背景：REM睡眠行動障害（RBD）の診断において正確なREM同定は重要であるが、多くの自動睡眠ステージングシステム、特に健常コホートで訓練した単一チャネルEEGモデルは、患者で実施される実臨床のポリソムノグラフィ（PSG）に対して十分に汎化しない。目的：RBD向けに調整した特徴量ベースのランダムフォレスト（RF）モデルと最先端の単一EEG深層アーキテクチャ（AttnSleep）を比較し、コホート適応とマルチモーダル入力（EEG、EOG、EMG、ECG）が性能に与える影響を評価する。方法：実験では、89件の多施設臨床PSG（SleepWearables Phase-1）に加えて、53件のMASS健常コントロール（平均年齢63歳、標準偏差5年）を用い、10分割交差検証とフォールド外評価を実施した。モデル性能はCohenのκで評価し、注意に基づくモダリティ解析により信号寄与を定量化した。結果：公開データの健常データセットで学習したうえで、アウト・オブ・ザ・ボックスで適用した場合、両モデルはいずれも全体として中程度の一致を示した（Cohenのκ=0.46）が、RBDでは性能が低下し、とりわけREM睡眠で顕著であった（AttnSleepのCohenのκ=0.19に対しRFのCohenのκ=0.44）。これはコホートをまたいだ汎化の制限を示す。マルチモーダルモデルでは、全体の一致が改善し（Cohenのκ 0.59〜0.60）、RBDにおける性能も改善した（Cohenのκ 0.45〜0.46）。改善はREMで最も大きく（Cohenのκ 0.45〜0.49）、注意に基づくモダリティ解析ではEEGが支配的な信号であること、REM時にEOGの寄与が増加すること、N3でECGの重要度が高まることが示された。RBD被験者では、EOGの重み付けが非RBDコントロールに比べて増大した（差分=+0.081）。これらの重みに基づき、減チャネル化した4チャネルEEGモデルは非RBD被験者において全マルチモーダル性能に匹敵し、さらにEOGを追加すると最良の全体構成が得られた（Cohenのκ=0.61全体；RBDでのCohenのκ=0.48）。またREM分類は改善し（リコール53% vs 45%）、EOGを含めることでREMステージングにおけるデータセット間のばらつきも低減した。とはいえ、RBDにおけるステージング性能は、特にREMにおいてコントロールよりも依然として低かった。結論：これらの結果は、健常コホートで訓練した最小センサーモデルの汎化可能性が限定的であること、混合コホートと対象コホートに基づく学習の価値、そして頑健な臨床睡眠ステージングにおいて最小センサーモデル単独ではなく、マルチモーダル統合と注意に導かれたチャネル選択の利点を示している。特にRBDのような病的集団に対して有効である。
https://doi.org/10.64898/2026.06.30.26356905