KindSleep：基于临床知识的阻塞性睡眠呼吸暂停诊断
机器学习
2026-04-07 v2
摘要
阻塞性睡眠呼吸暂停（OSA）影响近十亿人，显著提升心血管风险。传统通过多导睡眠图记录进行诊断，资源密集，限制了广泛获取，亟需精准高效的替代方案。本文引入 KindSleep，一种深度学习框架，整合临床知识、单通道患者特异性呼气反应信号和临床数据，实现精准 OSA 诊断。KindSleep 首先从原始呼气反应信号中学习识别临床可解释概念，如脱饱和指数和呼吸扰动事件。随后，将这些 AI 推导的概念与多模态临床数据融合，以估计阻塞性睡眠呼吸暂停指数（AHI）。我们在来自国家睡眠研究资源（SHHS、CFS、MrOS；总计 n=9,815）的三个大型独立数据集上评估 KindSleep。KindSleep 在估计 AHI 分数的表现优异（R2=0.917，ICC=0.957），在分类 OSA 严重程度方面持续领先，跨不同人群的加权 F1 分数ranging from 0.827 to 0.941。通过以临床有意义概念为基础，KindSleep 提供了更透明可信的睡眠医学诊断工具。
引用
@article{arxiv.2603.04755,
title = {KindSleep: Knowledge-Informed Diagnosis of Obstructive Sleep Apnea from Oximetry},
author = {Micky C Nnamdi and Wenqi Shi and Cheng Wan and J. Ben Tamo and Benjamin M Smith and Chad A Purnell and May D Wang},
journal= {arXiv preprint arXiv:2603.04755},
year = {2026}
}