睡眠与觉醒侵入：解析失眠及主客观睡眠差异的新视角

研究人员分析多导睡眠图数据，探究失眠与主客观睡眠差异（SOSD），为失眠诊断和治疗提供新方向。

　　失眠，这个看似平常的睡眠问题，却隐藏着许多科学谜团。在工业化国家，10% - 20% 的成年人长期被慢性失眠困扰，这不仅影响生活质量，还对身心健康造成严重危害，如增加心血管疾病风险、引发焦虑和抑郁等。然而，目前失眠的诊断和治疗面临诸多挑战，其中一个关键难题就是主客观睡眠差异（Subjective-Objective Sleep Discrepancy，SOSD）。许多人主观感觉睡眠不佳，但客观的睡眠质量检测结果却与之不符，这种差异使得准确诊断失眠和评估睡眠质量变得困难重重，也让寻找可靠的睡眠质量生物标志物的工作举步维艰。

为了深入探究这一复杂问题，来自法国索邦大学（Sorbonne Universite）、巴黎西岱大学（Université Paris Cité）等机构的研究人员展开了一项重要研究，相关成果发表在《Communications Biology》杂志上。

研究人员采用了一系列先进的技术方法来开展研究。他们回顾性分析了大量基于主观抱怨被诊断为慢性失眠患者的多导睡眠图（Polysomnography，PSG）数据，这些数据来自不同的设备，具有多样性。为了克服数据差异带来的问题，研究人员开发了一种基于估计睡眠密度（Hypnodensities，HD）的数据协调程序。通过从 PSG 记录中提取高度判别性和最小冗余的特征，训练个性化睡眠结构模型，进而提取 HD。同时，利用信息论中的熵和库尔贝克 - 莱布勒散度（Kullback-Leibler divergence，DKL?）来量化睡眠阶段的侵入和不稳定性，并将这些指标作为生物标志物来预测临床组和个体水平的标准睡眠质量指标。

研究结果主要包括以下几个方面：

• 睡眠密度的应用：研究人员通过分析大型 PSG 记录数据库，利用 HD 这一概率性方法对睡眠进行分期。HD 能够细致地评估每个睡眠阶段在给定时间段内出现的概率，为后续研究提供了更精确的睡眠特征描述。
• 失眠中的侵入现象：对比不同睡眠组发现，SOSD^-患者在睡眠期间的觉醒概率显著增加，即存在觉醒侵入；而 SOSD⁺患者在觉醒期间的睡眠概率更高，表现为睡眠侵入，但在睡眠期间的觉醒侵入不明显。此外，SOSD⁺患者的觉醒不稳定性更高。
• 预测睡眠组和睡眠质量：睡眠侵入和觉醒不稳定性可作为可靠的标记物，用于区分不同睡眠组和预测失眠亚型。通过机器学习分类器发现，这些特征能有效预测睡眠组，且对 SOSD^-和 SOSD⁺的分类性能较好。同时，它们还能预测失眠患者的睡眠质量指标，如总睡眠时间（Total Sleep Time，TST）、睡眠潜伏期（Sleep Onset Latency，SOL）、睡眠后觉醒时间（Wake After Sleep Onset，WASO）和睡眠效率（Sleep Efficiency，SE）。
• 与 EEG 活动的关联：睡眠侵入与不同频率的脑电图（Electroencephalography，EEG）活动相关。觉醒期间的睡眠侵入与低频 EEG 功率增加有关，而睡眠阶段的侵入则与高频 EEG 功率增加相关，这与先前关于睡眠和觉醒分离状态的研究结果一致。

在研究结论和讨论部分，该研究具有多方面的重要意义。研究揭示了 SOSD⁺和 SOSD^-在生理特征上的显著差异，表明 SOSD⁺是一种独特的失眠亚型，为失眠的分类和诊断提供了新的依据。研究结果支持了失眠的高唤醒模型，但也发现该模型可能并不完全适用于 SOSD⁺患者，这为理解失眠的发病机制提供了新的视角。基于这些发现，未来的失眠治疗可能需要根据不同的病理过程进行调整，例如对于 SOSD⁺患者，治疗方向可从改善睡眠转向提高白天警觉性。研究提出应从二元诊断转向分级诊断框架，以更好地涵盖睡眠的变异性和个体差异，为失眠的诊断和治疗开辟了新的方向。此外，研究中基于 HD 的方法简单且可解释，能够有效映射到传统的 EEG 频谱特征和睡眠指标，有助于临床应用和进一步的研究。

不过，该研究也存在一定的局限性。这是一项单中心回顾性研究，虽然控制了部分变量，但未对所有合并症进行考量，且缺乏对照觉醒记录，可能影响对 SOL 的预测。同时，研究仅分析了每个受试者一晚的 PSG 数据，无法考虑夜间变化和一些特殊效应，对于 SOSD 潜在的神经机制探究也不够深入。尽管如此，这项研究为未来失眠研究提供了重要的方向和思路，有望推动失眠诊断和治疗领域的进一步发展。