リード. 信頼性の高い睡眠評価を得るには、通常、実験室で一晩過ごし、数十の電極に配線される必要がある。睡眠ステージングと無呼吸診断のゴールドスタンダードであるポリソムノグラフィー（PSG）は、面倒で、高価で、日常的なスクリーニングや在宅使用には適していない。今度、大規模な国際チームがBCGNetの結果を発表した。これは、枕の下に敷くセンサーマットだけで、臨床グレードの睡眠ステージングと無呼吸検出を実行する深層学習モデルである。7月3日にNPJ Digital Medicineに掲載されたこの研究では、このモデルが患者の皮膚に直接接触する必要がなく、多くの既存手法と同等かそれ以上の性能を発揮することが報告されている。
研究結果. BCGNetは、中国、オーストラリア、米国にわたる14の研究機関（清華大学、ハーバード・メディカル・スクール、カリフォルニア大学サンフランシスコ校を含む）の研究者によって開発された2段階の転移学習アーキテクチャである。チームはまず、580,865時間のポリソムノグラフィーデータでモデルを事前訓練し、その後、枕下デバイスで取得した15,081時間の心弾動図（BCG）記録で微調整を行った。約596,000時間の組み合わせ訓練データセットは、睡眠ステージング研究のためにこれまでに収集された中で最大級のものである。
4クラスの睡眠ステージング（覚醒、軽睡眠、深睡眠、レム睡眠）において、モデルは複数の検証コホートで0.710から0.817のF1スコアを達成した。3％の脱飽和閾値（AHI3％）での無呼吸低呼吸指数の推定については、Pearsonのrが0.95を超え、基準PSG測定値とのほぼ完全な相関を示した。総睡眠時間、睡眠効率、各ステージの滞在時間を含む睡眠の連続性とアーキテクチャの指標では、級内相関係数とPearsonのr値が概ね0.8を超えた。
このモデルは、患者の人口統計、記録機器、臨床設定が異なる多様な外部データセットに対して良好に汎化した。著者らはまた、短時間の昼間の昼寝記録においても優れた性能を実証し、夜間モニタリングを超えた可能性を示唆している。
重要性. 閉塞性睡眠時無呼吸は世界中で約9億3600万人の成人が罹患していると推定され、その大多数は未診断のままである。現在の在宅睡眠検査は、実験室でのPSGよりも便利ではあるが、依然として患者は顔、胸部、または指にセンサーを装着する必要がある。多くの患者はこれらのデバイスを不快に感じ、在宅検査のコンプライアンスは一貫していない。
真に非接触なアプローチは、これらの障壁を排除する。枕下BCGマットは、患者によるセットアップ、使用間の清掃、デバイスの装着を一切必要としない。家庭、長期介護施設、病棟において、患者の睡眠環境を乱すことなく展開できる。この研究で報告された性能が前向きの実環境展開で維持されれば、このデバイスは、特にPSGが利用できない、または実用的でない環境において、客観的な睡眠評価へのアクセスを劇的に拡大する可能性がある。
AHI3％をPearsonのr 0.95以上で推定するモデルの能力は特に注目に値する。無呼吸低呼吸指数は、睡眠時無呼吸の診断と重症度分類に使用される主要な指標である。臨床的に有用なAHI値を生成できる非接触センサーは、スケーラブルなスクリーニングツールとして機能し、さらなる評価と治療の恩恵を受けるであろう何百万人もの未診断患者を特定する可能性がある。
限界. この研究は後向き研究であり、著者らは実環境での前向き検証が重要な次のステップであることを認めている。外部検証データセットは多様ではあったが、それでも一般集団を完全に代表していない可能性がある厳選された研究コレクションであった。このデバイスはBCGシグナルのみを取得する。空気流量、酸素飽和度、EEGを直接測定することはできないため、モデルはこれらのパラメータを間接的に推測する必要がある。複雑な併存疾患、重度の心不整脈、または異常な睡眠アーキテクチャを持つ患者における性能は広範囲には評価されなかった。特許は北京に拠点を置くFive Seasons Medical社が保有しており、著者の数名はデバイス製造業者の従業員であり、報告された性能数値を評価する際に考慮すべき潜在的な利益相反がある。この研究は、中国国家自然科学基金と中国科学技術省の支援を受けた。
結論. BCGNetは、膨大なPSGデータバンクで訓練された深層学習モデルが、その知識を非接触の心弾動図信号に効果的に転移し、実施ポリソムノグラフィーの精度に迫る睡眠ステージングと無呼吸推定を生成できることを実証している。この研究は、ウェアラブルおよび非接触センサーが高度なニューラルネットワークと組み合わされることで、信頼性の高い睡眠評価をまもなくベッドのあるすべての人が利用できるようにするかもしれないという、最新かつ最も強力なエビデンスを示している。
ソース. Chen S, Chen X, et al. BCGNet: an AI model trained on 600 K hours of sleep data for a novel under-pillow contactless monitoring device. NPJ Digit Med. 2026 Jul 3. doi: 10.1038/s41746-026-02885-y. PMID: 42399358.
雅子 訳