MambaSleepCVD框架从多导睡眠数据预测心血管长期风险
近期发表于medRxiv的一项预印本研究提出MambaSleepCVD框架，尝试从全夜多导睡眠监测数据中提取与长期心血管疾病风险相关的预后信息。研究采用基于Coupled Mamba的模块化架构，对多模态生理信号进行跨模态与时序融合，并在美国睡眠心脏健康研究（SHHS）数据集上完成验证。实验显示其性能与现有最优模型相当或略优，但心脏通道单独贡献了大部分判别信号。研究同时识别出参考数据集中显著的年龄偏倚，若不校正将导致风险预测虚高。
长期心血管疾病风险预测一直是临床研究的重要课题。近期一项预印本研究报告了MambaSleepCVD框架，尝试从全夜多导睡眠监测中挖掘与远期心血管结局相关的预后信息，同时在建模过程中显式控制人口学混杂因素。
研究采用基于Coupled Mamba的模块化设计，能够同时进行跨模态融合与时序建模，捕捉整夜睡眠过程中多种生理信号之间的长程依赖与动态交互。研究者还比较了任务特定的有监督单模态表征与任务无关的多模态自监督预训练在预后价值上的差异，并在睡眠心脏健康研究（SHHS）数据集上完成了验证。
在数据充足的监督学习设定下，该方法的性能与当前最优架构相当或略优，但分析显示心脏通道单独使用时即可解释绝大部分判别信号，其他模态在加入融合后带来的增益相对有限。更关键的是，研究团队在SHHS数据集中识别出显著的年龄相关偏倚，若不进行校正，模型会利用这一捷径抬高风险预测，部分解释了此前文献中报告的较高性能。
作者指出，由有监督单模态专家配合融合引擎构成的方案，为基于睡眠记录进行心血管风险排序提供了灵活的路径，但可靠的心血管疾病筛查仍需依赖独立的外部队列并对潜在混杂因素进行明确控制。
【空音视角】 从非接触睡眠监测视角看，该研究有几点值得关注。其一，心脏通道在长期心血管风险预测中占据主导地位，提示心率与心率变异性等信号是预后信息的重要载体，这与WiFi感知等非接触监测方案重点提取的心脏特征方向一致。其二，年龄等人口学混杂带来的捷径学习在医疗AI中并不少见，凸显了严格控制混杂变量与独立外部验证的必要性。对于依赖射频的非接触感知路线，如何在低信噪比下稳健提取与心血管风险相关的信号、避免人口学特征造成虚假关联，将是临床落地中必须正视的数据治理课题。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：medRxiv 预印本 原文链接：https://www.medrxiv.org/content/10.64898/2026.09.08.26361626v1?rss=1
来源：medRxiv 预印本（查看原文）