问答:预测CPAP对阻塞性睡眠呼吸暂停患者心血管疾病事件风险的影响Q&A: Predicting how CPAP may impact CVD event risk in OSA

环球医讯 / AI与医疗健康来源:www.healio.com美国 - 英语2026-10-10 03:45:44 - 阅读时长5分钟 - 2126字
这项研究介绍了一种机器学习模型,能够预测阻塞性睡眠呼吸暂停(OSA)患者使用持续气道正压通气(CPAP)对其心血管疾病风险的影响。研究基于西奈山研究人员对2,687名OSA患者的分析,发现CPAP对心血管疾病复发风险的影响因人而异:被模型预测会受益的患者风险降低,而被预测可能受伤害的患者风险上升。这一发现挑战了"一刀切"的治疗方法,支持根据个体差异定制OSA治疗方案,为心血管疾病预防提供了新的精准医疗方向,但仍需在其他数据集上进行验证才能应用于临床实践,这标志着睡眠医学领域向个性化治疗迈出了重要一步。
健康心血管睡眠呼吸暂停CPAP机器学习风险预测个性化医疗心血管事件睡眠研究治疗效果
问答:预测CPAP对阻塞性睡眠呼吸暂停患者心血管疾病事件风险的影响

关键要点:

  • 对于被机器学习算法预测会受益的成人,使用CPAP后心血管疾病复发事件的风险降低;而对于被预测可能受到伤害的患者,风险则上升。
  • 需要在另一个数据集中进行验证。

根据发表在《通讯医学》(Communications Medicine)的研究结果,一种利用机器学习构建的模型可以预测阻塞性睡眠呼吸暂停(OSA)患者使用持续气道正压通气(CPAP)是否会对他们的心血管健康产生益处或危害。

西奈山的研究人员使用来自多国随机对照睡眠呼吸暂停心血管终点(SAVE)试验的数据开发了该模型,该试验包括2,687名年龄在45至75岁之间、患有OSA且有冠状动脉疾病或脑血管疾病病史的成人。该研究人群也被用来测试该模型。

患者从该模型获得了个性化的风险预测分数,并根据该值分为三组,以测试该模型预测哪些人会从CPAP中受益以及哪些人可能在心血管事件方面受到伤害的准确性。

研究表明,与仅接受常规护理相比,使用CPAP加上常规护理的患者中,那些被预测会受益的患者(前三分之一)心血管疾病复发事件的风险较低,而被预测可能受到伤害的患者(后三分之一)风险较高。

《希利欧》(Healio)采访了该研究作者、伊坎医学院肺病、重症监护和睡眠医学助理教授奥伦·科恩医学博士,了解更多关于这项研究的背景、机器学习算法以及该研究的下一步。

希利欧:OSA患者中CVD的患病率如何?这种合并症有哪些负面影响?

科恩:这些数字因研究类型以及OSA患者是否已经发生过主要不良心血管事件(MACE)而异。对于没有先前MACE的患者,4至5年内的发病率为约10%。对于有先前事件的患者(如我们研究的人群),复发MACE的总体率略高于15%。

希利欧:您是如何决定开发机器学习模型来回答关于CPAP对心血管疾病影响的问题的?

科恩:虽然观察性数据显示OSA(特别是更严重的OSA)与CVD/中风之间存在明确关联,并且使用CPAP的OSA患者MACE发生率较低,但没有随机对照试验(RCTs)验证CPAP的这种积极影响。因此,该领域仍存在一个问题:CPAP的效果是否真实存在(即真正的因果关系),或者是否有其他因素使CPAP看起来具有保护作用,例如"健康使用者效应"。这意味着使用CPAP的人可能在基线时更健康,他们较低的CVD发生率与使用CPAP无关。

我们的假设是,在这些RCTs中,研究人群在CPAP治疗效果方面存在巨大的异质性。这意味着并非所有患者对CPAP的反应都相同,如果你取所有反应的平均值,总体效果就不明显。然而,在这项研究中,我们发现CPAP对某人未来MACE风险的影响确实存在个体差异。此外,我们开发的机器学习算法可以预测这种对CVD风险的CPAP效应。

希利欧:哪些睡眠和健康信息被纳入了机器学习算法?您是如何决定选择这些特定因素的?

科恩:我们采用无偏见的方法,评估了SAVE试验中的所有可用数据。变量最终通过一个开发流程,以识别那些在识别差异化治疗反应方面最有信息价值的因素。这个过程是数据驱动的,没有临床研究团队的主观输入,基本上让数据引导我们识别新的风险因素。这个过程最终确定了23个被最终模型使用的变量。这些特征差异很大,来自不同领域,包括患者的睡眠研究数据、病史、药物、生活方式数据和健康问卷数据。

希利欧:您的模型表现如何?这项研究的下一步是什么?您希望实现的最终目标是什么?

科恩:我们执行的方法称为因果生存森林。我们将这种分析应用于SAVE RCT的数据。我们的模型表现非常好,从我们在风险预测分数三分位数内进行的生存分析中可以看出。然而,这些参与者与用于开发模型的参与者相同(即训练集)。我们仍需要使用单独的数据集进行外部验证。问题是尝试找到一个允许这种验证的数据源,因为SAVE是针对OSA患者CPAP治疗的最大RCT。

我们目前正在开发额外的数据源,这将有助于验证我们的模型。此外,在模型准备好用于临床之前,我们需要将特征集减少到仅那些在临床上常规获取的变量。

我们的目标是开发一个可部署的评分系统,临床医生可以使用它来帮助决定是否向患者推荐CPAP,特别是为了改善他们的心血管疾病和中风风险。

希利欧:反思您的结果,为什么OSA治疗应该从"一刀切"的方法转向个性化?临床医生如何/应该如何定制他们的治疗?

科恩:OSA患者在CPAP的长期健康影响方面存在显著的异质性。在个性化医疗时代,我们不应满足于在整个患者群体中应用平均治疗效果。不仅CPAP治疗反应存在显著的变异性,而且我们还可以使用机器学习预测患者的反应。

更多信息:

奥伦·科恩医学博士可通过pulmonology@healio.com联系。

来源/披露

来源:

希利欧采访

参考文献:

Cohen O, et al. Comm Med (Lond). 2026;doi:10.1038/s43856-026-01457-1.

Mount Sinai研究人员开发机器学习模型预测CPAP如何影响阻塞性睡眠呼吸暂停患者的心血管疾病风险。发布于2026年4月9日。访问于2026年4月9日。

披露:

科恩报告无相关财务披露。

【全文结束】