睡眠

大学生睡眠模式与学业表现及社交网络关系的功能数据分析：一项四年纵向研究 成绩较高的大学生平均每晚多睡近半小时，而且这种睡眠优势的规模在本科阶段波动显著，根据发表在《PLOS One》上的一项新的纵向研究。 天普大学的研究人员使用Fitbit设备追踪了76名本科生整整四个学年的夜间睡眠时长，然后将这些记录与平均绩点和社交网络数据进行了比较。这项研究是NetHealth项目的一部分，总共生成了61,225个日常观察数据。平均而言，GPA每增加一个点，每晚的睡眠时间就会增加27.4分钟。 但这个数字掩盖了一个更复杂的故事。研究人员发现，睡眠与学业表现之间的关系在大学期间呈U形模式。最强的关联出现在大一，每个GPA点对应54分钟的额外睡眠。到大三时，这种联系大幅减弱，降至每个GPA点仅5分钟，然后在大四时恢复到每个GPA点48分钟。 该方法本身值得注意。研究人员使用了功能数据分析（FDA），这是一种统计方法，将睡眠视为一个连续的、动态的过程，而不是进行周期性的快照。传统的离散时间方法可能会随着学生在大学生涯不同阶段的推进而错过睡眠与结果之间不断演变的关系。 研究发现 总体而言，本科阶段的睡眠时长显著增加，尽管这一模式被季节性波动所打断。学生在学期内比学期之间睡得更久，数据显示从大一到大四，夜间睡眠呈逐渐上升趋势。 GPA与睡眠之间的联系在大学早期和晚期最强，中期明显下降。研究人员指出，大一代表了一个重大转型期，学生正在适应新的作息时间、社交环境和学业要求。在这个适应阶段，睡眠量的微小差异可能会对学业表现产生不成比例的影响。到了大三，学生可能已经稳定了他们的日常生活，减少了额外睡眠的边际收益。大四时的反弹可能反映了学业压力以毕业项目、研究生申请和职业规划的形式回归的时期。 该研究还考察了社交网络规模及其与睡眠模式的关系。在这一指标上，结果为零。社交网络较大的学生往往睡眠略少，但这种关联未达到统计学显著性。研究人员得出结论，至少在这组受试者中，社交网络规模与睡眠时长没有显著独立的关联。 重要性 这些发现对大学校园睡眠干预的时机具有实际意义。如果睡眠与表现的联系在大一和大四最强，那么这些时期可能是旨在改善学生睡眠习惯的项目最有影响力的窗口。例如，在大一开学时举办的睡眠卫生研讨会可能会比在大学中期进行的相同干预产生更大的回报。 功能数据分析的使用也代表了睡眠研究方法学上的进步。许多现有研究依赖于在一两个时间点收集的自我报告睡眠数据，这可能会错过睡眠模式的连续变化性质。可穿戴设备的客观数据与纵向FDA方法相结合，可以帮助研究人员精确识别睡眠在什么时候对特定结果最为重要。 局限性 这项研究有几个重要的局限性。样本量相对较小，只有76名学生，且全部来自同一所大学，这限制了一般的适用性。研究依赖于Fitbit设备，这些设备通过运动和心率数据估算睡眠时长，可能不如睡眠测量的黄金标准多导睡眠图准确。社交网络数据捕捉了学生网络的规模，但无法考虑这些关系的质量或情感影响，这两者都可能影响睡眠。最后，观察性设计无法建立睡眠与学业表现之间的因果关系。 结论 睡眠时长与大学学业表现有意义的联系，但这种关系不是静态的。它以传统研究方法可能会错过的方式在本科阶段发生变化。额外睡眠的最大回报出现在进入大学和离开大学的过渡期，这表明新生和大四学生最能从以睡眠为重点的干预措施中受益。可穿戴设备和功能数据分析为更精确、个性化地理解睡眠如何塑造学生表现提供了一条途径。 婷 翻译 Source Yao Zhao， Haoyu Zhou. “Functional data analysis of college students’ sleep patterns and their relationships with academic performance and social networks: A four-year longitudinal study.” PLOS One 21(7): e0351120 (2026). DOI: 10.1371/journal.pone.0351120. PMID: 42384669.

SleepConFormer：单通道脑电图框架在DOC患者意识评估中达到91.7%的准确率 一种名为SleepConFormer的新型机器学习框架，仅使用单通道脑电图（EEG），即可将微意识状态（MCS）患者与无反应觉醒综合征（UWS）患者区分开来，准确率达91.7%，根据发表在《IEEE Transactions on Biomedical Engineering》上的一项研究。该框架将睡眠分期和意识评估整合到一个统一流程中，为神经重症监护中客观、自动化的床旁监测提供了潜在路径。 SleepConFormer的发现 研究人员开发了SleepConFormer，这是一种用于处理单通道EEG信号的三组件深度学习架构。第一个组件MTERL（多任务EEG表征学习）是一个预训练模块，在大型公共睡眠数据集上训练，以学习可泛化的EEG特征。第二个组件是SCE-Transformer模块，它执行混淆感知的时间建模，旨在处理病理人群中经常出现的睡眠阶段之间的模糊边界转换。第三个组件使用logit空间聚合来生成针对觉醒-睡眠和觉醒-NREM-REM分期的稳健粗粒度分类。 在三个健康参与者的公共数据集上，该模型实现了84.5%至87.7%的五类睡眠分期准确率，跨数据集宏F1得分为78.73%。当在24名意识障碍（DOC）患者的临床队列中进行测试时，SleepConFormer在粗粒度觉醒-睡眠区分中保持了80.78%的准确率。关键的临床发现是该模型区分MCS和UWS的能力：准确率91.7%，曲线下面积（AUC）为0.846。这一表现比单模态特征基础方法高出12.5个百分点。 为何重要 意识障碍患者给临床医生带来了根本性挑战。根据定义，这些患者无法参与标准的行为评估，而行为评估仍然是确定意识水平的主要工具。DOC患者中传统的基于EEG的睡眠分期依赖于训练有素专家的手动评分，这是一个耗时且不适用于持续床旁监测的过程。 已知睡眠结构与意识水平相关。健康睡眠包括通过NREM和REM阶段的清晰循环，而这种结构沿着从MCS到UWS的频谱退化。从单个EEG通道自动捕获这种关系可以提供连续、客观的指标，用于追踪随时间推移的意识状态，无需患者配合或专家手动评分。单通道设置对于临床部署尤其有吸引力，因为它比高密度EEG阵列更易于应用、对患者负担更小，并且更容易集成到现有的神经重症监护工作流程中。 局限性 该研究有几个重要局限性。临床队列较小，只有24名DOC患者。评估使用了受试者独立的内部验证，这意味着模型是在同一队列中留出的患者上测试的，而不是来自完全独立机构的数据。在更大规模的多中心队列上进行外部验证对于该框架被考虑用于临床部署至关重要。此外，临床队列中80.78%的觉醒-睡眠准确率虽然很有希望，但仍有改进空间，而且该框架在不同EEG硬件设置和记录环境中的性能尚未经过测试。 结论 SleepConFormer提供了一个概念验证，即单通道EEG结合表征学习和基于transformer的时间建模，可以同时为意识障碍患者执行睡眠分期和意识评估。比单模态特征提高12.5个百分点表明，将睡眠分期信息整合到评估流程中增加了有意义的判别能力。如果在更大、更多样化的临床人群中得到验证，这种方法可以使用许多重症监护室已有的设备，在床旁实现持续、客观的意识监测。 Source Man Li， Xiaoyu Bao， Di Chen， Wei Gao， Pengmin Qin， Xinyi Jin， Xiaochun Yang， Yanbin He， Jiahui Pan， Yuanqing Li. “SleepConFormer: A Single-Channel EEG Framework for Sleep Staging and Consciousness Assessment in Patients with Disorders of Consciousness.” IEEE […]

大规模转录组分析发现：睡眠剥夺与神经元过度兴奋共享分子指纹 一项对公开大脑基因表达数据的系统分析发现，睡眠剥夺产生的分子指纹与急性神经元过度兴奋几乎无法区分。日本藤田保健大学的研究人员报告称，73%的跨模型比较显示，睡眠剥夺的大脑与经历癫痫样过度兴奋的大脑在基因表达模式上存在显著的正向重叠。这项发表在《神经精神药理学报告》上的研究结果，为连接睡眠不足与癫痫、双相躁狂及其他脑兴奋性障碍背后的分子状态提供了机制桥梁。 研究结果 由Markos Michail Chatzigiannis、Hideo Hagihara和Tsuyoshi Miyakawa领导的研究团队分析了32个来自睡眠剥夺小鼠的公开转录组数据集，以及23个来自神经元过度兴奋模型（化学或电诱导的癫痫发作）的数据集。使用Running Fisher算法系统比较数据集间的表达谱，他们发现： 73%的跨模型比较显示出显著的转录组正重叠（p ≤ 0.05），意味着睡眠剥夺和过度兴奋在多个脑区和实验条件下共享一致的分子谱。 与急性过度兴奋的重叠最强。 在癫痫诱导后1-12小时内收集的数据集与睡眠剥夺的转录组相似性最高。24小时或更晚的数据集显示出较弱的重叠，表明睡眠不足最接近模仿过度兴奋的早期活跃阶段，而非慢性或恢复阶段。 即早基因（IEG）主导了共享特征。 两种状况共有的关键过表达基因包括Egr1、Fos和Arc,,所有这些都是响应神经元活动而迅速启动的转录因子和可塑性相关基因。这些基因对突触可塑性、学习和记忆至关重要，它们在睡眠剥夺期间的持续上调表明大脑仍处于过度兴奋、可塑性活跃的状态。 炎症相关基因也被共享。 Ptgs2（编码COX-2，是塞来昔布等抗炎药物的靶点）和Junb（另一个在炎症中起作用的IEG）在两种状况中均持续升高，指向共享特征中的神经炎症成分。 不同细胞类型贡献了不同的成分。 小胶质细胞显示出应激和免疫反应基因的富集，神经元表达IEG和可塑性相关特征，内皮细胞上调代谢相关基因，星形胶质细胞贡献了额外信号。这种细胞类型特异性表明，共享的过度兴奋样状态不仅限于神经元，还涉及协调的胶质细胞和血管反应。 为何重要 长期以来，睡眠不足一直被公认为癫痫患者发作和双相障碍患者躁狂发作的临床触发因素。但这一现象的分子基础一直不明确。当前的研究提供了一个直接答案：睡眠不足将大脑基因表达推向一种在转录组学上与急性过度兴奋同源的状态。 “尽管睡眠不足在临床上与众多神经精神疾病相关，但其潜在的分子相关性仍不清楚，”作者写道。这项研究通过识别构成两种状态之间共享分子语言的特定基因和通路,,IEG、神经炎症、代谢,,开始填补这一空白。 对临床医生而言，这些发现强化了这样一种观点：睡眠不仅仅在代谢或能量意义上具有恢复作用；它在转录水平主动调节兴奋-抑制平衡。对研究人员而言，共享特征提供了潜在的生物标志物靶点,,其表达水平可作为睡眠债务和过度兴奋风险的分子读数的IEG和炎症基因组合。 本研究得到了日本学术振兴会（资助号JP20H00522和JP25K00903）以及MEXT特色联合研究中心促进计划的支持。 局限性 该分析完全在小鼠脑组织上进行。虽然核心转录机制在啮齿动物和人类之间广泛保守，但在将研究结果转化为临床工具之前，需要在人类脑组织或脑脊液生物标志物中进行确认。 作为对已有数据集的荟萃分析，本研究无法明确确立因果关系。可能是睡眠不足驱动过度兴奋，也可能是潜在的过度兴奋状态使个体易患睡眠不良和癫痫活动，或者两种状况共享一个共同的上游触发因素。实验性扰动研究,,在同一动物中进行受控睡眠剥夺之前、期间和之后测量基因表达,,将有助于解答这个问题。 要点总结 睡眠不足将大脑的转录景观重塑为一种与急性神经元过度兴奋极为相似的模式，其特征是即早基因的激活、神经炎症通路以及多种细胞类型的代谢变化。这一发现提供了一个分子框架，用于理解为什么睡眠不足会触发癫痫发作、加重精神症状以及带来超越疲劳的风险,,它可能主动驱动一种促兴奋、促炎症的大脑状态。 来源 Chatzigiannis MM， Hagihara H， Miyakawa T. Sleep deprivation and neuronal hyperexcitation share transcriptomic signatures. Neuropsychopharmacol Rep. 2026;46(3):e70150. DOI：10.1002/npr2.70150 婷 翻译

介绍Actigraphic Data Analyzer（ADA）——一款用于睡眠/觉醒评分和昼夜节律分析的开源图形界面软件 全新开源软件让没有编程经验的研究人员也能进行高级体动记录分析。 华沙大学和SWPS大学的研究人员发布了Actigraphic Data Analyzer（ADA），这是一个免费的开源Python包，将全面的睡眠/觉醒评分和昼夜节律分析集成到图形界面中。该工具于2026年6月30日发表在Scientific Reports上（PMID：42380419），旨在解决体动记录研究方法的复杂性与阻碍许多临床医生和睡眠科学家使用这些方法的技术障碍之间的长期差距。 功能介绍 体动记录通过腕戴式加速度计记录数天或数周的活动，为睡眠实验室之外的睡眠模式和昼夜节律提供客观窗口。ADA读取两种最广泛使用的研究级设备（GENEActiv和ActiGraph）以及公共MESA（多种族动脉粥样硬化研究）数据集的原始加速度计数据，然后将高频信号压缩为用户可选择的时段长度。 在睡眠/觉醒分类方面，该软件实现了多种已有算法以及最近发表的通用滤波方法，使研究人员能够灵活地比较不同方法或为其数据选择最佳方案。在昼夜节律分析方面，ADA计算一套全面的描述符，包括去趋势波动分析（DFA）、余弦模型指标（单一、扩展和多分量）、自回归模型谱、日间稳定性（IS）、日内变异性（IV）以及M10和L5活动期的时间和幅度。 该软件包直接生成标准的临床睡眠图表和指标：日常活动概况、睡眠起始和结束标记、睡眠碎片化指数以及相关可视化。用户可以通过交互式图形界面操作，也可以将ADA作为Python库导入进行自定义脚本编写。 关键技术细节 ADA使用Python编写，采用GPLv3许可证，确保完全透明和可重复使用。图形界面大大降低了技术门槛：熟悉电子表格软件的研究人员可以加载原始加速度计数据、配置分析参数并导出结果，而无需编写任何代码。 开发人员通过创建并发布一个新的87周体动记录数据集来验证该工具，该数据集在Creative Commons CC-BY许可下免费提供。分析这些记录使他们能够检查不同昼夜节律描述符之间的相互关系。完整描述符集（DFA、余弦模型变体、AR模型谱、IS、IV、M10、L5）的相关矩阵显示，这些指标可聚为两类有意义的组：一类主要对昼夜节律周期长度敏感，另一类捕捉24小时节律的强度或稳健性。 这一发现为研究人员提供了一个实用的见解：不同的昼夜节律描述符不可互换，依赖单一指标的研究可能会错过昼夜节律生理学的重要方面。ADA使得计算完整面板并检查这些关系变得简单直接。 重要性 体动记录在睡眠研究中处于一个尴尬的十字路口。硬件便宜且不显眼，数据丰富，临床问题紧迫（这位患者的睡眠受到多大程度的干扰？他们的昼夜节律碎片化程度如何？）。然而，分析流程仍然零散，许多研究小组编写一次性脚本，依赖专有供应商软件，或者仅仅因为工具过于繁琐而放弃昼夜节律维度。 通过将整个分析链打包在一个免费、图形化、文档完善的工具中，ADA消除了一个真正的瓶颈。社区睡眠中心的临床医生、刚接触体动记录的研究生、或编程支持有限的实地站点合作者，现在都可以执行与专业时间生物学实验室相同的分析。开源许可证还意味着该软件可以被社区审计、扩展和改编。 在CC-BY许可下发布87条记录的验证数据集本身就是一项贡献。具有如此深度注释的公开体动记录数据集相对稀少，而附带的描述符聚类分析为设计昼夜节律研究的研究人员提供了有用的参考。 局限性 ADA是用于分析体动记录数据的工具，而体动记录本身具有众所周知的局限性。它通过活动（或不活动）推断睡眠，而不是通过多导睡眠图直接测量大脑状态，因此睡眠/觉醒分类存在固有的不确定性，因算法和人群而异。该软件的准确性取决于输入记录的质量以及所选算法对特定研究人群的适用性。 该工具目前支持GENEActiv和ActiGraph设备以及MESA数据集。使用其他加速度计品牌的研究人员需要将其数据转换为兼容格式。此外，虽然图形界面在可访问性方面是一个优势，但需要处理非常大的数据集或运行自动化流程的用户需要使用Python库接口，这需要一定的编程基础。 总结 ADA是一款设计精良、免费的工具，填补了体动记录研究生态系统中的真正空白。它结合了多种睡眠/觉醒评分算法、全面的昼夜节律描述符、图形界面和开源许可证，在睡眠研究、临床实践和教学中具有广泛用途。对于任何使用GENEActiv或ActiGraph数据、希望超越基础睡眠指标进入昼夜节律分析而不想构建自己流程的研究人员来说，ADA值得深入了解。 该软件可在项目仓库中获取（GPLv3），87条周记录的验证数据集可在CC-BY许可下获取。 来源： Bieganski P, Tutaj M, Duszyk-Bogorodzka A, Durka P. Introducing Actigraphic Data Analyzer (ADA), an open source software for sleep/wake scoring and circadian rhythm analysis with graphical […]

介绍Actigraphic Data Analyzer（ADA），一款用于睡眠/觉醒评分和昼夜节律分析的开源图形界面软件 全新开源软件让没有编程经验的研究人员也能进行高级体动记录分析。 华沙大学和SWPS大学的研究人员发布了Actigraphic Data Analyzer（ADA），这是一个免费的开源Python包，将全面的睡眠/觉醒评分和昼夜节律分析集成到图形界面中。该工具于2026年6月30日发表在Scientific Reports上（PMID：42380419），旨在解决体动记录研究方法的复杂性与阻碍许多临床医生和睡眠科学家使用这些方法的技术障碍之间的长期差距。 功能介绍 体动记录通过腕戴式加速度计记录数天或数周的活动，为睡眠实验室之外的睡眠模式和昼夜节律提供客观窗口。ADA读取两种最广泛使用的研究级设备（GENEActiv和ActiGraph）以及公共MESA（多种族动脉粥样硬化研究）数据集的原始加速度计数据，然后将高频信号压缩为用户可选择的时段长度。 在睡眠/觉醒分类方面，该软件实现了多种已有算法以及最近发表的通用滤波方法，使研究人员能够灵活地比较不同方法或为其数据选择最佳方案。在昼夜节律分析方面，ADA计算一套全面的描述符，包括去趋势波动分析（DFA）、余弦模型指标（单一、扩展和多分量）、自回归模型谱、日间稳定性（IS）、日内变异性（IV）以及M10和L5活动期的时间和幅度。 该软件包直接生成标准的临床睡眠图表和指标：日常活动概况、睡眠起始和结束标记、睡眠碎片化指数以及相关可视化。用户可以通过交互式图形界面操作，也可以将ADA作为Python库导入进行自定义脚本编写。 关键技术细节 ADA使用Python编写，采用GPLv3许可证，确保完全透明和可重复使用。图形界面大大降低了技术门槛：熟悉电子表格软件的研究人员可以加载原始加速度计数据、配置分析参数并导出结果，而无需编写任何代码。 开发人员通过创建并发布一个新的87周体动记录数据集来验证该工具，该数据集在Creative Commons CC-BY许可下免费提供。分析这些记录使他们能够检查不同昼夜节律描述符之间的相互关系。完整描述符集（DFA、余弦模型变体、AR模型谱、IS、IV、M10、L5）的相关矩阵显示，这些指标可聚为两类有意义的组：一类主要对昼夜节律周期长度敏感，另一类捕捉24小时节律的强度或稳健性。 这一发现为研究人员提供了一个实用的见解：不同的昼夜节律描述符不可互换，依赖单一指标的研究可能会错过昼夜节律生理学的重要方面。ADA使得计算完整面板并检查这些关系变得简单直接。 重要性 体动记录在睡眠研究中处于一个尴尬的十字路口。硬件便宜且不显眼，数据丰富，临床问题紧迫（这位患者的睡眠受到多大程度的干扰？他们的昼夜节律碎片化程度如何？）。然而，分析流程仍然零散，许多研究小组编写一次性脚本，依赖专有供应商软件，或者仅仅因为工具过于繁琐而放弃昼夜节律维度。 通过将整个分析链打包在一个免费、图形化、文档完善的工具中，ADA消除了一个真正的瓶颈。社区睡眠中心的临床医生、刚接触体动记录的研究生、或编程支持有限的实地站点合作者，现在都可以执行与专业时间生物学实验室相同的分析。开源许可证还意味着该软件可以被社区审计、扩展和改编。 在CC-BY许可下发布87条记录的验证数据集本身就是一项贡献。具有如此深度注释的公开体动记录数据集相对稀少，而附带的描述符聚类分析为设计昼夜节律研究的研究人员提供了有用的参考。 局限性 ADA是用于分析体动记录数据的工具，而体动记录本身具有众所周知的局限性。它通过活动（或不活动）推断睡眠，而不是通过多导睡眠图直接测量大脑状态，因此睡眠/觉醒分类存在固有的不确定性，因算法和人群而异。该软件的准确性取决于输入记录的质量以及所选算法对特定研究人群的适用性。 该工具目前支持GENEActiv和ActiGraph设备以及MESA数据集。使用其他加速度计品牌的研究人员需要将其数据转换为兼容格式。此外，虽然图形界面在可访问性方面是一个优势，但需要处理非常大的数据集或运行自动化流程的用户需要使用Python库接口，这需要一定的编程基础。 总结 ADA是一款设计精良、免费的工具，填补了体动记录研究生态系统中的真正空白。它结合了多种睡眠/觉醒评分算法、全面的昼夜节律描述符、图形界面和开源许可证，在睡眠研究、临床实践和教学中具有广泛用途。对于任何使用GENEActiv或ActiGraph数据、希望超越基础睡眠指标进入昼夜节律分析而不想构建自己流程的研究人员来说，ADA值得深入了解。 该软件可在项目仓库中获取（GPLv3），87条周记录的验证数据集可在CC-BY许可下获取。 来源： Bieganski P， Tutaj M， Duszyk-Bogorodzka A， Durka P. Introducing Actigraphic Data Analyzer (ADA)， an open source software for sleep/wake scoring and circadian rhythm analysis with graphical […]

阻塞性睡眠呼吸暂停死亡率悖论：为什么高风险疾病在短期结局研究中看似具有保护性 导语 阻塞性睡眠呼吸暂停（OSA）是高血压、冠状动脉疾病、中风和长期死亡率增加的既定危险因素。然而，越来越多的观察性研究，特别是那些利用行政数据库和重症监护病房队列的研究，却矛盾地报告了有OSA诊断记录的患者短期或院内死亡率较低。这一现象被称为”OSA死亡率悖论”，在临床医生中引起了困惑，并引发了关于该疾病是否具有未被认识的保护作用的疑问。在发表于《睡眠医学研究》的一篇综述中，Park、Choi和Cho（2026）认为，该悖论的最佳解释不是真正的生物学保护，而是方法学伪像的汇聚掩盖了OSA与死亡率在短期结局研究中的真实关系。 关键要点 文献中的悖论 自21世纪初以来，研究人员记录了一种似乎与OSA已确立的长期危害相矛盾的模式。在医院出院数据库中有OSA编码诊断的患者或通过睡眠检查记录确定的患者，在短期随访窗口（30天、院内或一年结局）中，与没有记录OSA诊断的患者相比，经常表现出较低的死亡率。例如，对重症监护病房人群的研究报告了OSA患者院内死亡率降低，这一发现在多个独立队列中得到重复。 这一模式违反直觉，因为OSA会引发特征明确的生理应激：间歇性低氧触发交感神经激活、氧化应激、全身性炎症和内皮功能障碍。多年来，这些机制驱动心血管重塑并增加死亡风险。一个在长期明显有害的疾病，怎么可能在短期内似乎赋予生存优势呢？ 潜在生物学机制（较弱的解释） 该综述确定了为解释这一悖论而提出的几种生物学假说，作者认为所有这些假说都次于方法学因素。 间歇性低氧预处理是最常被引用的生物学解释。该理论认为，OSA标志性的反复缺氧和再充氧循环可能使心肌对缺血性损伤产生预处理，类似于在缺血预处理的动物模型中观察到的保护效应。根据这一论点，当OSA患者经历急性心血管事件时，他们的心脏可能更好地准备好耐受损伤。 肥胖相关代谢储备提供了另一种候选机制。OSA患者更可能肥胖，而肥胖与更大的代谢储备相关，理论上可以缓冲急性疾病。一些研究还表明，右心室和自主神经系统可能适应OSA的反复生理应激，可能在危重疾病期间稳定血流动力学。 然而，作者警告说，这些机制仍属推测，难以与未经治疗的OSA已充分记录的长期危害相协调。如果间歇性低氧真正具有保护性，人们会期望在所有时间范围内看到死亡率获益，而不仅仅是在短期窗口内。 方法学解释（更有力的论点） 该综述提出了最有力的论点，认为四种方法学因素共同可以解释这一悖论： 检测偏倚。 接受正式OSA诊断的患者必须首先接受睡眠检查，无论是多导睡眠图还是家庭睡眠呼吸暂停测试。这意味着他们已经与医疗系统互动，能够获得专科护理，并且可能因心血管合并症而受到监测。”非OSA”患者的比较组包括从未接受过测试的个体，其中许多人可能患有未诊断的OSA。这造成了系统性偏倚：诊断组富含健康参与的个体，而比较组则被未测量的疾病负担稀释。 比较组中OSA的认识不足。 未经治疗、未诊断的OSA很常见。流行病学研究估计，一般人群中80%至90%的中重度OSA仍未得到诊断。当行政数据库比较”OSA”与”非OSA”时，对照组被患有未被识别的OSA的个体严重污染。这稀释了对照组中任何表观死亡率信号，并可能翻转关联的方向。 残余混杂。 OSA与肥胖、高龄和男性性别有很强的相关性，这些也预测了医疗利用率和合并症筛查。即使是设计良好的观察性研究，也可能无法完全调整伴随睡眠诊所转诊的健康参与度。已完成睡眠检查的患者，根据定义，已经经历了涉及医生转诊、专科会诊和随访的诊断路径。这种医疗参与模式独立预测更好的结局，无论OSA严重程度如何。 无法捕捉疾病严重程度和治疗依从性。 大型行政数据库很少包括多导睡眠图数据，如呼吸暂停低通气指数、低氧负荷或睡眠碎片化测量。它们也缺乏关于持续气道正压（PAP）治疗依从性的信息，而这是OSA中心血管风险降低的主要驱动因素。坚持PAP治疗的轻度OSA患者与患有严重、未经治疗且具有高缺氧负荷的OSA患者有本质区别，但两者在数据库中可能被简单编码为”OSA”。这种信息损失削弱了检测危害的能力，并可能使”诊断的OSA”的平均效应看起来中性甚至有益。 核心区分：生理性OSA vs. 诊断的OSA 作者提出了一个关键的概念区分。生理性OSA，反复咽部塌陷、间歇性低氧和睡眠碎片化的实际疾病过程，在所有时间范围内可能都是有害的。相比之下，诊断的OSA是医疗参与标志：它识别了已经接受筛查、诊断和（至少潜在）治疗的患者。在短期结局研究中，被诊断的医疗参与信号可能压倒患有该疾病的生理危害信号。 这一区分解释了为什么悖论出现在短期研究中而非长期研究中。数月到数年间，未经治疗的OSA的累积心血管损害重新显现，医疗参与的保护信号减弱。具有适当随访的长期队列研究一致显示OSA死亡率增加，特别是在考虑疾病严重程度和治疗依从性时。 影响 OSA死亡率悖论对临床研究和卫生政策具有实际意义。依赖行政数据评估OSA结局的研究，如果无法调整检测偏倚、疾病严重程度和治疗依从性，则可能产生系统性误导结果。Park及其同事的综述建议，研究人员应将客观的多导睡眠图指标，特别是低氧负荷，整合到观察性设计中，并且未来研究应应用现代因果推断方法（如目标试验模拟）来区分诊断效应与疾病效应。 对于临床医生而言，关键要点很明确：患者病历中存在OSA诊断代码不应被解释为风险较低的证据。某些数据库研究中观察到的表观生存优势反映了患者是如何被诊断的，而非疾病本身的保护作用。未经治疗的OSA仍然是一个严重的心血管危险因素，死亡率悖论并不改变诊断、治疗和随访患有该疾病患者的临床责任。 来源 Park SK， Choi JH， Cho JH. The Obstructive Sleep Apnea Mortality Paradox: Why a High-Risk Disorder Can Appear Protective in Short-Term Outcome Studies. Sleep […]

阻塞性睡眠呼吸暂停中的内皮和血管生成生物标志物：与持续气道正压通气的纵向关联 摘要. 持续气道正压通气（CPAP）疗法能否有意义地改变阻塞性睡眠呼吸暂停（OSA）中驱动心血管风险的血管生物学？发表在 Archivos de Bronconeumología 上的一项新的前瞻性队列研究提供了迄今为止最长的纵向数据，跟踪了接受CPAP治疗的中重度OSA患者五年的内皮和血管生成生物标志物。结果表明，CPAP减弱了一个关键通路（低氧驱动的VEGF信号传导），同时使另一通路（血管生成素-2）基本不受影响，指出了睡眠呼吸暂停中血管损伤的独特且可能独立的机制。 研究发现 由David Sanz-Rubio及其来自CIBER、IIS-阿拉贡、米格尔·塞尔韦特大学医院以及其他西班牙机构的同事领导，该研究招募了来自EPIOSA队列的326名参与者，包括195名接受CPAP治疗的中重度OSA成人（平均使用6.7小时/晚）和72名非OSA对照组。研究人员在基线、一年和五年时测量了四种循环生物标志物：血管内皮生长因子（VEGF）、血管生成素-2（Ang-2）、Tie-2和E-选择素。 研究结果因生物标志物而异。 VEGF是一种响应低氧促进血管生成的信号蛋白，在CPAP治疗患者的一年和五年随访中均显示出持续降低。这种降低与基线VEGF水平和腰臀比（中心性肥胖的标志物）独立相关。这一模式与CPAP减少间歇性低氧从而降低VEGF信号的假说一致。 Ang-2是血管通透性和炎症的调节因子，其变化方向相反。在OSA组和对照组中，其水平均随时间推移而升高，与CPAP压力设置或夜间使用小时数无关。基线Ang-2可由体重和可溶性ST2（sST2，一种心脏应激和纤维化的标志物）独立预测。上升轨迹似乎与CPAP治疗无关，表明除低氧以外的因素驱动了这一生物标志物。 Tie-2和E-选择素在五年窗口期内各组均表现出最小的时间变化。 重要性 心血管疾病仍然是OSA发病率和死亡率的主要原因，但将间歇性低氧与血管损伤联系起来的生物学通路尚未完全阐明。这项研究提供的证据表明，CPAP可能选择性地改变其中部分通路而非全部。 VEGF的持续降低在临床上令人鼓舞。VEGF是低氧诱导因子1（HIF-1）的下游效应分子，其减弱表明治疗正在触及低氧触发因素。如果在更大规模的试验中得到证实，VEGF可以在分子水平上作为CPAP疗效的纵向生物标志物，补充呼吸暂停-低通气指数和氧饱和度指标等标准测量指标。 Ang-2的发现可以说是更具挑战性。如果CPAP不改变Ang-2轨迹，并且Ang-2与体重和sST2独立相关，那么非低氧机制（可能包括全身性炎症、肥胖引起的机械拉伸或亚临床心脏重塑）即使在一贯使用CPAP的患者中也可能维持血管风险。这提出了一个可能性：在OSA中，可能需要针对炎症或代谢健康的辅助疗法与气道正压相结合，才能全面解决心血管风险。 局限性 该研究是观察性研究，而非随机对照试验，因此关于CPAP对生物标志物轨迹影响的因果推断受到限制。对照组由没有OSA的个体组成，而非安慰剂CPAP或未经治疗的OSA组，这限制了区分生物标志物自然史与治疗效果的能力。所有参与者在入组时均无心血管合并症，因此结果可能不适用于已确诊心脏病的OSA患者。生物标志物测量仅限于四种分析物；更广泛的蛋白质组学或转录组学面板可能揭示额外的通路。CPAP依从性虽然平均水平相当高，但通过设备下载量测量，可能无法捕捉有效压力输送的日常变异性。 结论 在其他方面健康的中重度OSA患者中，长期CPAP与低氧驱动的VEGF通路减弱相关，而不改变Ang-2轨迹。这两种生物标志物的不同行为支持了以下观点：OSA中的血管风险至少通过两种不同的机制介导，其中只有一种是低氧依赖且对CPAP有反应的。进一步的研究应探讨CPAP与针对炎症、肥胖或心脏重塑的干预措施相结合是否能产生附加的血管获益。 来源 Sanz-Rubio D, Cubillos-Zapata C, Marin-Oto M, Diaz-Garcia E, Rodriguez-Sanz J, Perez-Moreno P, Lopez-Fernandez C, Garcia-Rio F, Marin JM. Endothelial and Angiogenic Biomarkers in Obstructive Sleep Apnea: Longitudinal Associations With Continuous Positive Airway […]

睡眠节律的层级级联支持运动记忆，并在人类癫痫中被癫痫棘波劫持 ID: 42378289 PMID: 42378289 导言 人们普遍认为睡眠有助于巩固记忆，但负责这一过程的精确神经机制一直难以在人脑中直接观察到。一项对19名癫痫患者进行的新颅内脑电图研究提供了迄今为止最清晰的证据，表明眶额皮层、丘脑和海马中的睡眠振荡形成了一个有序的层级级联,,慢波触发纺锤波，纺锤波触发涟漪振荡,,预测新学习的运动技能在一夜睡眠后被记住的程度。同一研究还揭示了其阴暗面：当癫痫发作间期棘波与这些睡眠节律同时出现时，它们会破坏该级联反应，逆转其对记忆的有益影响。 研究发现 Wodeyar 及其同事记录了19名正在接受耐药性癫痫手术评估患者的眶额皮层、丘脑和海马中植入电极的脑内脑电图。患者在睡前学习了一项运动序列任务，次日早晨重新测试其表现以测量过夜巩固效果。 研究人员检测了三类睡眠振荡,,慢波振荡（0.5–1 Hz）、睡眠纺锤波（12–16 Hz）和涟漪振荡（80–120 Hz）,,并分析了它们的相互作用。结果揭示了一个清晰的层级结构： 眶额皮层慢波振荡在相同区域内以及跨远距离区域（丘脑、海马）均强烈调节纺锤波和涟漪振荡活动。 大多数振荡速率的组合正向预测了过夜表现改善。换言之，睡眠期间这些节律的协调性越强，记忆保持得越好。 海马涟漪振荡速率和耦合的海马-眶额皮层涟漪振荡速率是个体受试者中最可靠的正向预测因子。 第二个主要发现涉及癫痫发作间期棘波,,癫痫患者发作之间出现的短暂、尖锐的放电。当睡眠振荡与这些棘波耦合时，关系发生了逆转：它们成为过夜记忆表现的负向预测因子。与癫痫棘波共存的慢波振荡速率是受试者中最可靠的负向预测因子。 重要性 这些发现提供了首个直接的人类证据，证明慢波振荡、纺锤波和涟漪振荡的层级相互作用,,此前主要在啮齿类动物研究中描述,,支持睡眠期间的系统水平记忆巩固。眶额皮层作为关键协调者出现，协调丘脑和海马伙伴参与的跨区域耦合。 癫痫棘波的干扰为许多癫痫患者即使在发作间期也经历的众所周知的记忆困难提供了机制性解释。这表明棘波不仅仅是病理性的附带现象，而是积极干扰稳定记忆的神经计算。这为针对抑制棘波耦合的睡眠干扰而非仅抑制发作的疗法打开了大门。 正如作者所说：”这些发现提供了人类运动记忆处理中睡眠振荡层级级联的直接证据，并揭示了与睡眠振荡耦合的癫痫棘波会干扰癫痫患者的这一过程。” 局限性 该研究在耐药性癫痫患者中进行，他们的大脑可能在影响普适性的方面与健康人群不同。记录部位由临床需求而非实验设计决定，限制了空间覆盖范围。19名受试者的样本量虽然对于人类侵入性记录而言相当可观，但限制了一些亚组分析的统计效力。运动记忆任务捕捉了一种巩固形式；类似的级联是否支持陈述性记忆或情绪记忆巩固仍不清楚。 要点总结 睡眠通过眶额皮层协调的慢波振荡、纺锤波和涟漪振荡的层级级联来加强运动记忆。癫痫棘波在其最早阶段（与慢波振荡耦合）劫持了这一级联并逆转其益处，为癫痫中发作间期记忆损伤提供了神经机制。 来源 Wodeyar A， et al. A hierarchical cascade of sleep rhythms supports motor memory and is hijacked by epileptic spikes in human epilepsy. Proc Natl Acad Sci U S […]

睡眠时长对骨密度和骨质疏松风险的影响：系统综述与荟萃分析 核心结论 一项涵盖30项研究、数万名参与者的最新系统综述与荟萃分析发现，夜间睡眠不足5小时者患骨质疏松的几率比睡眠6至8小时者高出58%。令人意外的是，睡眠过长同样存在风险：睡眠8至9小时者患此骨骼弱化疾病的几率高出25%。研究建议，每晚6至8小时是维护骨骼健康的”最佳区间”。 研究发现 研究人员Xiong和Li对PubMed、EMBASE、Cochrane图书馆和Scopus数据库进行了全面检索（自建库至2025年6月30日），经筛选后纳入30项符合严格标准的研究。他们提取了睡眠时长、骨密度测量值和骨质疏松诊断数据，并采用随机效应模型综合结果以控制研究间差异。 荟萃分析呈现清晰的U型模式。以每晚6至8小时睡眠为参照类别： | 睡眠时长 | 结局 | 比值比（95%置信区间） | 异质性（I²） | |—|—|—|—| | 5小时及以下 | 骨质疏松 | 1.58（1.29至1.94） | 35% | | 5小时及以下 | 低骨密度 | 1.49（1.09至2.03） | 81% | | 6至8小时 | 骨质疏松 | 1.06（0.94至1.19） | 76%（无显著性） | | 8至9小时 | 骨质疏松 | 1.25（1.11至1.40） | 86% | | 9小时及以上 | […]

床垫传感器读取呼吸即可区分REM与NREM睡眠 导语. 一项发表于《Frontiers in Digital Health》的新研究表明，置于床垫下的传感器无需任何电线、绑带或与睡眠者接触，即可区分快速眼动（REM）睡眠与非快速眼动（NREM）睡眠，准确率约达84%。由王绍南（Shaonan Wang）及其同事领导的这项研究，介绍了一种将身体动作检测与呼吸模式稳定性精密度量相结合的方法，旨在改善非接触睡眠分期这一公认的难题。 研究发现 研究人员在85名成年人身上测试了这一方法，受试者同时接受了临床多导睡眠监测（PSG）设备和一种商用床垫下压电传感器带的记录。压电传感器将机械压力（本例中为呼吸和身体动作通过床垫传递的力）转换为电信号。在排除了清醒期后，研究团队将每个30秒的时期分类为REM或NREM睡眠。 XGBoost分类器达到了84.39%的平均准确率（受试者间标准差为±12.76个百分点），Cohen’s Kappa为0.524，表明一致性超出随机水平中等程度。REM睡眠比NREM更难识别：REM精确率为0.600，REM召回率为0.735，REM F1得分为0.603。 关键的创新在于添加了一种基于时间扭曲编辑距离（TWED）的特征，这是一种量化呼吸间隔序列之间相似度的方法。通过测量一个人在不同时间尺度上呼吸模式的稳定或变异程度，TWED特征同时改善了Kappa值和REM F1得分，优于仅使用传统身体动作和呼吸变异性特征的效果。换言之，REM睡眠特有的不规则呼吸提供了传统指标所遗漏的有用信号。 压电传感器导出的呼吸速率与鼻导管（PSG参考）的气流信号也显示出良好的一致性，验证了床垫下装置能够捕捉具有临床意义的呼吸数据。 重要性 多导睡眠监测仍是睡眠分期的金标准，但其费用高昂，需要在睡眠实验室过夜，且涉及缠绕在头部、面部、胸部和腿部的电线、电极和传感器，负担之重限制了其用于重复或纵向监测。 非接触睡眠监测之所以具有吸引力，恰恰在于它消除了这一负担。床垫下的传感器带可被动地收集数据，夜复一夜，无需睡眠者付出任何努力。难题在于，如果没有脑电图（EEG），定义睡眠阶段的脑波记录，区分REM和NREM就困难得多。这两个阶段在呼吸和运动信号上存在细微差异，过去的非接触REM/NREM鉴别尝试在可靠性方面一直举步维艰。 这项研究为以下观点增添了证据：呼吸分析，尤其是呼吸稳定性测量，可以作为临床PSG提供的基于EEG的睡眠阶段区分的可行替代指标。如果这类方法持续改进，家庭睡眠监测或许能变得实用，用于追踪睡眠障碍、监测治疗反应以及标记纵向变化，且完全无需承担反复前往实验室的成本和不便。 局限性 若干局限性使研究结论有所保留。首先，研究排除了被评分为清醒的时期，因此分类器无法区分清醒与睡眠，这是一个独立且重要的挑战。其次，84%的准确率和0.524的Kappa值虽然令人鼓舞，但尚未达到诊断级水平。REM精确率为0.600意味着模型标记为REM的时期中有40%实际上是NREM，这将扭曲REM潜伏期或REM密度等REM相关参数的临床评估。 第三，研究仅使用了一种压电传感器带和特定的床垫设置；在其他硬件或床垫类型上，性能可能有所不同。第四，85名受试者的队列规模对于机器学习研究而言偏小，且受试者间变异性显著（准确率分布广泛，反映在12.76个百分点的标准偏差上）。嵌套留一法交叉验证设计有助于防止过拟合，但仍需更大规模和更多样化的样本来确认泛化能力。 最后，作者指出，在目前的性能水平下，该方法更适合视为一种低负担辅助工具，用于在居家环境中进行离线整夜纵向监测和趋势评估，而非基于PSG的临床诊断的替代方案。 结论 床垫下的压电传感器，结合传统身体动作特征和基于TWED的新型呼吸稳定性度量，能够以中等准确率区分REM与NREM睡眠。TWED捕捉到的呼吸不稳定信号似乎提供了超越简单指标的有意义信息，为家庭环境中的实用非接触睡眠分期指明了道路。目前，该方法最适合用于趋势监测和纵向追踪，而非独立的临床决策。 婷 翻译 Source Wang S, Yu J, Yang X, Liu D, Bai Q, Yu J, Ding S, Xu Y, Zhu D. Non-contact REM/NREM sleep staging from piezoelectric signals using respiratory […]