很多患者是否能够长期坚持CPAP治疗，可能在治疗最初几天、最初几周，就已经出现了可以被识别的信号。

　　对于阻塞性睡眠呼吸暂停(OSA)，CPAP的疗效不仅取决于设备能不能提供治疗，更取决于患者能不能持续使用。

　　传统随访往往是在患者已经减少使用、停止使用，甚至几个月后复诊时才发现问题。AI带来的一个重要变化，是尝试把管理时间点向前移动。

　　PAP设备在治疗过程中会持续产生数据：每天使用时长、使用天数、残余AHI、漏气、压力变化以及不同时间段的使用模式等。

　　单独看某一天的数据，意义可能有限;但当这些数据连续积累后，就会形成一条治疗轨迹。

　　AI和机器学习擅长做的一件事，就是从大量、多维、连续的数据中寻找人眼不容易直接发现的模式。

　　2026年发表于《SLEEP》的综述《Rethinking CPAP Adherence with Artificial Intelligence》系统总结了2017—2025年间60项同行评议研究。研究显示，AI在CPAP依从性领域的应用主要集中于患者表型与依从性轨迹识别、短期及长期依从性预测，以及数字化监测与个体化干预。

　　另一项2026年研究分析了2180例OSA患者，利用治疗最初30天的数据预测3个月、6个月和12个月CPAP依从性，不同时间点模型AUC达到 0.849—0.910。

　　这些数字最重要的意义，并不是证明“AI 已经可以决定患者未来会不会坚持治疗”，而是提示：患者治疗早期的数据中，可能已经存在与未来长期依从性相关的信号。

　　不同研究使用的数据并不完全相同，但从临床管理角度，可以理解为AI正在尝试识别一组“治疗轨迹特征”。

　　• 患者是不是从治疗早期就频繁中断使用;

　　• 每天使用时长是在增加、稳定，还是持续下降;

　　• 漏气是否长期偏高，提示面罩或使用方式可能存在问题;

　　• 残余呼吸事件是否持续存在;

　　• 压力和治疗状态是否出现值得关注的变化;

　　• 不同数据组合是否呈现出与既往低依从性患者相似的轨迹。

　　AI的优势不是简单设置一个固定阈值，而是有机会综合多种变量和时间变化趋势，识别更复杂的风险模式。

　　如果系统只是告诉我们：“这个患者未来依从性可能不好”，临床价值仍然有限。

　　真正有意义的是预测之后发生什么。

　　例如：

　　• 当早期数据提示使用时长持续下降时，可以更早了解患者是否存在面罩• 不适、鼻部症状、压力不适、认知不足或生活节律问题;

　　• 当漏气持续异常时，可以更早触发面罩适配和使用指导;

　　• 当残余事件持续异常时，则需要进一步由专业人员评估。

　　预测的价值，不在于给患者贴上“高风险”标签，而在于把原本几个月以后才发现的问题，提前到还有机会改变的时候。

　　传统患者管理往往按照固定时间点随访所有患者。未来，AI有可能帮助服务体系根据风险程度配置不同的随访强度。

　　稳定患者减少不必要打扰;出现依从性下降趋势的患者提前获得支持;复杂或高风险问题及时升级给专业人员。

　　在和普乐5D数字化呼吸支持生态系统中，筛查诊断、呼吸治疗、疗效评估、服务随访和长期管理已经通过持续数据连接起来。AI的进一步加入，则让这种连接从“流程贯通”走向“风险识别与分层管理”——不仅知道患者发生了什么，也能够帮助判断谁更需要被关注、什么时候需要介入，以及何时需要升级专业支持。

　　CPAP依从性预测仍需要更多临床验证、模型可解释性、真实世界评价和医疗流程融合。AI不能简单替代临床判断，也不能把“风险概率”直接等同于诊断结论。

　　但它已经提供了一个很重要的方向：

      从“患者已经停止治疗以后再追问原因”，走向“在治疗开始出现困难时就更早发现、更早干预”。

     当数据能够帮助服务人员把时间用在真正需要帮助的患者身上，AI才开始从算法指标变成长期治疗价值。

　　Hypnus 和普乐

　　设备 × 数据 × AI × 服务

　　让一次设备交付

　　成为长期睡眠与呼吸健康管理的开始

　　参考来源：

　　1.Hanif U, Vitrac J, Marinho P, et al. Rethinking CPAP Adherence with Artificial Intelligence. Sleep. 2026. doi:10.1093/sleep/zsag097

　　2.Domínguez-Guerrero M, Álvarez D, Barroso-García V, et al. BioData Mining. 2026;19:46.