CACP 2025 | 赵东兴教授专访：人工智能大模型在睡眠呼吸障碍诊疗中的应用：从精准分类到智能预测

目前，睡眠呼吸障碍的诊断标准主要依赖多导睡眠图监测（PSG）。传统的PSG监测在睡眠呼吸障碍（如阻塞性睡眠呼吸暂停综合征，OSA）的诊断和分类方面存在一定局限性。它一台仪器需要占用一个房间，一天只能监测一个病人，诊断效率较低。而且，其数据分析和报告解读过程较为复杂，一个晚上8小时的监测数据，不仅要分析睡眠分期和呼吸事件，还要统计睡眠呼吸暂停低通气指数（AHI），并根据呼吸事件和AHI对睡眠呼吸障碍进行诊断和分类。

相比之下，人工智能大模型主要起辅助诊断作用，需要借助多种设备获取数据，包括视频监测数据、可穿戴设备监测数据、影像学资料以及临床上的电子病历信息等。它会综合这些多模态的数据，通过建模构建诊断模型，进而对睡眠呼吸障碍进行诊断和分类。

在分类方面，传统PSG监测通常将睡眠呼吸障碍分为阻塞性睡眠呼吸暂停低通气和中枢性睡眠呼吸暂停等常见类型，但这种分类方式存在一定的局限性。而人工智能大模型可以从不同角度进行更加精细化的分类：

• 病因机制角度：能够根据不同的病因机制划分出不同类型的睡眠呼吸障碍。

  
  

• 临床表现角度：可依据嗜睡情况、病情程度、心血管并发症以及脑血管并发症等临床表现进行分类。

  
  

• 治疗反应角度：可以根据患者对治疗的反应进行分类，例如对呼吸机的敏感性，分为依赖型、不敏感型等。

  
  

• 多模态数据综合角度：利用多模态数据进行更为综合的分类。

与传统的PSG监测相比，人工智能大模型具有明显优势：

1.诊断效率更高：传统PSG监测效率低下，而人工智能大模型能够在更短的时间内处理更多的数据和结果，大大提高了诊断效率。

2.识别能力更精细：在对睡眠呼吸障碍的特征识别方面，人工智能大模型可以做出更精细化的区分，有助于更准确地诊断和治疗患者。

对于不同类型（如轻度、中度和重度）的睡眠呼吸障碍患者，人工智能大模型的诊断准确性和预测能力确实存在差异。传统的多导睡眠图监测（PSG）将睡眠呼吸障碍分为轻、中、重三个等级。在人工智能预测方面，不同等级的患者呈现出不同的特点：

对于轻度睡眠呼吸障碍患者来说，这类患者睡眠中的呼吸事件相对较少，这增加了人工智能预测的难度，容易出现假阴性的情况，即可能会漏诊。所以单次预测的准确性可能不高，存在漏诊的风险。

对于中度睡眠呼吸障碍患者来说，人工智能对中度睡眠呼吸暂停的预测相对比较准确和稳定。其预测精度适中，在这类患者的诊断预测上表现良好。

对于重度睡眠呼吸障碍患者来说，相较于轻度患者，人工智能对重度患者的诊断情况更好一些，但与中度患者相比稍差。对于重度阻塞性睡眠呼吸暂停（OSA）患者，在对治疗反应的预测方面，人工智能可能不太准确。因为重度患者的个体差异非常明显，容易出现误判。不过，由于重度患者发生并发症的概率较高，所以针对重度OSA和睡眠呼吸障碍，人工智能更容易预测其并发症的发生情况。

传统的多导睡眠图监测（PSG）诊断效率低，且单一指标难以全面反映患者的表型和预后情况。未来，人工智能诊断系统有望替代传统PSG，显著提高诊断效率，将医生从繁杂的诊断工作中解放出来。此外，人工智能大模型能够较为准确地对睡眠呼吸障碍的病因表型进行分析和预测。未来，这类大模型将更多地应用于临床，使得睡眠呼吸暂停的诊断和治疗更加精准。并且，有可能基于此形成数字疗法相关的医疗器械或产品，为患者提供更有效的治疗方案。

未来，基于人工智能的远程管理有望形成更加闭环的智能诊疗模式。在国家重大专项提出的理念中，睡眠呼吸暂停的筛查、诊断、治疗评估等全流程管理，在人工智能模型的助力下将更容易实现，为患者提供更全面、连续的医疗服务。人工智能大模型具有与医生和患者进行互动交流的功能。针对患者，它可以开展健康宣教，帮助患者进行自我管理；对于医生，它能提供疾病的精准分析和治疗决策支持，辅助医生更好地进行诊疗工作。