来源：期刊VIP网 时间：
作者：杜晓婉;董佳佳;栗怡然;
单位：首都医科大学附属北京天坛医院耳鼻咽喉头颈外科;中日友好医院眼科;
摘要：目的:探索阻塞性睡眠呼吸暂停(obstructive sleep apnea, OSA)合并高血压患者视网膜病变发生的危险因素，并整合光学相干断层扫描血管成像(optical coherence tomography angiography, OCTA)的视网膜微血管特征参数，构建基于机器学习的风险预测模型。方法:纳入2024年6至12月确诊的OSA合并高血压的成年患者，采集临床特征、多导睡眠监测(PSG)和OCTA参数等信息作为机器学习的输入特征，分别构建逻辑回归、决策树(DT)、随机森林(RF)、支持向量机(SVM)和XGBoost模型，评估模型性能。结果:共纳入98例OSA合并高血压患者，相较无视网膜病变组，视网膜病变组AHI、ODI、最低SpO_2及OCTA血管密度(VLD)异常程度更重(均P<0.05)。风险预测模型构建中，逻辑回归、DT、RF、SVM和XGBoost模型的精确度分别为0.677、0.774、0.871、0.806和0.774,F1值分别为0.500、0.588、0.667、0.571和0.588,ROC曲线下面积(AUC)分别为0.813、0.797、0.893、0.843和0.940。XGBoost模型预测效能最优。SHAP分析显示，VLD、AHI及最低SpO_2为关键预测因子。结论:整合OCTA与PSG参数的构建的基于XGBoost算法的多模态机器学习模型可实现OSA合并高血压患者视网膜病变风险的分层预测。该无创评估体系通过揭示微循环障碍与睡眠呼吸事件的交互作用，为靶器官损害的早期风险识别提供客观量化工具，对临床开展风险预测和早期干预具有转化价值。
关键词：阻塞性睡眠呼吸暂停;;光学相干断层扫描血管成像;;视网膜病变;;风险预测模型;;机器学习
