未來醫療
腦波機器學習偵測睡眠呼吸中止準確率
機器學習與深度學習演算法僅依據腦電圖（EEG）訊號偵測成人睡眠呼吸中止症的診斷準確度為何？
研究背景與問題
睡眠呼吸中止症影響全球數億成年人，長期反覆缺氧會大幅增加中風、心血管疾病與全因死亡風險。目前診斷黃金標準為多頻道睡眠生理檢查（PSG），但其費用高昂、排程冗長且需在專門實驗室整夜監測，造成約七成五的中重度患者未能及時確診。腦電圖可直接反映大腦神經活動與微覺醒，近年結合機器學習演算法的開發蓬勃，但其真實診斷效能與臨床推廣性仍缺乏系統性量化評估。
針對年滿18歲疑似或確診睡眠呼吸中止症的成人族群，評估僅使用腦電圖訊號之機器學習與深度學習模型，相較於黃金標準多頻道睡眠生理檢查的診斷準確度表現。
研究怎麼做
依循 PRISMA-DTA 指引，檢索 PubMed、Embase、Web of Science、CENTRAL、Scopus、IEEE Xplore 與 ClinicalTrials.gov 等資料庫至2026年4月。納入僅使用腦波訊號並以機器學習或深度學習演算法偵測成人睡眠呼吸中止症的研究，對照黃金標準為多頻道睡眠生理檢查。使用 QUADAS-2 與 PROBAST+AI 評估偏差風險，以雙變量隨機效應模型合成敏感度、特異度與受試者操作特徵曲線下面積（AUC），並以 GRADE 評估證據確定性。
主要發現
- 分段層級診斷準確度高：在合成的32組四格表數據中，模型整體合併敏感度為0.90（95% CI 0.85-0.94），合併特異度為0.92（95% CI 0.87-0.95），AUC達0.95。
- 預測區間過寬反映高度異質性：敏感度的95%預測區間為0.43-0.99，特異度為0.46-0.99，顯示不同研究情境與真實應用時效能可能出現極大波動。
- 多導程與深度學習表現更佳：統合迴歸顯示腦波導程配置（P=.004）、地域（P=.003）與驗證策略（P=.046）為主要異質性來源，多頻道腦波顯著優於單頻道。
- 病患層級臨床驗證極度不足：僅有2項研究探討以整夜病患為單位的診斷效能，敏感度介於56.8%至80.8%，特異度介於63.4%至83.9%，無法進行量化合成。
本統合分析共納入27項回溯性研究，資料集涵蓋705,115個腦波分段。在分段層級分析中，以多頻道睡眠生理檢查為黃金標準，腦波機器學習模型的合併敏感度為0.90（95% CI 0.85-0.94；I²=99.5%），合併特異度為0.92（95% CI 0.87-0.95；I²=99.8%），診斷勝算比為88.58（95% CI 35.76-219.41），SROC曲線下面積為0.95（95% CI 0.92-0.99）。然而，研究間存在顯著的閾值效應（r=-0.685, P<.001）。
以事前機率50%進行法根列線圖評估，陽性似然比為10.85（95% CI 6.39-17.83），對應事後機率為91%；陰性似然比為0.11（95% CI 0.07-0.17），對應事後機率為11%。但在似然比散布圖中，多數研究落在無法單獨確立或排除診斷的右下象限。僅2項研究評估病患層級表現，敏感度為56.82%至80.77%，特異度為63.41%至83.87%。因大部分研究存在偏差風險且未解釋的異質性過高，GRADE整體證據確定性被評定為低。
研究的邊界
研究限制
- 納入文獻全為回溯性設計，逾八成仰賴公開資料庫，多數缺乏獨立外部驗證，易高估模型效能。
- 絕大多數研究僅進行片段層級分類，未能整合全夜訊號計算呼吸中止低通氣指數（AHI）。
- 將多分類結果簡化為二元分類，且多數研究未清楚區分呼吸中止與低通氣事件。
這篇研究不能證明什麼
- 統合分析雖彙整多篇研究，但不等於提供高確定性證據，目前整體證據等級仍為低級別。
- 此結果不能證明單靠短時間腦波分段分類即可取代常規整夜多頻道睡眠生理檢查進行臨床確診。
- 不能證明這些演算法在未經校正的居家穿戴式單導程裝置上能維持相同的篩檢準確度。
台灣目前可以這樣治療嗎？
依醫療器材管理法第25條，診斷用判讀軟體屬醫療器材，須向食品藥物管理署申請查驗登記，取得許可證後始得製造或輸入；該署訂有人工智慧／機器學習醫療器材軟體查驗登記技術指引（109年9月）。未找到官方來源：單純以腦波訊號自動診斷睡眠呼吸中止之軟體是否已在台取得許可證，於食藥署核准之人工智慧／機器學習醫療器材清單公告頁及醫療器材單一識別系統資訊管理平台均未能確認。
健保給付之睡眠檢查為診療項目17008B睡眠多項生理檢查（4535點），內含腦波、肌電圖、心電圖、眼動圖與呼吸氣流及胸腹呼吸動作，適應症包含睡眠呼吸障礙、猝睡症與睡眠行為異常，並明訂不得作為慢性肺部疾病之例行診斷。健保支付標準查無居家睡眠檢查或以演算法自動判讀之獨立診療項目，實驗室多頻道睡眠生理檢查仍為給付範圍內的診斷方式。
來源：健保署 · 查證 2026-09-10
參考文獻
- Li X, Wang L, Tang T, Chen Y, Yang L, Cai H, Wang C, Zhang S, Ding N, Liu K. Accuracy of Machine Learning Algorithms Based on Electroencephalogram in Sleep Apnea Detection: Systematic Review and Meta-Analysis.. Journal of medical Internet research. 2026. DOI: 10.2196/93378. PMID: 42537009. 查看原文
發布日期 2026-09-10更新日期 2026-09-11
劉醫師怎麼看
臨床意義從預防醫學角度來看，這篇統合分析展現了腦波結合演算法在片段辨識上的高靈敏度，但臨床定位絕不能被過度解讀。目前證據等級因高度異質性與回溯性設計被評為低確定性，常見誤讀是以為高達0.95的AUC代表可以取代傳統睡眠檢查。事實上，片段辨識不等於能算出臨床決策關鍵的AHI指數，目前它僅適合作為初篩與輔助工具。
誰該關注這篇研究飽受日間嗜睡困擾、疑似睡眠呼吸中止症但無法耐受或久候完整PSG檢查的患者，此類技術發展值得關注；進行減重管理但體重停滯、疑似合併夜間缺氧的族群也是潛在受惠者。然而，合併複雜性睡眠障礙、嚴重失眠、神經退化疾患或心律不整等高風險族群需特別謹慎，不可輕易以簡易腦波判讀自行排除中重度呼吸中止的風險。
臨床做法可能因此改變什麼這項研究不會改變現行常規診斷指引，但會改變我與患者溝通及初篩的方式。面對懼怕進睡眠中心貼滿導線的患者，我會更積極關注經臨床驗證的穿戴式腦波或多訊號篩檢工具作為初步評估依據。若涉及台灣尚未核准為診斷工具的演算法或居家監測設備，我會明確向患者說明屬於健康追蹤或輔助篩檢性質，異常者仍須轉介進行標準檢查。
不會因此改變什麼診斷與治療的核心原則絕不因演算法問世而動搖。黃金標準仍是多頻道睡眠生理檢查，且重度呼吸中止患者維持正壓呼吸器（CPAP）使用、減重治療、生活作息調整及心血管共病控制的基本原則完全不變。不能因單次穿戴式檢測看似正常而忽視患者嚴重的打鼾或缺氧症狀，臨床評估必須回歸病史、症狀與完整生理證據。