https://www.nature.com/articles/s41467-026-75326-9 

[!abstract]+ 
临床睡眠研究能够捕捉多种生理信号，但其解读往往被简化为单一的、预后价值有限的汇总指标，例如呼吸暂停低通气指数（AHI）。我们提出了一种基础模型，该模型能够从超过10,000份与电子病历关联的临床睡眠记录中学习丰富的睡眠生理表征。我们发现，睡眠生理蕴含着传统指标无法识别的潜在风险结构，并识别出五个患者风险组，这些患者在死亡率、心血管疾病和神经系统疾病方面呈现出显著不同的发展轨迹。最高风险组的死亡风险是最低风险组的两倍以上，而AHI严重程度分类的预测价值有限。该框架可推广至独立的睡眠心脏健康研究（Sleep Heart Health Study），即使数据分辨率较低，也能区分高风险和低风险患者。我们证明，基础模型能够恢复常规睡眠记录中蕴含的、具有临床意义的风险信...