Храп как диагностический инструмент: новый метод выявления апноэ сна

Обструктивное апноэ сна (ОАС) — это распространенное расстройство, при котором во время сна многократно прекращается дыхание из-за спадения мягких тканей глотки. Диагностика обычно требует полисомнографии — дорогостоящей процедуры в условиях стационара. Международная группа исследователей из Индии, Китая и США предложила альтернативу: анализ звуков храпа с помощью машинного обучения. Результаты работы опубликованы в журнале Physics of Fluids. Этот метод может сделать диагностику апноэ более доступной и комфортной для миллионов людей.

Как звуки храпа помогают выявить апноэ

Исследователи записали звуки храпа 92 пациентов с подозрением на ОАС в условиях клиники. Участники одновременно проходили стандартную полисомнографию для верификации диагноза. Звуковые записи разбили на короткие сегменты и преобразовали в спектрограммы — визуальные представления частотных характеристик звука. Затем обученная нейросеть анализировала эти спектрограммы, выявляя паттерны, характерные для апноэ.

Оказалось, что храп пациентов с ОАС отличается от обычного храпа по нескольким параметрам: частоте, интенсивности и временной структуре. В частности, при апноэ наблюдаются характерные паузы между звуками храпа, а также изменение спектрального состава. Алгоритм продемонстрировал точность диагностики около 90% по сравнению с полисомнографией. Это сопоставимо с точностью существующих методов, но при этом не требует датчиков на теле пациента.

Предыстория и контекст

Проблема диагностики ОАС стоит остро: по оценкам, до 80% пациентов с этим расстройством остаются недиагностированными. Традиционная полисомнография требует ночи в лаборатории, подключения к множеству датчиков и участия медперсонала. Это дорого и создает дискомфорт, особенно для пациентов с тяжелой формой заболевания. Существуют портативные устройства для домашнего мониторинга, но они также требуют контакта с кожей (например, напалечные пульсоксиметры).

Попытки использовать звук для диагностики апноэ предпринимались и раньше, однако предыдущие работы часто ограничивались небольшими выборками или не учитывали разнообразие паттернов храпа. Новое исследование отличается тем, что использует глубокое обучение для анализа спектрограмм, что позволяет улавливать тонкие акустические особенности. Кроме того, авторы применили метод аугментации данных, увеличивая объем обучающей выборки за счет искусственных вариаций звука, что повысило устойчивость модели.

Чем новый метод отличается от существующих?

Главное отличие — полная бесконтактность. Пациенту не нужно надевать датчики, маски или пояса. Достаточно микрофона, расположенного рядом с кроватью. Это снижает стоимость диагностики и делает процедуру более комфортной. Кроме того, алгоритм может анализировать храп в реальном времени, что открывает возможности для мониторинга в домашних условиях. Существующие методы, такие как пульсоксиметрия, дают лишь косвенные признаки апноэ, тогда как акустический анализ напрямую оценивает звук дыхания.

Технические подробности: как работает нейросеть

Исследователи использовали сверточную нейронную сеть (CNN), обученную на спектрограммах звуков храпа. Спектрограмма — это график, где по горизонтали отложено время, по вертикали — частота, а цветом показана интенсивность звука. Такое представление позволяет нейросети распознавать характерные визуальные паттерны, соответствующие апноэ. Для повышения точности применялась предварительная обработка звука: фильтрация шумов и нормализация громкости.

На этапе обучения сеть обрабатывала тысячи спектрограмм, полученных от пациентов с подтвержденным диагнозом и без него. Для оценки эффективности использовали кросс-валидацию — разделение данных на обучающую и тестовую выборки. Результаты показали, что модель достигает чувствительности 88% и специфичности 91%. Это означает, что она правильно выявляет 88 из 100 пациентов с апноэ и ошибочно диагностирует заболевание лишь у 9 из 100 здоровых.

Кого затронет и как

Новый метод в первую очередь интересен системам здравоохранения, которые ищут недорогие способы массового скрининга. В развивающихся странах, где доступ к полисомнографии ограничен, акустическая диагностика может стать спасением. Также технология пригодится для мониторинга пациентов с уже диагностированным апноэ, например, для оценки эффективности терапии CPAP (аппарата, создающего положительное давление в дыхательных путях).

Для разработчиков медицинских устройств открывается возможность создания портативных «умных» микрофонов или мобильных приложений, анализирующих храп. Например, смартфон, размещенный на прикроватной тумбочке, мог бы записывать звуки и проводить первичную диагностику. Однако для внедрения в клиническую практику потребуются дополнительные исследования на более крупных выборках и стандартизация алгоритмов.

Что будет дальше

Авторы планируют расширить исследование, включив больше участников с разными стадиями ОАС и сопутствующими заболеваниями. Также они намерены оптимизировать алгоритм для работы в реальных условиях, где возможны посторонние шумы. В перспективе технология может быть интегрирована в носимые устройства, такие как умные часы или кольца, но пока точность анализа звука с таких устройств не проверялась.

Другой важный шаг — создание базы данных звуков храпа, размеченных врачами, для обучения более точных моделей. Уже сейчас есть стартапы, разрабатывающие коммерческие версии подобных систем, но до массового внедрения, вероятно, пройдет 2–3 года.

Итог

Анализ звуков храпа с помощью нейросетей — перспективный, недорогой и неинвазивный метод диагностики обструктивного апноэ сна. Точность около 90% делает его конкурентоспособным по сравнению с традиционными подходами. Если последующие исследования подтвердят эффективность в домашних условиях, этот метод может стать революцией в скрининге нарушений сна, особенно в регионах с ограниченными медицинскими ресурсами.