Индивидуальные эффекты лечения СИПАП на вторичные сердечно-сосудистые исходы у пациентов с обструктивным апноэ сна без дневной сонливости

Почему это важно для людей с апноэ сна

Многие люди надевают маску ночью, чтобы лечить обструктивное апноэ сна (ОСА), надеясь, что это также защитит их сердце и сосуды. Тем не менее крупные клинические исследования с трудом демонстрировали, что постоянное позитивное давление в дыхательных путях (СИПАП) в среднем снижает риск инфарктов и инсультов. Эта статья задаёт иной вопрос: вместо того чтобы выяснять, помогает ли СИПАП всем, можно ли с помощью современных инструментов обработки данных определить, какие конкретно пациенты получают пользу, какие не испытывают изменений, а какие могут даже пострадать?

Распространённая проблема сна с нетипичными сердечными эффектами

ОСА — широко распространённое состояние, при котором дыхательные пути многократно сужаются или закрываются во сне, вызывая краткие паузы в дыхании. Эти события обычно оценивают с помощью индекса апноэ–гипопноэ (AHI). СИПАП, который мягко подаёт воздух, чтобы удерживать дыхательные пути открытыми, надёжно уменьшает эти нарушения дыхания и часто улучшает симптомы, такие как храп и плохой сон. Наблюдательные исследования указывали, что регулярное использование СИПАП может также снижать риск сердечно-сосудистых заболеваний, но крупные рандомизированные испытания не подтвердили очевидного сердечно-защитного эффекта при усреднении пациентов. Это расхождение указывает на то, что ОСА сложнее, чем один показатель тяжести, и люди с одинаковым AHI могут иметь разные сердечные риски и реакции на лечение.

Выход за рамки универсальных измерений

Исследователи обратились к данным испытания SAVE, крупнейшего исследования, проверявшего, предотвращает ли добавление СИПАП к обычному уходу инфаркты, инсульты и связанные события у людей среднего и пожилого возраста с ОСА и уже имеющимся поражением сердца или сосудов головного мозга. Вместо того чтобы просто перепроверять общий результат, они спросили, могут ли привычные инструменты выявить скрытые подгруппы. Пациентов разделили на низкую, среднюю и высокую категории по AHI и по шкале риска Фрамингема — стандартному калькулятору, оценивающему сердечно-сосудистый риск по таким факторам, как возраст, давление и холестерин. Во всех этих группах СИПАП явно не снижал число сердечно-сосудистых событий по сравнению с обычным уходом, что указывает на то, что эти традиционные меры плохо прогнозируют, кому действительно полезно лечение.

Применение машинного обучения для оценки персонального эффекта лечения

Чтобы углубиться, команда применила метод машинного обучения, называемый каузальным лесом выживаемости. Проще говоря, эта техника использует множество решающих деревьев, чтобы оценить для каждого человека, насколько его вероятность сердечно-сосудистого события отличается при наличии или отсутствии СИПАП. Модель опиралась на 23 исходные характеристики почти всех 2687 участников исследования, включая анамнез (например, предшествующие вмешательства на сердце и курение), принимаемые лекарства, показатели исследования сна — уровни кислорода и паттерны сердечного ритма — и ответы на медицинские анкеты. Из этих данных она выдавала показатель индивидуального эффекта лечения — по сути прогноз того, будет ли СИПАП помогать, окажет мало влияния или, возможно, усугубит сердечно-сосудистые исходы для каждого человека.

Резкие различия между теми, кому помогает, и теми, кому может навредить

Когда участников ранжировали по их персональным показателям и делили на три равные группы, различия оказались драматичными. Те, кто вошёл в верхнюю треть и по прогнозу должны были получить наибольшую пользу, продемонстрировали существенное улучшение в сохранении отсутствия крупных сердечно-сосудистых событий при назначении СИПАП — как в исходной рандомизации, так и при учёте людей, которые действительно регулярно пользовались СИПАП. Напротив, те, кто попал в нижнюю треть и у которых прогнозировался вред, показали резко повышенный риск таких событий при назначении СИПАП. Люди средней трети почти не имели различий ни в ту, ни в другую сторону. Любопытно, что группа с вероятной пользой часто имела более лёгкие нарушения дыхания по данным полисомнографии, но худшие показатели качества жизни и более высокую вариабельность сердечного ритма, что наводит на мысль, что их организм может быть более чувствителен к улучшениям сна. Группа с вероятным вредом имела больше предыдущих инфарктов и операций на сосудах, более тяжёлое апноэ и несколько худшие показатели кислорода, но сообщала о лучшем исходном качестве жизни.

Переосмысление того, как и когда СИПАП защищает сердце

Эти результаты предполагают, что влияние СИПАП на сердце не является однозначно благоприятным или нейтральным; оно сильно зависит от исходного состояния здоровья и профиля сна человека. Для некоторых, особенно с определёнными паттернами более мягких падений кислорода и плохого самочувствия, СИПАП может существенно снизить риск будущих сердечных проблем. Для других с давним или тяжёлым поражением сердца устранение повторяющихся эпизодов низкого кислорода может на самом деле разрушить определённую форму адаптации и повысить риск. Исследование не доказывает точно, почему это происходит, и модель ещё нужно проверить на новых группах пациентов, прежде чем использовать её в повседневной практике. Но оно даёт первые свидетельства того, что продвинутые методы анализа данных могут разделить пациентов на тех, кто, вероятно, получит пользу, останется без изменений или пострадает от СИПАП в плане защиты сердца. В будущем такие инструменты точной медицины могут помочь врачам уйти от универсальных правил лечения и подбирать решение о СИПАП в соответствии с уникальным соотношением рисков и выгод для каждого человека.

Цитирование: Cohen, O., Al-Taie, Z., Kundel, V. et al. Individualized treatment effects of CPAP on secondary cardiovascular outcomes in non-sleepy obstructive sleep apnea patients. Commun Med 6, 257 (2026). https://doi.org/10.1038/s43856-026-01457-1

Ключевые слова: обструктивное сонное апноэ, терапия СИПАП, риски сердечно-сосудистых заболеваний, персонализированная медицина, машинное обучение