Nature子刊：利用夜间呼吸信号进行人工智能检测和评估帕金森病

使用基于神经网络的模型，可以诊断出帕金森病，并根据患者睡眠时的呼吸模式监测其严重程度，并有可能进行家庭无触控监测。

　　

摘要

目前还没有有效的生物标志物用于诊断帕金森病(PD)或跟踪其进展。在这里，我们开发了一个人工智能(AI)模型来检测PD，并跟踪其进展从夜间呼吸信号。该模型是在一个包含7671个人的大型数据集上评估的，使用了来自美国几家医院的数据以及多个公共数据集。该AI模型对外部测试集和外部测试集的PD检测曲线下面积分别为0.90和0.85。AI模型还可以根据运动障碍社会统一帕金森病评定量表(R = 0.94, P = 3.6 × 10-25)评估帕金森病的严重程度和进展情况。该人工智能模型使用了一个注意力层，可以解释其关于睡眠和脑电图的预测。此外，该模型还能以一种非接触的方式评估家庭环境中的帕金森病，方法是提取睡眠时人体反射的无线电波中的呼吸。我们的研究证明了客观、无创、在家评估帕金森病的可行性，并为该AI模型可能用于临床诊断前的风险评估提供了初步证据。

主要

帕金森病是世界上发展最快的神经系统疾病1。截至2020年，美国有超过100万人患有帕金森病(参考文献2)，造成每年520亿美元的经济负担3。到目前为止，还没有药物能够逆转或阻止这种疾病的发展。PD药物开发和疾病管理的一个关键难点是缺乏有效的诊断生物标志物5。该病通常是根据临床症状诊断的，主要与运动功能有关，如震颤和僵硬。然而，运动症状往往在发病数年后才出现，导致诊断较晚。因此，迫切需要新的诊断生物标志物，特别是能够在早期发现疾病的标志物。

也没有有效的进展性生物标志物来跟踪疾病的严重程度5。如今，PD进展的评估依赖于患者的自我报告或临床医生的定性评级7。通常情况下，临床医生使用一种名为“运动障碍社会统一帕金森病评定量表”(MDS-UPDRS)的问卷。MDS-UPDRS是半主观的，并没有足够的敏感性来捕捉患者状态的微小变化9,10,11。因此，PD临床试验需要持续数年才能有足够的统计可信度报告MDS-UPDRS的变化，这增加了成本并延误了进展13。

文献研究了几种可能的PD生物标志物，其中脑脊液14、15、血液生化16和神经影像学17具有较好的准确性。然而，这些生物标记物成本高，侵入性强，需要专门的医疗中心，因此，不适合频繁检测以提供早期诊断或持续跟踪疾病进展。

帕金森病和呼吸之间的关系早在1817年詹姆斯·帕金森的研究中就有记载。这一联系在后来的研究中得到了进一步的加强，他们报道了脑干中控制呼吸的区域的退化19，呼吸肌功能的衰弱20和睡眠呼吸障碍21,22,23,24。此外，这些呼吸道症状往往比临床运动症状早几年出现20,23,25，这表明在临床诊断前，呼吸特征可能是有希望进行风险评估的。

在这篇文章中，我们提出了一种新的基于人工智能的系统(图1和扩展数据图1)，用于使用夜间呼吸检测PD、预测疾病严重程度和跟踪疾病进展。该系统以一个晚上的呼吸信号为输入，可以通过佩戴在胸部或腹部的呼吸带来采集。另外，呼吸信号也可以在没有可穿戴设备的情况下通过发射低功率无线电信号并分析其在人体上的反射来收集。该模型设计的一个重要组成部分是，它从夜间呼吸中学习预测人的定量脑电图(qEEG)的辅助任务，防止模型过拟合，并有助于解释模型的输出。我们的系统旨在提供一种客观、非突发性、低成本、可在患者家中反复测量的诊断和进展数字生物标志物。