重度阻塞性睡眠呼吸暂停风险预测模型的建立与评价

摘要：

目的 本研究通过列线图构建普通人群罹患重度阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)风险的预测模型,探究重度 OSA的独立危险因素,指导临床早期诊断和治疗.方法 回顾性纳入 1 656 名患者,并按 7∶3将其随机分为训练集与验证集.根据呼吸暂停低通气指数＞30 次/h将患者分为重度 OSA与非重度 OSA组.用最小绝对收缩、选择算子(the least absolute shrinkage and selection operator,Lasso)和逻辑回归(logistic regression,LR)对所有备选预测因子进行进一步筛选,基于 LR建立重度 OSA患者的预测模型,在验证集中对列线图模型进行验证,使用C指数、校准曲线和决策曲线分析(Decision Curve Analysis,DCA)评价列线图的区分能力、校准性和临床有效性.此外,我们将该模型与临床上广泛使用的问卷,包括STOP-Bang、柏林问卷通过受试者工作曲线进行了比较.结果 通过单因素及多因素Logistic 回归分析和 Lasso Logistic回归确定吸烟、憋气病史、BMI、腰围、打鼾病史、Epworth嗜睡量表(Epworth sleepiness scale,ESS)作为纳入列线图的预测因子.该模型曲线下面积(area under the curve,AUC)= 0.795(95%CI:0.769～0.820),Hosmer-Lemeshow检验提示模型校准良好(χ2 =3.942,P=0.862).DCA曲线显示,该模型对患者是有益的,当阈值概率＞18%时,该模型对患者的净获益优于柏林问卷或 STOP-Bang 量表.临床影响曲线(Clinical Impact Curve,CIC)分析显示了该预测模型的临床有效率,当阈值概率大于 82%预测评分概率值时,预测模型判定为重度 OSA高风险人群与实际罹患重度 OSA人群高度匹配,证实该预测模型临床有效率较高.结论 相较于临床常用量表,本研究建立的模型在预测重度 OSA 方面具有更好的识别能力,可应用于普通人群的 OSA 早期筛查,有助于及早识别重度 OSA,保护患者免受 OSA的严重后果,减轻社会负担.

关键词：阻塞性睡眠呼吸暂停综合征、预测模型、列线图、柏林问卷、STOP-Bang问卷

所属期刊栏目：44

分类号：R76(耳鼻咽喉科学)

在线出版日期：2023-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：915-923