晚间脉搏血氧饱和度水平在OSAHS临床诊断及病情预测中的应用

金春园，江峰，周磊

阻塞性睡眠呼吸暂停低通气综合征（OSAHS）的发生与睡眠过程中上气道塌陷反复出现关系密切，患者可见频发呼吸暂停和低通气事件，是导致睡眠质量下降的重要原因，并可能诱发多种心脑血管及呼吸系统疾病[1]。OSAHS诊断目前主要依赖基于夜间多导睡眠监测所获得呼吸暂停低通气指数（AHI）水平，但多导睡眠监测存在操作难度高、价格高昂及对正常睡眠影响较为明显等缺点，临床应用明显受限[2]。血氧饱和度（SpO2）是临床常用的缺氧状态评估指标之一，已被广泛用于OSAHS人群辅助检查，但其水平是否可用于病情严重程度的预测尚无定论[3]。本研究回顾性分析2019年1月至2021年12月浙江省舟山医院收治的打鼾并行整夜多导睡眠监测患者共117例，探讨晚间脉搏SpO2水平在OSAHS临床诊断及病情预测中的应用价值，旨在为后续临床诊断及优化提供更多参考。现报道如下。

1 资料与方法

1.1 一般资料纳入打鼾并行整夜多导睡眠监测患者共117例，纳入标准：（1）因持续打鼾症状于本院就诊；（2）配合完成夜间完整多导睡眠监测。排除标准：（1）中枢性或混合性睡眠呼吸暂停低通气；（2）已接受OSAHS相关治疗；（3）存在其他低氧状态并发症；（4）长期服用镇静安眠类药物。其中男94例，女23例；年龄18～81岁，平均（45.2±10.6）岁；体质量指数19.1～36.8 kg/m2，平均（26.81±5.19）kg/m2。本研究获得医院伦理委员会批准。

1.2 方法参考AHI水平进行分组，其中非OSAHS组（AHI＜5次/h）11例，轻度组（5次/h＜AHI≤15次/h）14例，中度组（15次/h＜AHI≤30次/h）20例，重度组（AHI＞30次/h）72例。记录患者性别、年龄、身高、体质量、夜间多导睡眠监测及AHI等资料；睡眠状态及相关事件发生评估参考美国睡眠医学会手册（V2.5）[4]。SpO2相关指标包括SpO2min值、SpO2平均值、SpO2＜70%、SpO2＜80%、SpO2＜90%时间百分比。

1.3 统计方法采用SPSS20.0统计软件进行分析，符合正态分布的计量资料以均数±标准差表示，采用K-S检验；不符合正态分布的计量资料以M（P25，P75）表示，采用Mann-Whitney U检验；采用Pearson检验进行相关性分析；采用多元线性回归模型和反向神经网络模型评估预测效能。P＜0.05表示差异有统计学意义。

2 结果

2.1 相关性分析SpO2min值、SpO2平均值、SpO2＜70%、SpO2＜80%、SpO2＜90%时间百分比均与打鼾患者AHI水平呈正相关（均P＜0.05），见表1。

表1 打鼾患者晚间脉搏SpO2相关指标与AHI水平的相关性分析

2.2 多元线性回归模型分析 晚间脉搏SpO2水平可用于OSAHS患者的诊断及病情严重程度预测，且重度组预测效能最佳（P＜0.05），见表2。

表2 多元线性回归模型分析

2.3 反向神经网络模型分析 晚间脉搏SpO2水平可用于OSAHS患者诊断及病情严重程度预测，且重度组敏感度和阳性预测值最佳（t=3.78、4.11，均P＜0.05），见表3。

表3 反向神经网络模型分析

3 讨论

近年来，寻找OSAHS诊断“金标准”多导睡眠监测的替代方案已成为医学界关注的热点领域之一[5]，包括调查问卷、心电图及SpO2检测等在内的方法已被用于OSAHS辅助诊断，其中SpO2检测获取难度较低，基层医院普及率更高，相较于主观性较高的调查问卷更具临床应用价值[6]。

有研究单纯采用氧减饱和度升高指数预测AHI水平，尽管敏感度尚可，但特异度较低、假阳性率更高，无法满足临床诊断需要[7]。另有报道同时纳入SpO2＜70%～90%时间百分比等指标构建回归预测模型，但这一模型无法对整体情况进行评估，所得结论仅证实这一模型与AHI水平间弱相关性[8]。另一项二元回归模型研究提示SpO2＜70%、SpO2＜80%、SpO2＜90%时间百分比与调查问卷、睡眠分期及心率相结合构建模型与AHI水平间关系密切，但因纳入多种类型指标导致临床价值存疑，特别是调查问卷主观性过强，睡眠分期则需依赖多种电信号检查，给临床应用带来极大难度[9]。此外SpO2频域数据已被证实能够反映AHI水平，但在病情严重程度方面仅能区分轻中度与重度OSAHS人群[10]。

早期研究提示调查问卷及四变量筛查工具在区分OSAHS患者病情严重程度方面及效能区分方面敏感度及特异度均较差[11]。而纳入包括血压、心率及SpO2在内的综合预测模型在预测OSAHS严重程度方面敏感度达到93%，但特异度较低（68%），同时这一研究入组患者年龄多在40岁以内，且低AHI值占比较高，导致模型预测效能可靠性[12]。

本研究根据晚间脉搏SpO2相关指标，通过二元回归模型和反向神经网络模型证实上述指标在区分OSAHS人群病情严重程度方面具有良好价值，同时区分重度OSAHS预测效能最高。笔者分析认为导致这一现象发生可能原因为非OSHAS组、轻度组及中度组纳入病例数相对较少。本研究纳入对象年龄及AHI水平范围相较于既往研究更为广泛，覆盖绝大部分年龄段；同时模型选用SpO2特征均与OSAHS病情存在强关联性，故预测价值往往更佳。