阻塞性睡眠呼吸暂停(OSA)有两个扎眼的数字:大约 38% 的人群受它影响,超过 90% 的病例却从未被诊断——数字出自下文一份荟萃的背景段对既往文献的转引。原因不神秘:金标准多导睡眠监测(PSG)需要专用设备与受过训练的人员,在基层医疗和急性场景里根本铺不开。于是"用便宜信号加 AI 筛呼吸暂停"这几年越来越热闹:2026 年 7 月到 9 月的三个月里,仅 Journal of Medical Internet Research(JMIR)一家就接连发表了三份诊断荟萃分析,分别覆盖脉搏血氧、光电容积脉搏波(PPG,也就是手表和手环测心率用的那种信号)和跨阈值的筛查工具;Sleep Breath 又在 9 月补上一份心电荟萃。四份综述摆在一起读,这个方向的证据地图才看得全——而标题那个问题的答案不是一句"能"或"不能",它随信号而分层。
## 血氧:四份里最强的一份
JMIR 7 月 8 日发表的那份荟萃是四份里最强的一份。作者检索文献至 2026 年 1 月 3 日,从 13,986 篇文章里筛出 25 项研究、23,171 名参与者(各研究平均年龄从 40 岁到 63 岁,BMI 从 25 到 37),用贝叶斯方法汇总了只以脉搏血氧记录为输入的 AI 模型:合并敏感度 91.1%(95% 可信区间 89.7–92.4),特异度 88.4%(85.3–90.8)。神经网络分类器表现最好,敏感度 92.7%、特异度 91.3%;用深度学习做特征提取的模型,敏感度比专家手工设计特征高出 3.7 个百分点(95% 可信区间 0.9–6.9)。诊断的核心指标是 AHI,即呼吸暂停低通气指数——睡眠中平均每小时呼吸暂停与低通气事件的次数;这份荟萃里,AHI 截点越高敏感度略降、特异度越高,从 ≥5 到 ≥30 累计升高 16.6%。
方法学上有三个可查的细节:即便假设存在未发表研究的概率高达 40%,曲线下面积也只从 0.902 挪到 0.877,结论对发表偏倚不敏感;纳入研究的偏倚风险评估为低到中等;GRADE 证据质量总评高。作者的结论定位清晰:血氧 AI"优于或相当于"传统整夜血氧监测与家庭睡眠呼吸暂停测试(HSAT),并且这是首个仅基于血氧数据的 AI 模型合并定量综合。换句话说,一台指夹式血氧仪加一个模型,性能已经摸到了现有替代方案的水平——不过作者同时提醒,在大规模真实世界使用之前,仍需要在更多样人群和低患病率场景里做前瞻性外部验证。作者声明无利益冲突。
## 手表的 PPG:点估计不差,区间宽得吓人
JMIR 9 月 25 日那份荟萃正面回答了标题的问题。作者从 12,579 条记录里纳入 13 项研究、9,983 名成人,汇总以 PPG 为输入的 AI 模型:敏感度 79.6%,特异度 76.5%。单看点估计还算过得去,但 95% 可信区间分别是 55.5–93.8% 和 48.2–94.0%——几乎覆盖从"没什么用"到"很好"的全谱。宽区间本身就是信息:我们知道答案在这个范围里,不知道具体在哪。该荟萃纳入研究的偏倚风险为低或不明,GRADE 证据质量评级为中等,比血氧那份低一档。
阈值分析给出了清晰的规律:AHI 截点越高,特异度越高(≥5:63.6%;≥15:81.8%;≥30:85.1%),敏感度越低(87.2%→79.7%→76.7%)——重度患者更容易被"确认",轻中度更容易被漏掉。深度学习模型的特异度 82.9%,明显高于传统机器学习的 63.6%;疾病患病率与设备类型则未表现出与性能的明确关联。作者的结论留有余地:PPG AI 的准确性"合理",有潜力作为低成本筛查工具,但小样本、潜在偏倚来源、地域代表性不足与混杂因素都指向更多研究的必要。利益冲突声明写明一位作者参与一家 AI 方案公司并声明与本文工作无关,其余作者声明无相关竞争利益。
翻译给戴手表的你:设备将来或许能提示风险,但今天它的单次结果不足以自我诊断。
## 阈值即用途:同一类工具,三种角色
JMIR 9 月 11 日那份荟萃把视角从"信号"抬到"用途":检索窗覆盖 2016 年到 2026 年 5 月,纳入 60 项研究(47 项进入定量合成),以 PSG 为金标准,按 AHI≥5、≥15、≥30 三个临床阈值分别汇总 AI 筛查工具的表现:敏感度 0.94、0.87、0.83,特异度 0.77、0.81、0.91,汇总受试者操作特征曲线下面积分别为 0.943、0.907、0.920。
两个细节值得所有使用者注意。其一,预测区间远宽于置信区间——AHI≥5 的特异度预测区间是 0.30 到 0.96:平均表现不错,但换到一个新的具体场景,性能可能滑到区间的任何一端。其二,这份荟萃把模型按数据出身分开报告:用非 PSG 来源数据训练的工具,三个阈值的敏感度为 0.92、0.85、0.81,特异度 0.70、0.74、0.85;PSG 来源的模型则为敏感度 0.96、0.90、0.85,特异度 0.82、0.88、0.96。作者按角色解读这两类:非 PSG 来源的工具适合前端筛查与转诊优先化,PSG 来源的模型适合减通道评估与睡眠实验室工作流支持。冷水也一并倒出:异质性大、外部验证有限、证据确定性低或极低,常规部署之前需要前瞻性验证。作者声明无利益冲突。
## 心电那份:AI 到底在测什么
第四份荟萃 9 月 16 日发表在 Sleep Breath,聚焦心电信号的段级检测——逐个呼吸事件地判断,而不是逐患者地下诊断,所以它的数字不能与前三份的患者级结果同档排序。13 项研究的合并敏感度 0.88、特异度 0.89,曲线下面积超过 0.90,异质性中等。
它真正的贡献是一个机制观察:不同模型架构之间表现一致,提示 AI 依赖的是稳定的生理信号模式,而非数据集特异性特征。两位作者由此提出一个推断(原文用"可能"限定):AI 系统或许并不是在直接检测气道阻塞,而是在识别它的下游生理反应——尤其是心血管信号里反映的自主神经系统改变。如果成立,模型学到的是"身体对呼吸事件的反应",不是"呼吸事件本身"——这对可解释性与临床信任都是绕不开的问题。作者声明无竞争利益。
## 我的四个判断
以下是把四份荟萃并排读出来的综合,不是任何一篇原文的结论。
第一,信号质量在很大程度上决定了证据的命运。性能梯度清晰:临床级血氧(91.1/88.4,区间窄、证据质量高)> 综合筛查工具(随阈值与数据出身浮动)> 消费级 PPG(79.6/76.5,区间横跨"没什么用到很好");心电那份是段级口径,不参与同档排序。"手表筛呼吸暂停"的方向成立,但与临床级信号的精度差距是真实的——算法路线之间也有可见差距(上文深度学习与传统机器学习的特异度对比),只是区间的宽度说明,天花板更多由信号本身决定。
第二,阈值即用途。同一类筛查工具,把 AHI≥5 当目标时是撒网捞人的高敏感筛查器(合并 0.94),把 ≥30 当目标时是高特异的确认重症过滤器(0.91)。采购与部署决策必须先回答"我要它做什么",再选阈值与工具;而预测区间远宽于置信区间,意味着汇总均值不保证你的场景——评估这类工具时,别只看合并均值,要问预测区间。数据出身的拆分同样该进采购清单:问清楚模型是不是 PSG 数据喂出来的,两类工具的角色并不互换。
第三,证据生产高度集中。三份 JMIR 荟萃里,血氧与 PPG 两份出自同一个新加坡团队:两篇的作者名单有九位共同作者,含末位作者;PPG 篇的利益冲突声明写明其中一位作者参与一家 AI 方案公司。跨阈值那份来自天津医科大学,心电那份是两位作者的论文。集中本身不是否定证据的理由——能查到的披露都在案——但它让独立复现与前瞻验证更为紧迫:四份里有两份,出自署名高度重叠的同一个团队。
第四,整张地图缺同一块拼图。四份荟萃纳入的全部是诊断准确性研究,回答的是"查得准不准";没有一项前瞻性试验证明"AI 筛查→更早确诊→更早治疗"这条链能改善血压、心血管事件或交通事故风险。血氧篇与跨阈值篇的作者自己也把前瞻验证写成了使用前提。诊断准确性的荟萃已经开始边际递减,下一块钱更应该投给前瞻性试验与结局终点。
## 你能带走什么
如果你戴智能手表或手环:今天的 PPG 结果是风险提示器,不是诊断器——区间的宽度意味着单次结果既排除不了也确认不了什么;但如果你被设备提示了风险、或本来就怀疑自己的睡眠呼吸有问题,确诊的路径是正规睡眠监测(PSG/HSAT),而不是手表读数。如果你在基层医疗或卫生系统:血氧仪加 AI 的两级路径——大规模初筛、转诊优先化、PSG/HSAT 确诊——已有合并性能数据支撑,按用途选阈值。如果你是采购或监管者:别只看合并均值,要问预测区间;问清模型的数据出身,"非 PSG 来源 vs PSG 来源"的区分值得进审评框架。如果你是研究者:与真实临床路径头对头的前瞻试验,是整张地图的空位。
你的手表提示过你"睡眠可能有问题"吗?你会为一次 AI 提示专门去医院检查吗?欢迎在评论区聊聊。
来源:Journal of Medical Internet Research,2026 年 7 月 8 日(PMID 42418449,https://doi.org/10.2196/80349);Journal of Medical Internet Research,2026 年 9 月 25 日(PMID 42789743);Journal of Medical Internet Research,2026 年 9 月 11 日(PMID 42727078);Sleep Breath,2026 年 9 月 16 日(PMID 42747635)。