人工智能在睡眠障礙中的研究進展

張孔雁 云宗金

睡眠是人維持生命活動的正常生理過程,良好的睡眠可以使人精神飽滿、思維活躍,促進身心健康[1]。然而伴隨全球經濟的快速發展,人們工作及生活等方面的壓力不斷增加,全球睡眠障礙的發生率也在不斷上升。據統計,我國睡眠障礙的發病率高達38.2%,有超過3億人面臨睡眠障礙及其相關問題[2-4]。研究表明,睡眠不足或睡眠質量差會擾亂身體的晝夜節律,增加出現健康問題的風險,如罹患心血管疾病[5]、認知障礙和記憶力減退[6]等嚴重疾病。因此,睡眠障礙的早期發現、早期診斷及治療十分重要[7]。雖然目前臨床上已經應用諸如匹茲堡睡眠質量量表對睡眠質量進行主觀評估,輔以多導睡眠監測儀(polysomnography,PSG)進行客觀評價,但因睡眠結構的個體差異性,睡眠質量的評估仍欠準確。隨著醫學技術及人工智能(artificial intelligence,AI)的迅猛發展,其在睡眠障礙的評估、診斷及治療領域有了新的突破與發展。

1 AI簡介

機器通過一定的算法分析大量的數據,總結相應規律后對新的數據進行預測,這種讓機器模仿人類智能的技術稱為AI[8-9]。自20世紀50年代AI被提出以來,其發展大致經歷了以下幾個階段:基于知識濃縮的專家系統階段、基于數據分析的機器學習階段及深度學習階段。依據不同的算法,深度學習分為人工神經網絡(artificial neural network,ANN)、卷積神經網絡(convolutional neural network,CNN)、遞歸神經網絡(recursive neural network,RNN)等,其中CNN性能遠遠優于傳統的機器學習技術。AI在許多學科中的應用前景廣闊,其與醫學的協同作用更是改善了臨床決策和醫療保健服務[10-11],尤其體現在諸如醫學影像[12]、疾病診斷[13]、遠程醫療[14]、藥物開發[15]等醫療保健領域。AI的應用提高了疾病診斷的準確性,優化了醫護工作流程,提高了臨床操作的效率,有助于更好地監測疾病及其治療效果,改善病人的整體療效。

2 AI在睡眠障礙中的應用現狀

2.1 睡眠障礙的篩查及評估 目前,睡眠障礙的評估方法包括PSG、便攜式睡眠監測儀、活動描記儀、病人報告結果(patient reported outcomes,PROs)和睡眠日記等。傳統的睡眠障礙評估方法雖然各有優點,但數據的整理與分析可能耗費大量的人工及經濟成本,而AI的介入使睡眠障礙的篩查及評估更加便捷。通過AI的各種算法,睡眠障礙的評估方法也更加優化。目前,AI在睡眠障礙的篩查及評估中的應用情況有:(1)AI根據現有關于睡眠障礙的數據,通過不同算法對其進行分析,從而對睡眠障礙相關疾病進行風險評估。例如,Nettleton等[16]通過聚合算法篩選阻塞性睡眠呼吸暫停(obstructive sleep apnea,OSA)病人,并應用睡眠問卷元數據分析病人呼吸紊亂指數(respiratory disturbance index,RDI)實際值和AI預測值之間的相關性。Sun等[17]通過遺傳算法利用問卷數據識別呼吸暫停低通氣指數(apnea hypopnea index,AHI)≥15的受試者,敏感性和特異性分別高達88%和97%。Keenan等[18]通過基于電子病歷數據的算法,準確地將OSA病例篩選出來。Mullins等[19]通過深度卷積神經網絡(deep convolutional neural network,DCNN)和雙向長短期記憶網絡分析多導睡眠圖中的電生理數據,如腦電情況,以預測OSA的嚴重程度。Urtnasan等[20]通過CNN分析睡眠期間的心率和心率變異性來篩查OSA。(2)AI基于睡眠障礙的原有數據,利用或創建新的檢測指標對疾病進行預測,如呼吸相關腦電圖[21]、腦年齡指數[22]。(3)AI通過非接觸式技術如預證明技術[23]、聲納技術[24]、脈沖無線電超寬帶雷達技術[25]等收集的全身和精細呼吸運動來評估睡眠階段和呼吸事件。消費者睡眠技術(consumer sleep technologies,CSTs)與AI的有效結合可以提高人群中睡眠障礙的檢出率。CSTs定期收集有關睡眠的持續時間、潛伏期、質量、結構、喚醒時間、規律性和連續性的數據,AI對其進行分析以評估睡眠障礙的風險,為后續的治療提供依據。壓電傳感器被動接觸技術通過機器學習的分類算法檢測呼吸運動和心沖擊圖以評估睡眠結構和呼吸事件,進而篩查OSA[26]。目前可以使用智能手機、可穿戴設備、活動追蹤器和非干擾性技術中的傳感器數據來評估睡眠相關數據,并通過機器學習或深度學習算法執行睡眠分析[27]。AI將聚類分析或神經網絡等機器學習方法應用于睡眠障礙領域,這對于今后開發精準、個性化的睡眠醫學至關重要。

2.2 睡眠障礙的診斷與治療 睡眠障礙的診斷除完整的病史及體格檢查外,PSG檢測結果是重要的客觀證據。但是,傳統的PSG檢測方法耗時耗力,目前,AI驅動的PSG自動評分正在迅速發展,而且伴隨著數據的不斷積累,AI獲取的信息越來越接近真正的人類睡眠表征[28-29]。在該領域向AI的數字評分平臺過渡的過程中,睡眠深度的連續數字標記,如功率譜分析,可能為睡眠障礙的研究提供新的見解[30]。鑒于AI驅動的PSG自動評分系統高效、低成本的優點,其有可能成為睡眠醫學研究的重要方法。AI驅動的PSG自動評分系統除應用于睡眠障礙的診斷外,還可以通過不同的算法建模,從而為疾病的診斷提供更多的證據。一項研究表明,AI通過對1119名個體的PSG數據進行分析并建模,無需進行有創檢查即可獲得對臨床有意義的食管壓力值[31],由此可見,AI將在睡眠障礙的診斷中發揮其特有的優勢。

睡眠障礙的治療一般根據不同的病因采取相應的治療方案,但目前仍以藥物治療為主,部分疾病諸如OSA需輔以無創呼吸機治療。AI可以優化睡眠障礙的治療,主要表現在:AI將藥物基因組學、藥物表觀遺傳組學、代謝組學、蛋白質組學、轉錄組學、微生物組學等多組學方案應用于睡眠障礙病人藥物劑量反應和藥物-睡眠質量相互作用等方面,優化藥物選擇平臺,幫助醫生了解任何特定個體對特定藥物的反應,從而提高治療效果,減少不良反應[32]。最近一項納入132篇文獻的系統綜述研究發現,機器學習模型可以指導手術治療后的預后預測和優化持續氣道正壓治療,為臨床治療提供可操作的建議[33]。由此可見,AI可以通過整理、分析收集的睡眠數據自動進行睡眠評分,從而實現更準確的診斷,有助于疾病診斷和治療預后的預測,為睡眠治療的優化和個性化提供理論支持。

3 AI在睡眠障礙應用中的問題及挑戰

AI在加速睡眠醫學研究的同時,也存在一些不容忽視的問題:(1)AI中的“黑匣子”理論仍是目前對臨床判斷造成影響的重要問題之一[34]。這種固有的不透明性要求在今后的研究中提高算法的透明度,從而獲得臨床醫生的信任和認可。(2)AI在對眾多生物醫學數據集分析及整理的同時,如何保護個人信息不被泄露,保護個人的數據安全等需要在未來的研究中進一步制定相關的規章制度,保證AI在睡眠障礙領域的應用更加規范[35]。

4 總結與展望

睡眠障礙是困擾全球的健康和經濟問題,伴隨睡眠醫學的發展,AI成功引入睡眠醫學領域,雖然基于AI的特點本身可能存在一些問題及挑戰,但是目前AI在睡眠障礙領域利用機器學習的不同算法展現了其巨大的臨床潛力。AI將促進大型生物醫學數據集與多組學以及行為和環境數據相整合,從而加速睡眠醫學的研究。盡管AI的計算算法及其應用還需要在臨床環境中進一步研究與驗證,但AI以其獨特的優勢正慢慢成為臨床醫生的合作伙伴,幫助臨床醫生早期識別睡眠障礙,提高診斷的準確性,提供可操作的臨床醫療建議,改善病人的臨床療效,助力睡眠醫學的發展[36]。