脳波×AIで睡眠時無呼吸症候群を低コストで検出する
睡眠時無呼吸症候群の診断には高コストな検査が必要とされてきましたが、脳波データを用いた機械学習（AI）による検出の精度を体系的に評価した研究が発表されました。27件の研究を統合したメタ分析の結果、AIモデルは高い診断精度を示したものの、実臨床への応用にはさらなる検証が必要とされています。
脳波＋AIは睡眠時無呼吸の検出に有望
脳波（EEG）のデータを機械学習（AI）で解析することで、睡眠時無呼吸症候群（SA）を高い精度で検出できる可能性があることが、27件の研究を統合したメタ分析によって示されました。感度（病気を正しく「あり」と判定する割合）は90%、特異度（病気がない人を正しく「なし」と判定する割合）は92%に達し、診断性能の総合指標であるAUCは0.95という高い値を記録しました。
ただし、現時点では実際の患者レベルでの有効性を検証した研究はごく少数であり、研究者たちは結果の解釈に慎重であるよう呼びかけています。
睡眠時無呼吸症候群研究の対象と方法
本研究は、医学・工学分野の主要データベース7件（PubMed、Embase、Web of Science、Cochrane Library、Scopus、IEEE Xplore、ClinicalTrials.gov）を対象に、2026年4月までに発表された論文を網羅的に検索しました。脳波データのみを用いて睡眠時無呼吸を検出する機械学習アルゴリズムを評価した研究を選定し、最終的に27件の後ろ向き研究が分析対象となりました。
診断精度研究の標準的な品質評価ツール（QUADAS-2）とAI予測モデル向けのバイアス評価ツール（PROBAST-AI）を用いて各研究の質を評価し、エビデンスの確実性はGRADE基準に従って判定されました。統計解析にはRおよびMeta-DiScソフトウェアが使用されています。
睡眠時無呼吸症候群研究の主な結果
統合されたデータに基づくと、脳波×AIモデルの診断性能は全体として高水準にありました。特に、複数の電極チャンネルを用いた多チャンネル脳波、ディープラーニング（深層学習）を活用したモデル、そしてホールドアウト法と呼ばれる厳格な検証方法を採用した研究において、より優れた診断性能が示される傾向がありました。一方で、使用する脳波チャンネルの構成や研究が行われた地域、検証方法の違いが結果のばらつきに影響していることも明らかになりました。
また、研究のほぼすべてが「睡眠中の一定時間区間」ごとの分析（セグメントレベル）にとどまっており、実際の患者一人ひとりの診断を評価した研究はわずか2件にすぎませんでした。この点は、現実の臨床場面での有用性を過大評価している可能性として研究者たちが指摘しています。
睡眠時無呼吸症候群スクリーニングへの応用に期待
睡眠時無呼吸症候群の現在の確定診断は、ポリソムノグラフィー（PSG）と呼ばれる一晩かけて複数の生体信号を計測する検査が標準とされており、コストや手間の面で患者にとって大きな負担となっています。脳波は比較的簡便に計測できる生体信号であり、それをAIで解析するアプローチは、将来的なスクリーニング（ふるい分け検査）や臨床判断の補助ツールとして期待が持てると研究者たちは述べています。
ただし、現時点での研究は過去データを用いた後ろ向き解析が中心であり、一晩を通じた記録や実際の患者への適用を評価した前向き研究はまだ十分ではありません。今後、より実臨床に近い条件での検証が重ねられることで、この技術の実用化に向けた道筋が明確になると考えられます。
出典
Journal of medical Internet research(2026 Jul 31)
Accuracy of Machine Learning Algorithms Based on Electroencephalogram in Sleep Apnea Detection: Systematic Review and Meta-Analysis.(PubMedで見る)
本記事は紹介した研究結果を分かりやすくまとめたものであり、特定の症状や病気に対する診断・治療を推奨するものではありません。健康上の不安がある場合は医師にご相談ください。本記事はAIによる翻訳・要約を活用して作成し、公開前に運営者が内容を確認しています。詳細は「制作プロセス開示」「免責事項」ページをご覧ください。