梁瑞玲，李晨阳，赵瑞，周兵，董霄松，韩芳*

阻塞性睡眠呼吸暂停低通气综合征（obstructive sleep apnea hypopnea syndrome，OSAHS）是一种常见的睡眠障碍，其特征为上气道完全或部分阻塞、呼吸暂停，最常见的夜间症状为打鼾，日间症状为嗜睡。有研究表明，全球约有9.36亿人患有OSAHS，我国OSAHS患病率最高，OSAHS患者数量已达1.76亿人［1］。OSAHS与心脑血管病的发病率和死亡率有关［2］，同时疲劳和日间嗜睡对患者的家庭、工作也会造成不良影响，并增加交通事故的发生风险。由于大多数OSAHS患者未得到及时诊断，因此这会构成任何公共卫生系统都难以承担的重大社会、健康和经济问题［3］。

目前诊断OSAHS的金标准为多导睡眠监测（PSG），需要患者于睡眠中心进行监测，有20余个身体接触传感器，具有局限性，不适合用于大规模人群筛查，因此需要有更加简便、家庭化的技术进行监测及初步筛查。美国睡眠医学学会（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［4］，中国在2021年发布《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》，对远程医疗在OSAHS患者的诊断、治疗、管理等多方面进行分析，提出5G通信技术的发展促使OSAHS诊疗在家庭医疗中的应用成熟［5］。随着2020年新型冠状病毒肺炎的全球流行及疫情常态化，远程医疗模式的应用在睡眠医学领域中加速发展，很多便携式及移动应用已经用于家庭中，有利于对OSAHS患者进行非接触式感知及管理，根据结果促进个体化医疗及治疗干预。这些设备的诊断准确性尚需进一步研究。本研究旨在探讨一款基于5G智能手机的鼾声监测技术软件眠云眠云Sara对OSAHS患者的筛查价值。

1 资料与方法

1.1 一般资料 选取2020年4—12月就诊于北京大学人民医院睡眠中心、以夜间打鼾和呼吸暂停为主诉的患者163例为研究对象。纳入标准：（1）以夜间打鼾、呼吸暂停为主诉；（2）年龄＞18岁；（3）既往无睡眠监测及OSAHS治疗经历；（4）签署知情同意书。排除标准：（1）怀疑为中枢型睡眠呼吸暂停、Cheyne-Stokes呼吸、肥胖低通气综合征、发作性睡病、快速眼动行为障碍等其他睡眠障碍；（2）近3个月倒班工作、作息不规律；（3） 存在慢性阻塞性肺疾病、肺动脉高压、肺炎、心力衰竭、心肌梗死、神经肌肉疾病等。本研究经过北京大学人民医院医学伦理委员会批准，受试者均签署知情同意书。

1.2 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、体质量等一般资料。

1.2.2 睡眠监测方法 患者在北京大学人民医院睡眠中心进行PSG监测的同时采用眠云Sara进行同步监测。患者可采用任何舒服的姿势睡觉。具体监测方法：（1）眠云Sara监测：患者使用已下载眠云Sara软件的智能手机自行注册账号，于准备睡眠时点击开始记录按钮，使用眠云Sara进行睡眠呼吸数据采集，次日早晨醒来后点击结束睡眠记录。（2）PSG：患者于睡眠中心进行PSG，根据美国睡眠医学学会推荐方法［6］，记录信号包括脑电图 （F3M2、F4M1、C3M2、C4M1、O1M2、O2M1）、双侧眼电图、下颌肌电图、口鼻热敏信号、鼻气流压力、胸腹呼吸运动、心电图、鼾声、体位、双侧胫前肌电图、脉搏血氧饱和度、心率。

1.2.3 眠云Sara及PSG结果判读标准 眠云Sara结果由软件自动判读，PSG数据由人工手动判读，判读标准采用美国睡眠医学学会2012评分标准［7］：呼吸暂停是指睡眠过程中口鼻气流消失或明显减弱（较基线水平下降≥90%），持续时间≥10 s。眠云Sara总睡眠时间（total sleep time，TST）、呼吸暂停低通气指数（apnea hypopnea index，AHI）由软件自动记录并分析，PSG记录的TST由脑电信号分析获得，AHI由TST计算获得。以AHI≥5次/h为诊断OSAHS的标准，AHI≥15次/h及AHI≥30次/h分别为中、重度OSAHS的诊断标准［8］。

1.3 统计学方法 使用 SPSS 19.0软件进行数据的录入与分析。偏态分布的计量资料以M（P25，P75）表示，组间比较采用Wilcoxon秩和检验。同一受试者两种监测方法得出的各项数据进行线性相关性分析及Bland-Altman一致性检验［9］。计算眠云Sara诊断OSAHS的灵敏度和特异度，绘制受试者工作特征（ROC）曲线。以P＜0.05为差异有统计学意义。

2 结果

2.1 一般情况 163例患者中14例未能将数据成功上传分析平台；5例记录失败，无原始录音；3例记录中断，无完整原始录音；11例因监测导联脱落导致PSG数据不完善。选择有有效数据的130例患者进入研究，其中男91例（占70%），女39例（占30%）；年龄15～89岁，平均年龄 （49.7±17.4）岁；体质指数（BMI）19.2～44.8 kg/m2，平均 BMI（28.2±5.0）kg/m2。

2.2 PSG与眠云Sara主要监测指标对比 眠云Sara监测的AHI、TST与PSG监测的AHI、TST间差异均有统计学意义（P＜0.05），见表1。眠云Sara得到的AHI与PSG的AHI呈正相关（r=0.645，P＜0.001），见图1；眠云Sara得到的TST与PSG的TST呈低度正相关（r=0.184，P=0.037），见图2。Bland-Altman一致性检验示眠云Sara及 PSG 所测得的AHI在统计学上相一致，其平均差异为-5.7次/h，95%一致性界限为（-40.5，29.2）次/h，见图3。

图1 眠云Sara所得AHI与PSG所得AHI的线性相关分析Figure 1 Linear correlation analysis of AHI obtained by Mianyun Sara and AHI obtained by PSG

图2 眠云Sara所得TST与PSG所得TST的线性相关分析Figure 2 Linear correlation analysis of TST obtained by Mianyun Sara and TST obtained by PSG

图3 眠云Sara与PSG所得AHI的 Bland-Altman一致性检验Figure 3 Bland-Altman consistency test between AHI obtained by Mianyun Sara and AHI obtained by PSG

表1 眠云Sara与PSG结果比较〔n=130，M（P25，P75）〕Table 1 Comparison of the results of Mianyun Sara and PSG monitoring indicators

2.3 眠云Sara及PSG诊断OSAHS及判断其严重程度的灵敏度和特异度 分别以PSG的AHI≥5次/h、AHI≥15次/h、AHI≥30次/h作为诊断OSAHS及判断其严重程度的金标准，两种方法的诊断结果比较见表2～4。眠云Sara对OSAHS的最佳诊断值、灵敏度、特异度、曲线下面积（AUC）、阳性预测值及阴性预测值见表5和图 4～6。

图4 AHI≥5次/h时诊断OSAHS的ROC曲线Figure 4 ROC curve for the diagnosis of OSAHS when AHI≥5 times/h

图5 AHI≥15次/h时诊断OSAHS的ROC曲线Figure 5 ROC curve for the diagnosis of OSAHS when AHI≥15 times/h

图6 AHI≥30次/h时诊断OSAHS的ROC曲线Figure 6 ROC curve for the diagnosis of OSAHS when AHI≥ 30 times/h

表2 眠云Sara与PSG诊断OSAHS的四格表（例）Table 2 Comparison of the results of Mianyun Sara and PSG in the diagnosis of OSAHS

表3 眠云Sara与PSG诊断中度OSAHS的四格表（例）Table 3 Comparison of the results of Mianyun Sara and PSG in the diagnosis of medium OSAHS

表4 眠云Sara与PSG诊断重度OSAHS的四格表（例）Table 4 Comparison of the results of Mianyun Sara and PSG in the diagnosis of severe OSAHS

表5 眠云Sara诊断OSAHS的灵敏度、特异度、阳性和阴性预测值Table 5 Sensitivity，specificity，positive and negative predictive value of Mianyun Sara for the diagnosis of OSAHS

3 讨论

本研究表明，眠云Sara对中国成人OSAHS患者具有较好的初筛价值，与PSG具有良好的一致性。本研究发现眠云Sara记录的TST明显长于PSG记录的TST。与PSG相比，眠云Sara无法记录脑电信号，难以准确判断准确的入睡时间，故而记录的TST更长，导致眠云Sara所得AHI中位数较PSG偏低，可能会对病情造成一定程度的低估。进一步进行线性相关性分析及Bland-Altman一致性检验，结果表明眠云Sara与PSG之间具有较好的一致性。Bland-Altman图中显示有8（6.15%）例在一致性界限以外，但该差异均出现于AHI≥30次/h时。

打鼾是OSAHS常见的症状，是气道阻塞的征兆。普通人群中约25%的女性和45%的男性有习惯性打鼾［10］，习惯性打鼾已被证实是心血管疾病发病率增加的危险因素，并可能暗示有发生阻塞性睡眠呼吸暂停的可能性［11］。有研究发现，鼾声的振动模式可以识别呼吸暂停的发作，并与阻塞的程度有关［12］。在1 139例接受PSG的患者中，打鼾的声音强度与呼吸窘迫指数显著相关，且即使在控制了人口统计学和临床因素之后也是如此［13］。

现已有较多针对鼾声的研究。ZAFFARONI等［14］通过对178例志愿者进行整晚同步智能手机软件监测及PSG，并进行独立测试，基于高斯混合模型的半自动算法发现AHI的临床阈值为15次/h，其灵敏度为94%，特异度为97%。本研究中AHI对中度以上患者诊断的灵敏度、特异度分别为88.2%和74.1%。NAKANO等［15］通过对50例患者进行PSG及鼾声采集（SMART），使用快速傅里叶变换进行分析，发现SMART诊断OSAHS（AHI≥15次/h）的灵敏度为70%，特异度为94%；而对于AHI＜30次/h的受试者，SMART估算的AHI和PSG得到的AHI之间的相关性不是很好，因此该程序的诊断准确性可能不足以将其作为筛查工具来排除较轻的OSAHS。国内有研究基于安卓手机系统开发应用软件，将鼾声、呼吸、血氧信号相结合，对鼾声信号的端点检测处理，使用EEMD-C0算法，并认为其对OSAHS诊断有很高的准确率［16］。眠云Sara利用手机内置麦克风获得环境声音，对环境噪声自动过滤后对鼾声或呼吸声进行判断，得到AHI。本研究发现，在AHI≥5次/h时眠云Sara诊断OSAHA的灵敏度为83.8%，特异度可达92.0%，有着良好的特异性，但在AHI≥30次/h时灵敏度偏低，为64.9%，而特异度较高，这可能与音频信号处理、算法不同等有关。眠云Sara作为非侵入式鼾声初筛软件，对比其他基于呼吸、血氧、运动等专门用于OSAHS患者初筛的设备，具有良好的特异性，且不会干扰用户睡眠习惯。尽管眠云Sara对重度OSAHS患者AHI的预测有所不足，但其不需要额外的传感器，容易规模化，可以成为大量潜在患者的低成本替代筛查方案，为临床反馈准确的数据。

非接触式传感器和移动应用在睡眠医学中的使用促进了远程医疗的进步，同时也符合医疗保健和家庭保健的概念。用于OSAHS初筛的鼾声分析的一个明显的优点是所需的传感器集成到智能手机，可以便捷地进行多次家庭自我监测，但目前有不同型号、不同质量的产品，其诊断价值有待进一步验证。

综上所述，眠云Sara与PSG结果具有较好的一致性，在临床允许AHI测量误差不低于5.7次/h范围内，可用于中国成人OSAHS患者的初筛。

作者贡献：梁瑞玲、李晨阳负责文章的构思和设计、文献整理、撰写论文；赵瑞、周兵负责研究的实施、数据收集；董霄松、韩芳负责文章质量控制及审校，对文章整体负责，监督管理。

本文无利益冲突。