睡眠年龄老，死亡风险高！斯坦福科学家发现，AI评估的睡眠年龄比实际年龄每大10岁，与全因死亡率增加29%相关

*仅供医学专业人士阅读参考

人的睡眠中藏着许多关于身体的信号，一些睡眠时监测的指标，如睡眠潜伏期、不同睡眠时相的时间比、呼吸暂停低通气指数（AHI，每小时睡眠期间呼吸暂停加低通气的次数）和觉醒次数等，与人体的健康状况及一些疾病具有很强的关联[1]。

目前对于睡眠监测最全面的手段是夜间多导睡眠图（PSG），其监测多种生理信号，包括脑电图（EEG）、心电图（ECG）、眼电图（EOG）、下颌和腿部肌电图（EMG）以及呼吸气流等，这其中包含了相当丰富的信息。但目前对于这些信息的提取与解读主要依靠人工完成，耗时且解读存在一定的主观性[2]。

近日，斯坦福大学Emmanuel Mignot教授和丹麦理工大学Andreas Brink-Kjaer教授团队协作通过深度学习的方法，建立了通过PSG估计年龄和死亡风险的模型，该模型年龄估计的平均绝对误差为5.8岁，而通过常规方法——基本睡眠评分估计年龄的误差为14.9岁。

在控制协变量后，年龄估计误差（AEE，即AI模型估计的年龄与真实年龄的差值）每增加10岁，全因死亡率增加29%，AEE从-10增加到+10，预期寿命将减少8.7年。此外研究发现，睡眠碎片化增加是导致AEE增加的重要因素，这表明此指标或可成为“睡眠标志物”。相关研究成果发表于《NPJ数字医学》期刊[3]。

论文首页截图

在这项研究中，研究人员使用了来自7个队列（STAGES、SSC、WSC、SHHS、MrOS、CFS、Home-PAP）的13332个PSG数据，并使用2500个PSG数据（年龄6-90岁）进行建模来估计年龄，依据不同的信号组合得到模型A-E，并使用包含200个PSG的验证集，来进行模型超参数的优化。

研究流程图

对于多个模型用于年龄估计的性能，研究人员发现在模型A-E中，模型E的性能最为优异，其在训练集中的年龄平均绝对误差为5.4±1.01岁，在测试集中平均绝对误差为5.8±1.16岁，其相比于常规方法——基本睡眠评分来估计年龄（误差为14.9岁）要准确的多。

模型A-E估计年龄的性能

对于模型估计的年龄与实际年龄之间的差值，即AEE，研究人员认为这是由于PSG中出现的“年轻”或“年老”的睡眠特征所导致的。

通过将AEE与基本睡眠指标进行分析发现，睡眠碎片化相关的指标（觉醒指数、睡眠效率、睡眠后觉醒、总睡眠时间、N1睡眠时长占比）以及呼吸相关指标（AHI）与AEE具有很强的关联。睡眠碎片化和睡眠呼吸障碍均随年龄的增加而风险升高，因此本研究中的模型确实捕捉到了睡眠中的一些年龄相关特征。

此外，研究人员还分析了AEE与性别、体重指数、药物使用（抗抑郁药和苯二氮卓类药物）和一些疾病发病率（高血压、心脏病发作史、充血性心力衰竭、慢性阻塞性肺疾病、2型糖尿病和卒中）之间的关系。

研究发现，在模型A（EEG）和模型B（EEG+EOG+EMG）中，患2型糖尿病与较高的AEE相关；在模型C（ECG）中，与心脏相关的疾病（高血压、心脏病发作史、心力衰竭）与较高的AEE相关。事实上，除了模型D（呼吸数据），高血压在所有模型中都与较高的AEE相关。在模型D（呼吸数据）中，性别和体重指数与较高的AEE相关。

为了更好地解释模型，研究人员使用梯度SHAP法评估输入的PSG信号与年龄估计的相关性分数。比如在模型B（EEG+EOG+EMG）中，在受试者出现觉醒时估计年龄增加，而在慢波时估计年龄减小，而在模型D（呼吸数据）中，存在睡眠呼吸暂停时估计年龄升高，在模型C（ECG）中，出现心律失常则估计年龄增加。

在模型B（EEG+EOG+EMG）中使用梯度SHAP法评估输入的PSG信号与年龄估计的相关性分数

同时，研究人员还评估了相关性分数和人工评估的睡眠事件之间的相关性，以验证这些因素对年龄估计模型具有意义。通过对PSG中人工评估的睡眠时相序列、觉醒和呼吸暂停/低通气事件转换附近的相关性得分进行分析发现，相关性分数在转换到较浅睡眠或觉醒状态时增加。

在模型B（EEG+EOG+EMG）中睡眠-阶段转换的相关性分数

最后，研究人员探索了AEE与死亡率之间的关系。

具有PSG和相关死亡数据数据集包括SHHS（n=5696，死亡1285）、MrOS（n=2781，死亡1662）和WSC（n=909，死亡98），共有9386名受试者。这些受试者平均年龄为66.0岁，随访中位数为12.1±3.7年。

通过对年龄、性别、体重指数等协变量进行调整后，结果显示在模型E中，AEE每增加10年，全因死亡风险和心血管疾病死亡风险分别增加29%（HR=1.29）和40%（HR=1.40），而AEE从-10增加到+10，预期寿命将减少8.7年。

AEE-10和AEE +10受试者的生存曲线

由于高血压和睡眠呼吸暂停在队列人群中非常常见，研究人员还研究了在无高血压和无睡眠呼吸暂停的受试者中AEE与死亡率的相关性。

敏感性分析显示，在对无高血压受试者（n=5303，死亡1291）的分析中，对于全因死亡风险（HR=1.25）和心血管疾病死亡风险（HR=1.31）AEE的风险比均有所降低。在对于无睡眠呼吸暂停的受试者（n=5161，死亡1390）的分析中，AEE的风险比同样均降低（全因死亡风险HR=1.22，心血管疾病死亡风险HR=1.24）。

总的来说，该研究通过深度学习，构建了能够从PSG准确估计年龄的AI模型，该模型对年龄的估计是通过提取一些如睡眠碎片化以及呼吸障碍等特征来实现的。而AI估计的睡眠年龄与实际年龄的差值增大，可能预示着全因死亡风险和心血管疾病死亡风险的增加，这能为接受睡眠监测人群的健康检测提供预警。

已购买课程的朋友，

直接进入小程序收听加餐哦~

参考文献

1.Koch H, Schneider LD, Finn LA, Leary EB, Peppard PE, Hagen E, Sorensen HBD, Jennum P, Mignot E: Breathing Disturbances Without Hypoxia Are Associated With Objective Sleepiness in Sleep Apnea. Sleep 2017, 40(11): zsx152.

2.Magalang UJ, Arnardottir ES, Chen NH, Cistulli PA, Gislason T, Lim D, Penzel T, Schwab R, Tufik S, Pack AI et al: Agreement in the Scoring of Respiratory Events Among International Sleep Centers for Home Sleep Testing. J Clin Sleep Med 2016, 12(1):71-77.

3.Brink-Kjaer A, Leary EB, Sun H, Westover MB, Stone KL, Peppard PE, Lane NE, Cawthon PM, Redline S, Jennum P et al: Age estimation from sleep studies using deep learning predicts life expectancy. NPJ Digit Med 2022, 5:103.

责任编辑丨谭硕