Изменения уровня кардиореспираторной синхронизации у пациентов с нарушениями дыхательной функции во время ночного сна

Журавлева Ю.А. Акимова Н.С. Коньшина Л.Е. Дементьев И.С. Торбин С.О.

Журнал: Саратовский научно-медицинский журнал @ssmj

Рубрика: Внутренние болезни

Статья в выпуске: 3 т.22, 2026 года.

Бесплатный доступ

Цель: оценить возможность применения анализа фазовой синхронизации между сигналами одноканальной электрокардиограммы (ЭКГ) и дыхания для скрининга синдрома обструктивного апноэ сна (ОАС). Материал и методы. В исследование включены анонимизированные записи ночной полисомнографии 60 испытуемых (возраст 51,67±10,75 года, 40/20 – мужчины/женщины) с различной степенью тяжести ОАС (30 – без нарушений, 10 – средней степени, 20 – тяжелой). Оценены изменения разности фаз для ЭКГ и дыхания на мгновенной частоте дыхания пациента во время ночного мониторинга. Проведен статистический анализ вероятностных распределений данных наборов разностей фаз в различных группах участников исследования. Статистическая значимость различий между группами оценена с использованием критерия Бенджамини–Хохберга на уровне ложных обнаружений α=0,01. Результаты. Вероятностные распределения разности фаз статистически значимо различались между рассматриваемыми группами в 3 диапазонах: [-6,2–-4,5], [-1,5–0,5] и [4,5–6,1]. В центральном диапазоне [-1,5–0,5] значения вероятности были статистически выше у пациентов с ОАС, тогда как в 2 других диапазонах более высокие значения наблюдались у здоровых испытуемых. Эти различия указывают на более выраженную фазовую синхронизацию между сердечным и дыхательным ритмами на частоте дыхания в группе ОАС. Заключение. Повышение фазовой синхронизации между сердечным и дыхательным ритмами на частоте дыхания может служить перспективным маркером для автоматизированного скрининга ОАС.

электрокардиограмма \ полисомнография \ фазовая синхронизация \ синдром обструктивного апноэ сна \ непрерывное вейвлетное преобразование

Короткий адрес: https://sciup.org/149152397

IDS: 149152397   |   УДК: 612.067+530.182   |   DOI: 10.15275/ssmj2203337

Changes in cardiorespiratory synchronization in patients with respiratory dysfunction during nocturnal sleep

Objective: to evaluate the feasibility of using phase synchronization analysis between single-channel electrocardiogram (ECG) and respiratory signals for screening obstructive sleep apnea (OSA). Material and methods. The study included anonymized nocturnal polysomnography recordings from 60 subjects (age 51.67±10.75 years; 40 men, 20 women) with varying degrees of OSA severity (30 without disorders, 10 with moderate OSA, and 20 with severe OSA). Changes in the phase difference between the ECG and respiratory signals were assessed at the patient’s instantaneous respiratory frequency during nocturnal monitoring. A statistical analysis of the probability distributions of these phase difference datasets was conducted across the different participant groups. The statistical significance of inter-group differences was evaluated using the Benjamini–Hochberg procedure at a false discovery rate of α=0.01. Results. The probability distributions of the phase difference differed significantly between the groups in three ranges: [-6.2–-4.5], [-1.5–0.5], and [4.5–6.1]. In the central range [-1.5–0.5], probability values were statistically higher in patients with OSA, whereas in the other two ranges, higher values were observed in healthy subjects. These differences indicate more pronounced phase synchronization between cardiac and respiratory rhythms at the respiratory frequency in the OSA group. Conclusion. An increase in phase synchronization between cardiac and respiratory rhythms at the frequency of respiration may serve as a promising marker for automated screening of OSA.

Текст научной статьи Изменения уровня кардиореспираторной синхронизации у пациентов с нарушениями дыхательной функции во время ночного сна

EDN: GSXHBW                                                                           Original article

Введение. В структуре дыхательных расстройств, связанных со сном, обструктивное апноэ сна (ОАС) является наиболее распространенным. В генеральной совокупности этот показатель колеблется в пределах 14% для мужского населения и 5% — для женского, превышая 90-процентный порог при коморбидных состояниях, включая артериальную гипертензию и острые расстройства церебральной гемодинамики [1, 2]. Ведущим клиническим маркером ОАС служат циклические эпизоды полной или частичной обструкции верхних дыхательных путей во время сна. Следствием данного процесса становятся интермиттирующая гипоксия, выраженные флуктуации внутригрудного давления и разрушении архитектуры сна, вызывающая симпатоадреналовую активацию [3–5]. Наличие ОАС рассматривается как изолированный фактор риска развития артериальной гипертензии, дисфункции миокарда, инсультов, фатальных аритмий и ассоциированной с ними кардиальной смертности [1, 6]. Помимо негативного соматического фона, ОАС наносит значительный экономический ущерб обществу, который складывается из прямых затрат на медицинское обеспечение, падения трудового потенциала пациентов и повышенной аварийности на транспорте [7].

Несмотря на широкую распространенность и доказанное влияние ОАС на соматический статус, своевременная диагностика данного синдрома остается серьезным вызовом для практического здравоохранения. В качестве эталонного диагностического метода — «золотого стандарта» — применяется полисомнография (ПСГ) обладает максимальной информативностью за счет одновременной фиксации широкого спектра физиологических параметров. Тем не менее в отечественном здравоохранении повсеместное внедрение ПСГ лимитировано ее высокой себестоимостью, обусловленной трудоемкостью процедуры и оборудования специальных палат, вследствие и выраженным дефицитом доступности для широкого числа пациентов. Кардиореспираторный мониторинг в домашних условиях как более доступная альтернатива характеризуется снижением показателей чувствительности и специфичности, а также сопряжен со значительной частотой артефактов и неинформативных записей из-за отсутствия контроля со стороны медицинского персонала [8]. Данные обстоятельства обусловливают высокую актуальность дальнейшей разработки экономически доступных, объективных и портативных скрининговых систем, базирующихся на минимальном наборе регистрируемых показателей с их автоматизированным анализом и формированием медицинского заключения, позволяющих обеспечить широкую масштабируемость и применимость в домашнем мониторинге.

Электрокардиография (ЭКГ) представляет собой привлекательный инструмент для такого скрининга благодаря широкой доступности, низкой стоимости и возможности непрерывного долгосрочного наблюдения в рамках холтер-исследований. При этом электрическая активность сердца прочно связана с дыхательными процессами, в том числе посредством вегетативной нервной системы. Повторяющиеся эпизоды апноэ вызывают выраженные вегетативные колебания, сопровождающиеся перемежающимся усилением пара-и симпатического тонуса, что

проявляется в характерных изменениях частоты сердечных сокращений, регистрируемых даже по одноканальным записям ЭКГ [1, 3, 9]. Наиболее доступным методом оценки вегетативной регуляции является анализ вариабельности сердечного ритма (ВСР), который количественно измеряет баланс симпатических и парасимпатических влияний через RR -интервалы. Стандартный спектральный анализ выделяет высокочастотный (HF, 0,15–0,4 Гц), низкочастотный (LF, 0,04–0,15 Гц) и очень низкочастотный (VLF, 0,003–0,04 Гц) диапазоны. У пациентов с ОАС наблюдается снижение общей вариабельности (SDNN), уменьшение HF-мощности и рост отношения LF/HF, что указывает на симпатическое преобладание [10]. Кроме того, характерной особенностью является циклическая ВСР с выраженным пиком в VLF-диапазоне (примерно 0,02 Гц), отражающим чередование брадикардии во время апноэ и тахикардии на фазе гиперпноэ [1, 3, 11].

Однако применение классического спектрального анализа ВСР при ОАС сопряжено с серьезными ограничениями. Во-первых, методы, основанные на преобразовании Фурье, предполагают стационарность сигнала, тогда как дыхательные события вызывают быстрые и разнонаправленные изменения частотных характеристик [3], обусловленные в том числе и развитием переходных процессов [12]. Усреднение по минутным или более длительным окнам, принятое в большинстве исследований, нивелирует переходные процессы внутри каждого эпизода апноэ, что ведет к потере диагностически значимой информации о динамике вегетативной регуляции. Во-вторых, прогностическая ценность спектральных параметров, рассчитанных непосредственно для периодов апноэ, в сравнении с параметрами спокойного дыхания изучена недостаточно. В-третьих, вегетативный фон существенно различается на стадиях быстрого (REM) и медленного (NREM) сна, что требует стратифицированного анализа для дифференциации эффектов апноэ и естественных фазовых изменений [3, 10]. Кроме этого, несмотря на множество работ, направленных на изучение спектральных характеристик ВСР и их связи с эпизодами апноэ, до настоящего момента не было предложено универсальных алгоритмов диагностики ОАС [9], которые могли бы быть использованы в клинической практике. Все эти недостатки диктуют необходимость перехода к адаптивным частотно-временным методам, способным работать с секундным разрешением и отслеживать спектральные компоненты в реальном времени.

В качестве перспективной альтернативы предлагается оценивать фазовую синхронизацию между сердечным ритмом и дыханием. Фазовая синхронизация количественно оценивает согласованность фаз двух колебательных процессов и будет отражать непосредственно кардиореспираторное взаимодействие, которое нарушается при остановках дыхания. В отличие от спектральной мощности, индекс фазовой синхронизации не требует предположения о стационарности, устойчив к нестационарным флуктуациям и позволяет детектировать кратковременные эпизоды десинхронизации, возникающие во время апноэ. Для выделения мгновенной фазы сигналов эффективно применяется непрерывное вейвлет-преобразование [13] и метод частотных паттернов [14, 15], которые позволяют ввести фазу анализируемого сигнала на идентифицированной доминирующий частоте и отслеживать ее эволюцию во времени. Ранее подобные подходы показали эффективность в анализе электроэнцефалограммы [16], однако их применение для оценки кардиореспираторной синхронизации при ОАС на реальных клинических данных остается практически не исследованным [13]. Существующие работы по детектированию ОАС на основе ЭКГ, включая методы машинного обучения, часто обучаются на чистых исследовательских базах (например, PhysioNet) и не учитывают высокий уровень шумов и коморбидность реальных клинических записей [9]. Таким образом, разработка алгоритмов, основанных на фазовой синхронизации и адаптированных к клинической практике, является весьма перспективной и актуальной задачей.

Цель — оценить возможность применения анализа фазовой синхронизации между сигналами одноканальной ЭКГ и дыхания для скрининга синдрома ОАС.

Материал и методы. Исследование проведено в соответствии с принципами Хельсинкской декларации и получило одобрение этического комитета Саратовского государственного медицинского университета Минздрава России (протокол №09 от 02.04.2024). Информированное согласие получено ото всех участников.

В рамках исследования были рассмотрены анонимизированные данные ПСГ, зарегистрированные с использованием полисомнографа на базе «Энце-фалан-ЭЭГР-19/26» производства ООО НПКФ «Медиком МТД» (Таганрог, Россия). Добровольными участниками исследования стали 60 лиц с наличием

ОАС и его отсутствием (возраст — 51,67±10,75 года, медиана — 52,5 года, соотношение мужчин и женщин — 4/2). Среди них 50% добровольцев не имели нарушений дыхания во сне, 10 участников продемонстрировали среднюю степень ОАС, 20 участников — тяжелую степень ОАС. Продолжительность сна составляла 6±1,25 ч с 21:30–23:30 до обычного времени пробуждения испытуемого.

ПСГ включала записи ЭКГ, функции дыхания, электроокулограммы, электромиограммы подбородка и электроэнцефалограммы, зарегистрированные во время ночного сна. Сигнал ЭКГ регистрировали в I стандартном отведении по Эйнтховену. Сигналы дыхания регистрировали с помощью ороназаль-ного датчика термистора и датчика рекурсии дыхания. Сигналы дискретизированы с частотой 250 Гц и адаптивно фильтрованы от двигательных артефактов [17]. Стандартный анализ полисомнограмм с разметкой стадий сна и дыхательных событий и дальнейшим построением гипнограмм был произведен врачом-экспертом в области медицины сна. В табл. 1 и 2 представлены основные характеристики сна и показатели, связанные с нарушением дыхания во сне в трех группах участников.

Исследование особенностей фазовой синхронизации между сигналом ЭКГ и сигналом дыхания проводилось аналогично тому, как это было сделано в работе [13], а именно с использованием концепции синхронизации временных масштабов [18] на базе непрерывного

Таблица 1

Средние значения и межквартильный размах ( Q 25; Q 75) характеристик нарушений дыхания во сне для трех групп участников

Группа

All apneas

Hypopneas

AHI

SpO2 average

SpO2 min

SpO ≤88%, %2TST

RespRate average, Hz

Здоровые ( n =30)

8 (3,6; 10,8)

11 (4,8; 14,7)

2,6 (1,1;

3,5)

95,8 (93,6;

97,8)

93 (91,2;

94,2)

0 (0,0; 0,0)

0,22 (0,19; 0,27)

С тяжелой степенью ОАС ( n =20)

130 (98,7;

180,4)

88 (57,3; 115,1)

44,1 (20,3;

63,8)

93,9 (90,4;

95,5)

66 (64,8;

70,7)

7,1 (1,8; 10,9)

0,16 (0,14; 19,7)

Со средней степенью ОАС ( n =10)

36 (18,7; 51,8)

30 (10,4; 42,3)

15,3 (6,2;

18,8)

91,8 (90,4;

93,4)

87 (84,2;

90,9)

19,8 (16,7; 20,4)

0,18 (0,15; 0,21)

Примечание. All apneas — общее количество апноэ (всех типов); Hypopneas — количество гипопноэ (частичная остановка дыхания); SpO2 average — средняя сатурация кислорода за ночь (%); SpO2 min — минимальная сатурация кислорода (%); SpO2≤88%, %TST — доля времени сна с сатурацией ≤88% (процент от TST); RespRate average — средняя частота дыхания.

Средние значения характеристик сна для трех групп участников

Таблица 2

Показатель ( Q 25; Q 75)

Группа

р

здоровые ( n =30)

с тяжелой степенью ОАС ( n =20)

со средней степенью ОАС ( n =10)

TST, ч

7,21 (5,86; 8,32)

5,95 (4,58; 7,34)

5,33 (3,98; 6,81)

р =0,18 р 1,2=0,07 р 1 2 , , 3 3 =0,51

N1–N3, %

77,9 (73,18; 81,15)

73,4 (67,86; 78,17)

69.5 (63,45; 75,39)

р =0,14 р 1,2=0,01 р 1 2 , , 3 3 =0,23

REM, %

23,8 (17,49; 27,05)

28,3 (23,52; 31,42)

19,3 (14,41; 24,75)

р =0,15 р 1,2=0,12 р 1 2 , , 3 3 =0,02

SleepEfficiency

85,9 (77,56; 91,23)

71,1 (65,01; 79,85)

69,1 (63,08; 76,27)

р =0,09 р 1,2=0,03 р 1,3=0,69

Примечание. TST h — общее время сна (total sleep time), ч; N1–N3% — процент от TST для фазы медленноволнового сна N3; REM, % — процент от TST для фазы быстрого сна; SleepEfficiency — эффективность сна (TST/длительность записи×100%), %.

вейвлет-преобразования для хаотического сигнала x i i i

где ■•w^ — вейвлет-функция, масштабируемая из базового вейвлета :

Временной масштаб s определяет ширину вейвлета ^^ , ^0 — временной сдвиг вейвлет-функции вдоль временной оси, символ «*» в соотношении (1) означает комплексное сопряжение.

В качестве материнского вейвлета используется вейвлет Морле [13, 18]

Выбор значения вейвлет-параметра 0 = Z7T обеспечивает соотношениеS= V/ между временным масштабом s вейвлет-преобразования и частотой f преобразования Фурье.

Вейвлет-спектр:

W^s.to) = HVCs^JIe^^,

описывает поведение исследуемой системы на каждом временном масштабе s в любой момент времени ^"o . Величина |W(s,t0)| характеризует наличие и интенсивность соответствующей компоненты временного масштаба s частоты / в момент времени f 0. В то же время для каждого временного масштаба S естественным образом определяется непрерывная фаза

s(t) = argW^s.t)

. Иными словами, можно охарактеризовать поведение каждого временного масштаба s с помощью соответствующей фазы ФЛ^ , которая является непрерывной функцией временного масштаба s и времени t . Таким образом, можно рассмотреть динамику фазовой связанности на различных частотных компонентах в двух сигналах, описываемых временными реализациями EKG (t) и зад. Фазовой синхронизация в исследуемых сигналах наблюдается в том случаи, если на анализируемом частотной компоненте / выполняется условие захвата фазы

I Ф/EKG W — Ф/BR W I <  cons^ r (5)

и для данной частотной компоненты выполняется условие ненулевой энергии

Esnhr = f(E(t)}df>0.

В рамках данной работы оценку фазовой синхронизации проводили на частоте дыхания, которая выделялась из спектрального анализа сигнала дыхания с использованием метода частотных паттернов, математический аппарат которого детально был описан в работе [14].

Результаты. С использованием концепции частотных паттернов для каждой ПСГ из сигнала датчика рекурсии дыхания была выделена зависимость от времени частоты дыхания, полученная средняя частота дыхания в каждой группе добровольцев также приведена в табл. 1. Далее на частоте дыхания в каждый момент времени была введена мгновенная фаза для сигналов ЭКГ и дыхания и был осуществлен переход от мгновенной фазы, лежащей в пределах 2n к мгновенной фазе, монотонно нарастающей до бесконечности, аналогично [13, 19]. Для каждой ПСГ была вычислена разность мгновенных фаз для сигналов ЭКГ и дыхания, характерный вид которой представлен на рис. 1 (см. с.342). Динамика разностей фаз как для практически здоровых добровольцев, так и для пациентов с ОАС не демонстрирует ярко выраженных различий. Кроме того, поведение разностей фаз не коррелирует и с различными стадиями ночного сна.

В то же время в каждой из зависимостей разности мгновенных фаз можно выделить (I) участки синхронной динамики, когда разность фаз близка к постоянному значению, (II) участки асинхронной динамики, связанные с существенными изменениями величины разности фаз. Таким образом, наблюдается классический режим перемежающегося поведения вблизи границы фазовой синхронизации. Для изучения особенностей перемежающегося поведения в модельных системах принято использовать оценку статистических характеристик синхронных участков поведения [13, 18]. Однако в случае анализа сигналов, регистрируемых в реальных живых системах, подобный подход потребует решения отдельной нетривиальной задачи точного детектирования моментов начала и окончания синхронных участков поведения, что в клинической практике может существенно затруднить и исказить полученные результаты статистического анализа, что в свою очередь может привезти к неверному диагностическому выводу. В рамках данной работы предлагается в качестве статистических характеристик перемежающегося поведения рассматривать вероятностные распределения разности мгновенных фаз, локализованных в пределах 2n , как это показано на рис. 2, a .

Представленные на рис. 2, а типичные вероятностные распределения разности мгновенных фаз для сигналов ЭКГ и дыхания для практически здоровых добровольцев и пациентов с ОАС значительно различаются в 3 областях, а именно в диапазонах величин разности фаз [-6,2–-4,5], [-1,5–0,5] и [4,5–6,1]. Статистическая оценка величин разности мгновенных фаз в этих 3 областях представлена на рис. 2, б . Проведенный многофакторный статистический анализ различий вероятностных характеристик в группе здоровых добровольцев и пациентов с ОАС с использованием критерия Бенджамини — Хохберга (α=0,01) [20]. При этом во всех данных 3 областях значений вероятностных характеристик разности фаз статистически значимо различаются, что позволяет повысить точность диагностики наличия ОАС. Тем не менее различить группы пациентов со средней и тяжелой степенями ОАС не удается.

Обсуждение. В работе решается задача оценки статистических характеристик перемежающегося поведения в кардиологических и респираторных сигналах для выявления их ассоциации с наличием ночных дыхательных нарушений. Полученные результаты для вероятностного распределения разности мгновенных фаз в сигналах ЭКГ и дыхания позволяют наблюдать изменения в силе связи фазовой синхронизации между сигналами ЭКГ и дыхания при ОАС. В частности, в диапазоне разности фаз [-1,5–0,5] пациенты с ОАС демонстрируют повышение значения разности мгновенных фаз по

Рис. 1. Гипнограммы участников исследования и соответствующая временнáя зависимость разности мгновенных фаз, вычисленной на частоте дыхания, между сигналами электрокардиограмм и дыхания: a , в — не демонстрирующих обструктивного апноэ сна; б , г — со средней степенью обструктивного апноэ сна.

Рис. 2. Разности мгновенных фаз: a — их вероятностные распределения локализованных в пределах Zu для сигналов электрокардиограмм и дыхания за всю ночь; б — значения вероятности, построенное для 3 зон в диапазонах разности фаз: 1-я зона — -6,2–-4.5, 2-я — -1,5–0,5, 3-я зона — 4,5–6,1; зеленый цвет линий и боксплотов — добровольные практически здоровые участники, красный цвет линий и боксплотов — пациенты с синдромом обструктивного апноэ сна.

сравнению со здоровыми добровольцами, а в диапазонах [-6,2–-4,5] и [4,5–6,1] наблюдается обратная ситуация, когда значения разности мгновенных фаз в группе здоровых добровольцев превосходит аналогичную величину в группе пациентов с ОАС. Опираясь на результаты, продемонстрированные в работе [18] при разработке методики для детектирования синхронных участков поведения при фазовой синхронизации, можно утверждать рост силы связи между сигналами ЭКГ и дыхания на частоте дыхания в группе пациентов с ОАС на фоне практически здоровых добровольцев.

Отметим, что рост степени фазовой синхронизации между ЭКГ и дыханием при ОАС, на первый взгляд, кажется противоречащим классической концепции снижения кардиореспираторного сопряжения при патологиях кардиоваскулярной системы [21], но наблюдаемый эффект может быть связан с компенсаторными механизмами, активирующимися в ответ на повторяющиеся эпизоды гипоксии и гиперкапнии. Например, согласно результатам, представленным в работе [22], однонаправленное влияние дыхательной системы на динамику сердечно-сосудистой значительно усиливается с увеличением тяжести ОАС, что отражает усиление вегетативной модуляции. В исследовании [23] показано, что кардиореспиратор-ная координация значительно чаще возникает во время респираторных нарушений сна (апноэ), чем при нормальном дыхании. Авторы связывают это с высоким автономным стрессом, сопровождающим эпизодами полной остановки дыхания.

Таким образом, наблюдаемое повышение фазовой синхронизации в сигналах ЭКГ и дыхания у пациентов с ОАС может отражать усиление вынужденной координации между элементами данной функциональной системы, когда нарушения дыхательной компоненты при интермиттирующей гипоксии доминирует над автономной активностью сердца. В целом это наблюдение согласуется с результатами, представленным в недавней работе [24], где продемонстрирована более высокая фазовая когерентность между респираторной синусовой аритмией и дыханием у пациентов с ОАС. Резюмируя все изложенное, можно ожидать, что выявленный эффект может служить маркером вегетативного дисбаланса и наличия заболевания. При этом метод не позволяет стратифицировать пациентов по степени тяжести ОАС, что, вероятно, связано с малой выборкой и отсутствием учета коморбидных состояний. Для определения пороговых значений и оценки диагностической ценности метода необходимы дальнейшие исследования на расширенной выборке. В то же время необходимо отметить, что создание полноценной диагностической системы требует расширения выборки участников исследования, в том числе для анализа ко-морбидных состояний.

Заключение. Анализ фазовой синхронизации между сигналами одноканальной ЭКГ и дыхания на частоте дыхания показал статистически значимые различия вероятностных распределений разности мгновенных фаз между здоровыми добровольцами и пациентами с ОАС в 3 диапазонах: [-6,2–-4,5], [-1,5–0,5] и [4,5–6,1]. Эти различия отражают усиление кардиореспираторной координации у пациентов с ОАС, что может быть связано с компенсаторными вегетативными сдвигами в ответ на повторяющиеся эпизоды гипоксии и гиперкапнии. Полученные результаты позволяют рассматривать предложенный подход как перспективный инструмент скринингового выявления ОАС при автоматизированной обработке полисомнографи-ческих записей. Вместе с тем метод не позволяет стратифицировать пациентов по степени тяжести ОАС, что определяет необходимость дальнейших исследований на расширенной выборке, включая коморбидные состояния, для подтверждения диагностической ценности и определения пороговых значений.