阻塞性睡眠呼吸暂停内型的量化技术

阻塞性睡眠呼吸暂停内型的量化技术【摘要】阻塞性睡眠呼吸暂停(OSA)是睡眠中频繁发生呼吸暂停和(或)低由于OSA的潜在机制(即内型)存在个体差异，因而其治疗有效性及其预后也可有效性及其预后也可能因取决于这些特征而不同[1]。然而，目前OSA诊断和管理模式在很大程度上存在“一刀切”现象，即index,AHI),而且大多数患者使用持续气道正压通气(continuouspositiveairwaypressure,CPAP)作为一线治疗方法。但CPAP治疗的长期依从性可具有重要意义[2]。Eckert等[3]提出了PALM模型，即上气道临界闭合压(c究发现，69%的OSA患者存在一种或多种非解剖PT,其中36%存在上气道扩张肌意义的属性(如症状、对治疗的反应、健康结果、生活质量)相关。而内型是指分开来，甚至混淆了二者的关系[7]。可能由于表型的异质性和内型测量的难度，目前没有具体证据表明OSA内型可预测表型[8]。无论从潜在机制(内型)还是临床表现(表型)的角度来看，OSA都是一种异质性很大的疾病[9]。以下几种生理内型可能与OSA存在因果关系。(一)解剖学倾向所有OSA患者均有一定程度的解剖学倾向[5]。导致这种倾向的原因可能(二)其他除解剖学倾向外，至少3种非解剖学内型在OSA中也起着关键的因果作用，杂异质性。此外，常见的治疗方法(如CPAP、上气道手术、口腔矫治器)只针对一种特征-气道解剖学异常，而最有效的治疗方法CPAP的接受率仅为50%[1潜在机制实现对特定OSA亚群的个性化精准治疗。例如，目前非CPAP干预(如减重、改变体位、上气道手术、口腔矫治器等)对OSA患者Pcrit的改善程度已被量化。其中口腔矫治器可改善上气道塌陷约2cmH20(1cmH20=0.098kPa),而激中获益更大[5,8,12]。吸氧、补充二氧化碳(carbondioxide,CO2)和乙酰唑胺可减少通气控制不稳定从而降低LG,非肌松镇静药可提高AT[11]。已知的危险因素之一，可能反映其中一些患者的低AT。此外，神经肌肉疾病患者通常患有OSA,可能是由于潜在的上气道扩张肌功能障碍所致[9]。此外，与AT正常的患者相比，低AT的患者对CPAP治疗的依从性降低。症可能是高AT的标志。这些发现提示OSA内型在指导临床管理中的重要性。只量内型所需的精密设备和训练有素的技术人员。当前同标准方法需要患者佩带大量仪器或装置(如食道压导管)以及插入关键咽肌的肌电图(electromyography,EMG)导线睡觉，或者需要复杂的CPAP操作[8]。P压力滴定中丰富的生理信息)生成可重复的内型测量方法，可扩展至临床和大(一)传统的内型量化技术量化呼吸性AT的金标准为食道压或会厌压力(epiglottispressure,Pepi),将Pepi导管从鼻腔推进到舌根下1~2cm,将导管贴在鼻孔上并通过CPAP呼吸状态下食管中下1/3交界处的压力，可用一个前端带10cm气囊(内含0.5~1ml气体)的导管，经鼻置入约39~44cm处(即胃、食管交界处上方约10cm处)测定。呼吸性AT定义为呼吸事件引起的皮层觉醒前即刻的最低食道压或Pepi平均值，并结合PSG判读觉醒和睡眠分期[3,5,13-14]。舌肌对其他呼吸刺激(如高CO2、低氧和呼吸负荷)的反应[14]。7mm),使其电极阵列的中心(9个圆周电极，距离16mm)位于膈肌水平。记录每次呼吸的EMGdi峰值减去吸气开始时的值，并将其标准化来表示和度(pulseoximetrysaturation,Sp02)和呼出气二力(定义为消除低通气、打鼾和气流受限所需的面罩压力),健康受试者压力设睡眠期间获得的数据估计生理特征[15]。这种方法的主要问题是一些个体在3外，当LG无法确定时，其他特征则也无法确定，因此无man等[10]对该方法做了修订，从维持压力开始，CPAP快速降至0cmH20,持续5次呼吸(被动下降),然后缓慢降低每分钟1cmH20,直至达到最小可耐受CPAP(minimumtoleraPmin进行的，受试者每次保持几分钟低水平的CPAP,而不是连续3min将CPAP被动Pcrit技术[14]。该技术理论基础为CPAP治疗期间上气道扩张肌活动减少。此外，它还依赖于一个假设：在治疗性CPAP之后，短暂的气道狭窄(最多5次呼吸)时，咽部扩张肌最低限度募集。因此，在这些条件下咽部气道的塌陷低CPAP,用所有气流受限的第3~5次呼吸绘制鼻罩内压和吸气流速峰值之间的关系散点图，线性回归与x轴相交的点即为Pcrit。大多数OSA患者的Pcrit值Wellman等[15]将上气道解剖量化为无CPAP(大气压)下正常呼吸通气驱动水平的通气量，该特征被表示为VO(即鼻压力为0的通气量)。VO是通过记2.测量LG:通气控制系统的敏感性可量化为通气控制反馈LG。通过CPAP3min时，由于上气道变窄通气量减少导致CO2增加，气反应与呼吸紊乱的比值[10]。然而，该方法的成功率相对较低(76%),并鉴于原始技术的局限性，Wellman等[10]开发了一种不需要直接测量而是通过计算通气量变化来获取LG的技术。首先通过测量患者入睡并处于最佳CPAP时的通气量确定正常呼吸的通气量(eupne为主动，气道收紧，从而允许在0cmH2O时比被动条件下更多的气流。从CPAPmi反应(即LG)进行测量。LG以比值计算：分子是CPAP升压时在一定程度上代偿。代偿量主要取决于上气道对驱动增加能力，这种能力称为上气道增益。CPAP降压3min,通气量增加(△VE)除以通气驱动的增加(△VentilatoryDrive),即上气道增益[15]。4.测量肌肉反应性：睡眠期间受到呼吸刺激(如CO2和咽部压力变化)时，咽部肌肉能够增加其活动，称为肌肉反应性[5]。然而，睡眠过程中随着气道回归来评估，颏舌肌反应性定义为2个变量之间的斜率[3]。肌肉有效性是指5.测量呼吸性AT:AT定义为产生觉醒的通气驱动。可使用通气控制系统的通气控制系统的循环延迟和时间常数。采用增益、延迟和时间常数可计算CPAP下降任意点的通气驱动增加。因此，当觉醒发生时可确定觉醒时的通气驱动[1(三)基于PSG信号的内型测量近这方面取得了一些进展，例如，仅使用PSG中收集的3个指标AHI82.5%、低通气占比>58.3%,每满足一项得1分，如总分≥2分可正确预测84.1%的受试者存在低AT,敏感度为80.4%,特异度为88.0%[16]。尽管这种基于回归和PSG已经存在从常规PSG收集的数据同时量化4种关键内型的技术，即脑电图(electroencephalography,EEG)监测以评估睡眠/清醒状态和皮层觉醒，鼻压力提供半定量气流测量，并且它们与金标准测量的结果相关性较好[12-13,16-11.PSG量化LG:通过对PSG获取的睡眠相关参数进行数学建模与分析，具体而言是对包含阻塞性事件的7min时间段数据进行分析处理，基于受试者自身的阻塞性事件引起通气波动反应原理测定LG。测量时将鼻气流压力平方根转换以低氧与高CO2的通气反应性的化学驱动(chemicaldrive,Vchem)函数。当出现呼吸事件相关觉醒时，总的通气驱动为Vchem与觉醒通气反应(ventilationr织与肺的缓冲时间(T)和化学感受器与肺之间血液循环的时间延迟(δ),并建立如下函数计算LG:t(dVchem/dt)=-Vchem-LG×VE(t-δ),t为呼吸时间[19]。PSG法计算过程涉及肺脏血液循环至中枢和外周化学感受器的时间延迟，因此获得的数据更能相对全面地反映LG,但测定过程需用特殊的软件系统如t、δ、VRA等，测量过程较为复杂。该方法不能用于测量非OSA患者的LGTerrill等[18]开发了一种仅使用常规的PSG来估计OSA患者动态LG的模为Vchem(作为对CO2升高和低氧的反应),以及伴随觉醒的非化学或清醒呼吸驱动的总和。通过拟合一个简化的控制系统模型来测量LG,该模型包含化学和逗号分隔变量(.csv)文件，然后使用内部构建的Matlab软件导入和分析。代指标，并进行平均积分归一化(潮气量×呼吸频率)。创建一个分类的每次呼吸EEG觉醒(1=觉醒，0=无觉醒)和阻塞性呼吸(1=无阻塞，0=阻塞)的时间序列。使用这些数据进行模型拟合以确定每帧的最佳系统参数集并计算LG。经数001)。因此，可以使用OSA患者的自主通气模式从临床常规的PSG量化LG,这种新方法为临床医师在选定个体中针对导致OSA的非解剖机制进行靶向治疗打开了大门[18]。2.PSG量化AT:Sands等[13]基于PSG通气量信号开发了一种自动、非侵入性的方法来估计AT。该方法采用未经校准的通气量信号(如鼻压力)和临床评分(觉醒和呼吸事件)在自主呼吸期间估计AT。对于每个窗口，识别每个EEG觉醒开始之前的通气驱动(如呼吸事件终止时),计算这些通气驱动值的平均值为AT。这种基于PSG鼻压力信号对AT的估计值与金标准测量值(食道压、食道内EMGdi和CPAP降压操作)有很好的相关性[13]。3.PSG量化咽部塌陷性和肌肉代偿性：Sands等[13]在开发、验证并自动化一种通气驱动(即预期通气量)测量方法的基础上，又开发了一种基于PSG肌肉代偿性的方法。塌陷性是指大气压下正常呼吸通气驱动时的通气量水平(ventilationateupneicmaximumventilatorydrive,Vactive)和Vpassive的差值，其中Vactive即AT的通气驱动。使用内部Matlab软件进行全自动化分析，结果发现，基于PJoosten等[21]应用Sands的方法[12]测量3种PSG模式的内型特征(V中表现出明显更易塌陷的气道(即较低的Vpassive)。Finnsson等[20]通过重现Sands等的使用PSG的内型方法分析来重新实现和有效的算法来检测呼吸、计算正常通气量(平均移动时间)和模拟通气驱动(预期通气量)。此外，他们还创建了一个基于云的版本用于扩Dutta等[7]应用无监督多元主成分分析和决策树学习器数据驱动的监督机器学习方法调查所有4种OSA内型对OSA严重程度的影响。与其SG和临床数据如何影响当前队列中的OSA内型。尽管还需要在更大的前瞻性队等[10,15]简化后，目前可以通过CPAP降压方法来测量部分指标。而Sands[1]ZinchukA,YaggiHK.PhenotypicsubtypesofOSA:achalopportunityforprecisionmedicine[J].Chest,2020,157(2):403-420.[2]BosiM,DeVitoogyofobstructivesleepapneausingpolygraviewoftheliterature[J].SleepBreath,20[3]EckertDJ,WhiteDP,JordanAS,etal.Definingphofobstructivesleepapnea.Identificationofnoveltherapeutictargets[J].AmJRespirCritCarea[J].Lancet,2014,383(9918):736-747.DOI:10.1016/S0pathwaysfortargetedtherapy[J].SleepMedRev,2018,37:45-59.DO[6]ZinchukAV,GentryMJ,ConcatoJ,etal.esleepapnea:Adefinition,examplesandevolutionofapproaches[J].SleepMedRev,2017,35:113-123.DOI:10.1016/j.smrv.2016.10.002.obstructivesleepapneaendotypesfromstandaity[J].AnnAmThorac[8]EdwardsBA,RedlineS,Srespiratoryevents:personalizedmedicineapproachesforobstructive[9]MalhotraA,Mesarwi0,PepinJL,etal.End614.DOI:10.1097/MCP.OO00determiningphenotypictraitsinpatientswita[J].JApplPhysiol(1985),2013,114(7):911-922.DOI:10.1152/japp[11]Taranto-MontemurroL,MessineoL,WellmanA.Targetingctraitswithmedicationsforthepharmacologicaltreatmentofobstru2019,8(11).DOI:10.3390/jcm8111846.[12]SandsSA,EdwardsBA,TerrillPIpathophysiologyusingpolysomnographyeepapnea[J].AmJRespirCritCare[13]SandsSA,TerrillPI,Edwardsthresholdusingpolysomnographyinobstructivesleepapnea[J].S2018,41(1):zsx183.DOI:10.1093/sleep/zsx183.[14]CarterSG,EckertDJ.Effectsofhypnoticsonobstructivesleapneaendotypesandtreatment[J].SleepMedRev,2021,58:101492.DOI