ИИ-модель распознала лёгкое когнитивное нарушение при апноэ

Подробно

Кого и как обследовали в китайском исследовании?

Работа Enguang Li, Fangzhu Ai, Peipei Cai, Kuo Wen, Botang Guo и Hongjuan Wen опубликована в BMC Psychiatry под названием «Interpretable machine learning for identifying mild cognitive impairment among Chinese patients with obstructive sleep apnea: a multicenter cross-sectional study». Рукопись поступила в редакцию 6 июня 2026 года и прошла рецензирование. Её приняли 28 сентября, а 11 октября на сайте журнала вышла ранняя версия полного текста. Позже её заменит окончательно отредактированная версия. Авторы представляют организации Чанчуня, Шэньяна, Харбина и Шэньчжэня.

Участники исследования - взрослые с обструктивным апноэ сна, подтверждённым полисомнографией. У всех индекс апноэ-гипопноэ (AHI) превышал 5 эпизодов в час. До обследования никто из них не получал специфического лечения апноэ, в том числе CPAP-терапии. Исследование поперечное: учёные оценивали когнитивное состояние в момент обследования и не наблюдали пациентов дальше.

Данные собирали в два этапа:

• В центре сна при больнице Чанчуньского университета китайской медицины с августа по декабрь 2025 года набрали 400 пациентов. На 280 из них модель обучали, ещё 120 использовали для выбора алгоритма.
• В центре сна больницы Лоху при медицинской школе Шэньчжэньского университета с января по май 2026 года отдельно набрали 192 пациента для независимой внешней проверки.

ЛКН классифицировали у 93 из 280 человек в обучающей группе (33,2%), у 38 из 120 во внутренней группе (31,7%) и у 57 из 192 во внешней (29,7%). Это доли только среди отобранных пациентов двух центров. Распространённость ЛКН среди всех людей с апноэ сна по ним оценить нельзя.

Лёгкое когнитивное нарушение - это проблемы только с памятью?

Нет. Исследователи оценивали не только память, но и внимание, речь, планирование и другие функции. ЛКН устанавливали по совокупности признаков: мыслительные функции снизились по сравнению с прежним уровнем, это подтверждает объективная когнитивная оценка, самостоятельность в быту в основном сохранена, деменция исключена. Итоговое решение принимала группа оценщиков, в которую входил врач. ЛКН, выявленное по этой процедуре, не равнозначно диагнозу болезни Альцгеймера.

Как работает модель машинного обучения для оценки когнитивных нарушений?

Исследователи начали с 27 возможных признаков. После проверки на избыточность осталось 24, а методы отбора LASSO и Boruta совместно выделили девять. Затем учёные сравнили восемь алгоритмов и по результатам внутренней группы выбрали «случайный лес». Модель и порог срабатывания 0,3228, рассчитанный на обучающих данных, зафиксировали до анализа результатов из Шэньчжэня.

Итоговая модель учитывает девять признаков:

• тяжесть апноэ по индексу AHI;
• среднее насыщение крови кислородом во сне (MSaO2);
• баллы опросника депрессивных симптомов PHQ-9;
• баллы шкалы тревоги GAD-7;
• дневную сонливость по шкале ESS;
• воспринимаемый стресс по шкале CPSS-14;
• качество сна по индексу PSQI;
• частоту употребления кофе;
• физическую активность.

Кофе и активность фиксировали широкими категориями, без точной дозы и длительности. Исследование поперечное, поэтому вклад признака в работу алгоритма не доказывает причинную связь. Из работы нельзя сделать вывод, что кофе, движение, тревога или депрессивные симптомы вызывают когнитивные нарушения или защищают от них.

Насколько точно модель выявляла нарушения у 192 пациентов?

Во внутренней группе ROC-AUC модели составила 0,953, PR-AUC - 0,936. Но эта группа участвовала в выборе алгоритма, поэтому её результаты нельзя считать полностью независимой проверкой. Такой проверкой стали только пациенты из Шэньчжэня:

• ROC-AUC - 0,957 (95% доверительный интервал 0,925-0,984);
• PR-AUC - 0,809 (0,699-0,939);
• показатель Брайера - 0,051 (0,025-0,082);
• при пороге 0,3228 точность классификации составила 0,948, чувствительность - 0,982, специфичность - 0,933, положительная прогностическая ценность - 0,862.

В пересчёте на людей это примерно 56 верно отмеченных случаев ЛКН из 57, один пропущенный случай и девять ложноположительных результатов среди 135 человек без нарушения. AUC показывает, насколько хорошо модель различает две группы. Это не вероятность правильного диагноза для конкретного человека.

Почему модель пока нельзя применять в клиниках?

Во внешнем центре модель систематически завышала вероятность нарушения, хотя хорошо различала группы. Интерцепт калибровки составил -0,616, наклон - 0,701. Авторы приводят пример: оценка вероятности 30% после расчётной калибровки для Шэньчжэня соответствовала бы примерно 23%. Это иллюстрация на модели калибровки, а не наблюдаемая частота в какой-либо подгруппе. По выводу авторов, высокая способность различать группы не означает, что вероятности из модели можно использовать в другой клинике без местной проверки.

Второе ограничение касается женщин. Во внешней группе их было лишь 13, и ЛКН классифицировали у четырёх. Оценить точность модели для женщин при таком числе случаев нельзя, и авторы прямо называют её применимость к пациенткам недоказанной.

Есть и другие ограничения. Классификация ЛКН не включала полноценную нейропсихологическую батарею тестов и стандартизированную шкалу повседневной активности. Насколько она совпадает со строгим независимым эталонным диагнозом, не установлено. Исследование не регистрировали заранее. Код и материалы для воспроизведения результатов авторы выложили на GitHub и Zenodo, а персональные данные пациентов и исходные записи когнитивной оценки закрыты из соображений конфиденциальности. Не изучалось, улучшает ли модель диагностику, лечение или состояние пациентов, и неизвестно, сохранится ли точность в других странах, в первичном звене и у нелеченых пациентов, которые отличаются от обследованных групп.

Авторы опубликовали исследовательский веб-калькулятор. Он принимает девять признаков и показывает, стоит ли в первую очередь направить человека на полноценную когнитивную оценку. На калькуляторе есть пометка «не для клинического применения». Испытаний его влияния на решения врачей и исходы пациентов не было. По формулировке авторов, модель может помогать решать, кого направить на полноценную оценку когнитивных функций, но не устанавливает диагноз и не предсказывает будущую деменцию.

Исследование поддержали Национальный фонд естественных наук Китая и ещё три образовательные и региональные программы. Суммы финансирования в статье не указаны, о конфликте интересов авторы не сообщили.

Связано ли апноэ сна с когнитивными нарушениями?

Связь апноэ сна с ЛКН подтверждают несколько исследований, но причинность не доказана. В мае 2025 года журнал Sleep Medicine опубликовал систематический обзор и метаанализ Yan Ren и коллег. Они объединили 22 исследования с 73 733 участниками и получили для связи апноэ с ЛКН отношение шансов 1,65 (95% ДИ 1,39-1,96). Неоднородность исследований при этом была очень высокой. Такие данные показывают связь, но не доказывают, что апноэ вызывает ЛКН.

В том же месяце журнал Neurology опубликовал работу о 37 пожилых людях. У них снижение уровня кислорода при апноэ, особенно в фазе быстрого сна, было связано с изменениями белого вещества и медиальной височной доли, важной для памяти. Причинную связь авторы не доказывали.

Российские исследователи тоже изучают эту тему. В 2025 году в Журнале неврологии и психиатрии им. С.С. Корсакова вышла работа А.А. Пуниной и Н.П. Грибовой. У пациентов с умеренным сосудистым когнитивным расстройством тяжёлое апноэ сна сопровождалось худшими результатами ряда когнитивных тестов. Ранее в том же журнале опубликовали исследование 65 пациентов с апноэ, в котором изучали когнитивные тесты и иммунологические маркеры. В 2026 году журнал «Неврология, нейропсихиатрия, психосоматика» опубликовал работу о связи синдрома обструктивного апноэ сна с болезнью Альцгеймера. Ни одна из этих работ не проверяла китайскую модель и не подтверждает, что она подойдёт российским пациентам.

Часть нынешней команды уже публиковала похожую модель. В апреле 2026 года в Brain and Behavior вышла их работа о выявлении депрессивных симптомов у пациентов с апноэ сна. В ней участвовали 400 человек из Чанчуня и 234 из Шэньчжэня, а внешняя ROC-AUC «случайного леса» составила 0,815. Тогда модель искала симптомы депрессии, а не ЛКН, и внешняя группа отличалась по составу и срокам набора.