Validation of a new, minimally-invasive, software smartphone device to predict sleep apnea and its severity: transversal study

本文旨在评估Apneal这一应用程序的性能，该应用程序利用智能手机的麦克风和加速度计来记录声音和运动，以估计患者的阻塞性睡眠呼吸暂停低通气指数（AHI）。在医院多导睡眠图检查期间，通过手动评分和使用Apneal内部于2022年底发布的深度学习模型自动检测呼吸事件，对46名成年患者进行了单中心概念验证研究。对于AHI大于15，手动评分的敏感性为0.91，阳性预测值（PPV）为0.89；对于AHI大于30，敏感性为0.85，PPV为0.94。对于识别AHI大于15，我们获得了0.85的AUC-ROC和0.94的AUC-PR，对于识别AHI大于30，我们获得了0.95的AUC-ROC和0.93的AUC-PR。本文表明，与基于多导睡眠图评分相比，基于智能手机信号的手动评分是可行且准确的。基于深度学习模型的自动评分方法提供了有前途的结果。需要进行更大规模的多中心验证研究，涉及不同阻塞性睡眠呼吸暂停低通气指数严重程度的受试者，以确认这些结果。

本文旨在评估使用智能手机传感器记录声音和运动的Apneal应用程序来估计患者的睡眠呼吸暂停指数（AHI）的性能，以解决阻塞性睡眠呼吸暂停（OSA）的诊断难题。

本文提出了一种基于智能手机传感器的解决方案，使用深度学习模型进行自动评分，可以准确地评估患者的AHI，相比于PSG评分方法，该方法更加便捷和实用。

本文进行了单中心的概念证明研究，使用了手动评分和自动检测两种方法进行实验，结果表明，Apneal应用程序可以准确地评估患者的AHI，自动评分方法表现良好。需要进行更大规模的多中心验证研究来确认这些结果。

近期的相关研究包括使用智能手机传感器进行睡眠监测的研究，如“Smartphone-based sleep quality monitoring using movement and ambient light sensors”和“Validation of a smartphone-based approach to measuring gait parameters in healthy volunteers”。