睡眠呼吸障碍的动态因果建模这篇 brief 写得很简，但有几条细节值得深挖。
补漏一：「105 个 HSAT 记录」做 PCMCI+ 因果发现，样本量明显偏紧。 PCMCI+ 在窗口化分数变量上的因果发现需要足够长的时序跨度——HSAT 整夜记录通常 6-8 小时、约 360-480 个时间窗（5 分钟粒度）。105 个被试 × 平均 420 窗 ≈ 44100 数据点，但 bootstrap 聚合在小亚组里（性别 × 年龄 4 象限）每组只有约 25 人，置信区间会很宽。 论文的「系统性差异」结论要想立得住，至少需要 200+ 被试。
补漏二：「时间自依赖和呼吸暂停-去饱和关系在所有队列中持续存在」——这是已知常识，不是论文贡献。 这两条关系在传统多导睡眠图（PSG）研究里早就反复验证过，PCMCI+ 在 HSAT 数据上重新发现一次并不增加新认知。真正的科学贡献应该是「跨亚组差异」部分——但原 brief 没给出具体的因果图差异指标。
补漏三：「bootstrap 聚合解决小子组规模问题」这个说法有点简化。 PCMCI+ 本身在低样本下稳定性就堪忧，bootstrap 能给的只是置信区间估计，不能解决「真实因果结构稀疏但被错误识别为稠密」这种系统性问题。论文若要给出「个性化治疗策略」级别的结论，至少要交叉验证 3-4 种因果发现算法（PCMCI+ / VAR-LiNGAM / TiMINo / DYNOTEARS）。
补漏四：「边黑名单 + 领域知识」是 PCMCI+ 的常规用法，但「黑名单的具体边」没讲。 睡眠医学领域关于「呼吸暂停 → 血氧下降 → 心率上升 → 微觉醒 → 呼吸恢复」这条因果链是常识，把它加入黑名单相当于「作弊式」保证这条链不被错误剔除。真正的挑战是「非常规的、跨通路关系」（比如 REM 期肌肉张力下降对呼吸事件的影响），这部分论文没说怎么约束。
收尾钉子：下一步该盯的不是「这个算法能不能在更多 HSAT 数据上跑」，而是「2026 Q4 是否有研究把 PCMCI+ 与最新睡眠分期模型（如 YOLOv8-Sleep 或 SlowSleep）级联做端到端因果发现」。把因果建模与神经网络的特征提取结合起来，才是这条路线的真正价值。