SpO2と脈拍数を用いた深層学習ベースの睡眠時無呼吸検出

Deep-Learning based Sleep Apnea Detection using SpO2 and Pulse Rate.

抄録

本研究では、パルスオキシメーターで簡便に記録された血中酸素飽和度（SpO2）と脈拍数（PR）を用いた自動無呼吸イベント検出を紹介する。本研究では、睡眠イベントが注釈された睡眠心臓健康調査データセットからの大規模で多様な患者コホート（n=8068、年齢≧40歳）が採用された。連続する30秒のエポックで無呼吸を検出するためにディープラーニングモデルを訓練し、テストデータの2つの独立したサブコホートで性能を評価した。提案されたアルゴリズムは、エポックベースの無呼吸検出において、90.4%の受信者動作特性曲線下面積と58.9%の精度-再現曲線下面積という最高のテスト性能を示した。さらに、このモデルは様々な無呼吸のサブタイプにわたって一貫して良好な性能を示し、閉塞性無呼吸の検出で93.4 %の最高感度を示し、中心性無呼吸で90.5 %、脱飽和に伴う低呼吸で89.1 %と続く。全体として、提案されたアルゴリズムは、非侵襲的パルスオキシメータセンサを使用した睡眠時無呼吸イベント検出のための頑健で感度の高いアプローチを提供する。臨床的意義 - この研究では、パルスオキシメータを用いるだけで、様々な併存疾患を持つ多様な研究コホートにおいて、エポックベースの自動無呼吸検出の高感度が確立された。この費用対効果の高いアプローチは、長期にわたる簡便な睡眠と健康のモニタリングを可能にする可能性もある。

This work presents automated apnea event de-tection using blood oxygen saturation (SpO2) and pulse rate (PR), conveniently recorded with a pulse oximeter. A large, diverse cohort of patients (n=8068, age≥40 years) from the sleep heart health study dataset with annotated sleep events have been employed in this study. A deep-learning model is trained to detect apnea in successive 30 s epochs and performances are assessed on two independent sub-cohorts of test data. The proposed algorithm showcases the highest test performance of 90.4 % area under the receiver operating characteristic curve and 58.9% area under the precision-recall curve for epoch-based apnea detection. Additionally, the model consistently performs well across various apnea subtypes, with the highest sensitivity of 93.4 % for obstructive apnea detection followed by 90.5 % for central apnea and 89.1 % for desaturation associated hypopnea. Overall, the proposed algorithm provides a robust and sensitive approach for sleep apnea event detection using a noninvasive pulse oximeter sensor. Clinical Relevance - The study establishes high sensitivity for automated epoch-based apnea detection across a diverse study cohort with various comorbidities using simply a pulse oximeter. This highly cost-effective approach could also enable convenient sleep and health monitoring over long-term.