OSAHS相關的特征，通過機器學習模型識別OSAHS，從而實現該疾病的鑒別診斷。

阻塞性睡眠呼吸暫停低通氣綜合征（ OSAHS） 是指患者在睡眠過程中反復出現呼吸暫停和低通氣，臨床上可表現為打鼾且鼾聲不規律，患者自覺憋氣甚至反復被憋醒，常伴有夜尿增多、晨起頭痛頭暈和口咽干燥等一系列癥候群。臨床上OSAHS診斷的金標準是整夜多導睡眠監測（PSG），盡管PSG監測已在很多三甲醫院應用，但因其監測的整夜封閉性和診斷的專業復雜性，相當一部分基層醫療機構并不具備監診條件，而 24 h 動態血壓監測（ABPM）在一般醫院則更為普及。

正常人24h內血壓呈“兩峰一谷”的節律性波動，即于凌晨3~4時降至最低點后逐漸上升，分別于日間上午 8~10時和下午16~18時出現峰值，而后繼續緩慢降低直至次日凌晨。血壓的監測數據表明晝夜節律的改變與OSAHS 的發生密切相關，異常夜間血壓模式的量化參數可能是人群中篩查 OSAHS 的有效指標 ，這提示了 OSAHS 的預測或許可從監測動態血壓中獲益。現已明確高血壓合并OSAHS的患者中非杓型血壓所占比例較高，且夜間血壓異常是OSAHS患者的特征性表現之一，一項系統評價表明OSAHS的患病率高達 3.93%，而OSAHS可使血壓非杓型改變的可能性至少提升1.5倍，這大大增加了患者靶器官損害的風險。綜上，研發出一項基于24小時動態血壓從而便于基層醫院推廣和應用的、可媲美PSG監測效能的OSAHS早期篩查手段迫在眉睫。

研究者表示，近年來， 一些研究也使用動態血壓特征進行 OSAHS 的 篩查識別，Torres 等使用 ABPM 數據獲得的分類模型為 OSAHS 的早期篩查提供了一定的手段。由于動態血壓時間序列沒有明顯的趨勢和短暫的季節性，目前尚沒有較為統一和成熟的定量分析動態血壓數據的方法，我們發現以往的方法多考慮曲線擬合的規律性，通過擬合趨勢的方法尋找其中隱含的信息，并不能很好地反映OSAHS導致的血壓變化特點。我們認為在動態血壓特征提取方面充分考慮OSAHS的臨床特點，針對性地提取相應的表征變化模式的參數可能有助于 OSAHS 準確篩查。本研究首先由睡眠醫學專家針對 OSAHS 的血壓變化模式制定特征提取的規則；再由工程技術人員設計開發算法提取那些真實反映疾病變化的特征，使用統計分析和機器學習模型分析數據，最后在真實世界數據集上驗證模型性能。

結果

如表 2 所示，現有動態血壓報告特征方面，相比非 OSAHS 組，OSAHS 組的日間平均舒張壓、夜間平均收縮壓和夜間最小收縮壓顯著增加，且24 小時收縮壓負荷更大，夜間收縮壓下降率更小，提示OSAHS 患者的夜間血壓不下降且收縮壓表現更明顯，OSAHS 導致的不利影響可能是白天舒張壓增高的重要原因。本文提出的特征方面，OSAHS組的二次血壓上升斜率更大，其收縮壓晨峰較非OSAHS 組更晚且時間分布更分散，平均壓下降持續時間更短， 提示 OSAHS 組血壓波動更為劇烈。構建二分類 logistic 回歸模型時，在不包含性別、 年齡、 患合并癥等條件下將特征進行標準化，使用遞歸特征消除（RFE） 的方式選擇特征，分類器選用 LR 模型，參數采用默認設置；接著使用 lightGBM 模型進行特征重要性排序，以此選擇最佳特征及其重要性得分，如圖 3 所示。

將選擇的特征分別輸入 LR、 SVM、 XGBoost 以及 light GBM 模型中進行訓練和測試， 模型評估指標如表 3 和圖 4 所示。研究的 lightGBM 模型依靠單純動態血壓數據在訓練集上對 OSAHS 識別預測準確率可以達到 88.2%， 精確率為 78.5%， 召回率為 82.7%， F1 得分 0.805， AUC 為 0.945；在測試集上預測準確率可以達到 80.0%， 精確率為 82.9%， 召回率為 72.5%， F1 得分 0.773， AUC 0.906， 高于以往文獻中包含血壓特征的研究， 以往的模型 AUC 分別為 0.747 和 0.804 。

討論和結論

本研究的結果表明，24 小時動態血壓診斷報告中現有的特征如夜間收縮壓、夜間舒張壓 、血壓節律 、血壓負荷與以往研究結果一致，而研究提出的夜間血壓上升斜率、夜間血壓波動次數以及晨峰血壓啟動時刻等特征同樣具有統計學意義，夜間收縮壓和24小時舒張壓在OSAHS 患者血壓變化中更為突出，我們新定義的斜率、面積、持續時間等特征在表征 OSAHS 患者時也取得顯著效果。動態血壓數據因其不等間隔和稀疏的原因，除用于高血壓分型的鑒別診斷外，較少用于其他疾病的篩查。盡管如此，本研究依舊認為 OSAHS 的呼吸暫停導致的血壓變化在臨床上是非常有用的，特別是 OSAHS 合并高血壓患者，血壓對睡眠呼吸暫停發作的表征有其獨特意義。

結語

本研究根據 OSAHS 患者血壓變化特點，定義了針對 OSAHS 的動態血壓特征提取規則，開發了相應的特征提取算法，使用這些特征訓練了OSAHS篩查的機器學習模型，建立了單純運用動態血壓特征的OSAHS早期篩查模型，研究的lightGBM 模型在訓練集和測試集上分別取得了0.945 和 0.906 的 AUC 值，測試集上的識別準確率為80.0%。為OSAHS篩查提供了一種新的思路和方法，為OSAHS患者夜間血壓變化提供了量化評估手段，有望在OSAHS篩查中發揮重要作用。未來的研究應著重在動態血壓睡眠監測中建立較為統一的范式，對使用動態血壓監測篩查OSAHS的醫療行為制定科學規范，控制患者個體間差異使其最小化，進一步提高動態血壓篩查的精準度，有利于在臨床診療中的推廣應用。此外，盡管本研究取得了較好的結果，但模型的性能還需進行嚴格的外部驗證，一些新的特征挖掘和模型開發研究仍然很有必要，研究將進一步聚焦臨床問題展開工作。本研究提出的基于24小時動態血壓識別 OSAHS的方法具有新穎性，可作為在PSG確診前的初篩手段，提高 OSAHS 患者的早期診斷率，為疾病的早期干預提供有力支撐。

參考文獻

1. 基于24小時動態血壓數據識別阻塞性睡眠呼吸暫停綜合征研究 . 張健 ，任皎潔 ，孫書臣，張政波 生物醫學工程學雜志. 2022,39(01)

僅供科普分享、交流學習使用，不涉及商業盈利目的。

如涉及版權問題，請聯系本站管理員予以更改或刪除。@gxyvip7