阻塞性睡眠呼吸暂停低通气综合征相关危险因素研究和Nomogram预测模型建立

赵 竹,孙家强,别远志,任秀芹,孙敬武

(中国科学技术大学附属第一医院/安徽省立医院耳鼻咽喉头颈外科,安徽 合肥 230002)

阻塞性睡眠呼吸暂停 (obstructive sleep apnea hypopnea syndrome, OSAHS) 是最常见的睡眠呼吸障碍类型之一。其显著特征是由于气道部分或完全阻塞所导致的反复发作的睡眠期间呼吸暂停[1]。OSAHS与日常活动和社会功能障碍密切相关,患者常常会感觉到严重的嗜睡和疲劳感。更重要的是,OSAHS会导致多种慢性疾病如高血压、糖尿病、血脂异常等发病率的显著提高[2,3]。由于当代人群饮食和生活习惯的改变,OSAHS的患病率随着肥胖症的流行而不断增加[4]。其中多数病例仍未得到有效的诊治,造成了沉重的社会和经济负担。目前,多导睡眠图 (PSG) 是OSAHS的诊断金标准,其广泛的使用已经使得很多OSAHS患者在诊断和治疗方面获益[5]。然而,由于PSG检测复杂耗时且成本较高,导致我国很多OSAHS患者无法得到及时有效的诊治。因此,迫切需要一种易于使用且可靠的方法来识别OSAHS高危患者。本研究通过问卷调查及量表评分方式收集了患者相关资料,采用 Logistic 回归分析研究OSAHS发生的相关因素,并在影响因素基础上建立 Nomogram 预测模型,为OSAHS预防和诊断提供了相应依据。

1 资料与方法

1.1 一般资料2021年6月至 2022年12月就诊于我院的鼾症患者287例。纳入标准:年龄>18岁;打鼾症状且伴有如日间思睡、疲劳,合并心血管疾病、代谢性疾病。排除标准:合并严重的全身性疾病(即充血性心力衰竭、严重的内在肺病、慢性肾病或肝病);妊娠;有抗糖尿病和服用降脂药物史;既往接受过 OSAHS 治疗的患者。所有参与本研究的患者或家属均签署知情同意书,本研究获得中国科学技术大学第一附属医院伦理委员会的批准(伦理号:2022-RE-160)。

1.2 方法

1.2.1数据测量 所有受试者都完成了问卷调查,问卷由独立调查员收集和检查,并记录了受试者的病史和健康状况。受试者穿着轻便衣服和赤脚测量身高和体重。体重指数 (BMI) =体重(kg)/身高(m2)。在环甲膜水平测量颈围;臀围测量为大转子处的最大周长;在下肋缘和髂嵴的中间测量腰围。平两侧乳头的胸廓周长定义为胸围。所有人体测量数据都记录了两次并记录其平均值。

1.2.2问卷方法 Epworth嗜睡量表(ESS)是一个自我管理的问卷,提供主观白天嗜睡的量度;它包含 8 个项目,采用 4 分制(0～3)评分,总分从 0 到 24[6]。STOP-Bang问卷包括打鼾、疲劳、呼吸暂停现象、血压、BMI、年龄、脖围、性别等8项指标,量表1～4项由患者本人填写,5～8项由患者家属填写。问卷中回答为“是”计1分,“否”计0分,总分≥3分认为有OSAHS高风险[7]。

表1 两组患者临床基本信息比较

1.2.3睡眠评估 根据美国睡眠医学会(AASM)2007 年指南[8],通过标准 PSG评估客观嗜睡。呼吸暂停定义为相对于基线至少 90% 且持续≥10 秒的口鼻气流缺失。低通气定义为任何上部气流减少 50% 持续至少 10 秒,并伴有氧合血红蛋白饱和度降低至少 3% 或因觉醒而终止。觉醒被定义为脑电图频率的突然变化持续≥3 s。呼吸暂停-低通气指数 (AHI) 由每小时睡眠的呼吸暂停和低通气事件的数量给出。氧饱和度指数定义为每小时睡眠中氧合血红蛋白去饱和度≥3%的总发作次数。微觉醒指数定义为每小时睡眠的平均觉醒次数。OSAHS被诊断为每小时 AHI ≥ 5 次。

1.3 统计学方法采用SPSS 21.0和 R(版本 3.0.1)进行统计分析。符合正态分布的计量资料以均数±标准差表示,组间比较采用两独立样本t检验;不符合正态分布的计量资料以M(P25,P75)表示,组间比较采用非参数检验;计数资料以例数(百分率)表示,组间比较采用χ2检验。OSAHS发生的危险因素采用多因素Logistic回归分析。基于多因素分析结果,应用R 软件中的RMS包建立Nomogram预测模型,计算预测结果和实际结果之间的一致性概率指数(C-index)以评估该预测模型的判别能力[9]。C-index的范围是 0.5 ～ 1.0,其中 0.5 为随机机会;1.0 为完美区分。P<0.05为差异有统计学意义。

2 结果

2.1 患者一般情况287例患者中,男234例,女53例,确诊为OSAHS 251例(87.46%),单纯鼾症36例(12.54%)。患者年龄为42(33,51)岁,BMI中位数为[27.16(24.7,29.4)]kg/m2,颈围、腰围、臀围的中位数分别为[40(37,42)]cm,[99(92,104)]cm以及[103(99,108)]cm,胸围[(101.4±8.3)]cm。EPworth以及STOP-bang(SBQ)评分中位数分别为9分及4分。既往吸烟史154例、酗酒史100例、高血压病史62例,偏好高盐饮食者154例,规律运动者119例,疾病持续时间≥3年的患者为141例。见表1。

2.2 单纯鼾症组与OSAHS组一般情况比较单纯鼾症组及OSAHS组间比较,性别、年龄、EPworth评分、SBQ评分、BMI、颈围、胸围、腰围、臀围、高盐饮食、吸烟史差异均有统计学意(P<0.05)义。见表1。

2.3 鼾症患者发生OSAHS的多因素Logistics分析Logistics多因素分析结果显示,OSAHS与年龄、ESS评分、BMI、胸围、腰围、臀围、高盐饮食、酗酒史、高血压和疾病持续时间并无明显关系(P>0.05),而性别、SBQ评分、颈围、吸烟史、体育锻炼、均是鼾症患者患有OSAHS的独立危险因素(P<0.05)。见表2。

表2 鼾症患者合并OSAHS的多因素Logistics分析

2.4 建立 Nomogram 列线图预测模型本研究基于是否患有OSAHS为因变量,以多因素Logistic回归筛选的变量作为预测变量,R 软件进行Nomogram 分析,各因素不同数值对应的评分见图1,计算各因素评分的总分,对应的风险率范围为 0.1 ～ 0.9;总分越高发生OSAHS的风险越大。列线图的验证通过 1000 自举分析进行。在患有OSAHS 的预测方面,列线图的 C -index为 0.937,远大于0.7(图2)。表明该模型具有较高的准确性。

图1 鼾症患者患有OSAHS的Nomogram 列线图预测模型

图2 Nomogram 预测模型的校准图

3 讨论

OSAHS是最常见的睡眠障碍之一,据报道患病率为 5%～14%[10]。这种常见的睡眠障碍以反复发作的上气道塌陷为特征,导致从睡眠中反复觉醒和间歇性缺氧。间歇性缺氧和睡眠碎片化是 OSAHS 的主要病理生理特征[11]。众所周知,未经治疗的OSAHS可能导致严重的慢性疾病,如冠心病、高血压、中风、心律失常、糖尿病和代谢综合征。因此,尽早明确OSAHS诊断,并及时进行相关治疗可以极大地改善患者的预后。

实际上,作为金标准的PSG检查耗时长、复杂性高、基层医院不易于开展,因此在临床工作中迫切需要一种简单易行的辅助诊断方法以协助医生判断OSAHS患病风险。目前广泛使用的问卷调查方法,如 STOP-Bang问卷、ESS量表和柏林问卷(BQ)的诊断效能并不令人满意。近期的一项荟萃分析结果显示其特异性较低(仅为42%～65%)[12]。上述筛查工具的准确性和临床实用性存在不确定性[13]。因此,本研究的目的是基于收集的一系列统计学和测量学临床指标开发一种简单易用的OSAHS患病nomogram列线图预测模型。

通过分析OSAHS相关因素和健康行为,本研究观察到OSAHS组与单纯鼾症在性别、年龄、体重指数、高盐饮食偏好、吸烟史、规律体育锻炼、颈围、胸围、腰围、臀围、Epworth评分以及STOP-bang评分上存在显著差异。而通过进一步的多因素Logistic分析发现,性别、STOP-bang评分、吸烟史、高盐饮食偏好和颈围是患有OSAHS的独立危险因素。在本研究中,OSAHS患者中男性比例远高于女性,这一结论与既往研究结果相似[14,15]。笔者认为,造成男性患者偏多主要是由于上呼吸道肌肉和脂肪组织分布、咽部形状、大小和塌陷度及神经化学控制机制和唤醒反应等方面共同造成的[16,17]。此外,全志豪等研究表明[18],吸烟与OSAHS有明显的相关性,并且吸烟患者患有重度OSAHS的风险更高。其中可能的机制是:①长期慢性吸烟会诱发鼻咽部黏膜的炎症,使得鼻咽部狭窄,睡眠时更易塌陷; ②吸烟会削弱机体在发生呼吸暂停时的自动觉醒能力;因此戒烟是势在必行的。而我们的研究还提示,规律的体育锻炼可以显著的改善OSAHS发病的风险,一方面,体育锻炼可以增强上呼吸道括约肌功能,并减少OSAHS患者颈部液体积聚另一方面,体育锻炼还可以增加慢波睡眠时间、降低体重和降低机体全身各系统炎性反应[19～21]。STOP-bang问卷已经日益受到许多医师的重视,由于其简单易行,可操作性强,具有良好敏感度,而且对于预测重度OSAHS作用显著。在本研究中,我们也发现STOP-bang问卷可以作为独立危险因素用于预测OSAHS患病。颈围已经被多个研究判定为影响OSAHS发病的重要影响因素,颈围过高会压迫呼吸,造成OSAHS。

列线图是几十年来一直在医学中使用的图形计算工具,列线图方法可以促进床边的临床决策分析。本研究首先使用Logistics回归分析获得了影响OSAHS发生的福利危险因素,并将上述危险因素纳入并开发了Nomogram列线图。尽管之前已经有研究利用一些统计学方法构建了相关预测模型罗等。如Xu等使用LASSO回归模型开发了列线图,通过检测发现对 OSAHS、中度OSAHS和重度OSAHS的预测能力分别达到为0.84、0.80 和 0.78[22],但所纳入的部分参考指标是血液标志物,在门诊及社区工作中并不适用。此外,Shah 等创建的预测模型,则依赖于ARES 监测器(一种便携式PSG),增加了获取相关指标的复杂度,且其预测效能也并不十分理想[23]。本文中简单直观的Nomogram列线图预测模型似乎比传统的问卷表现更好,且更具有操作性和实用性。

由于该预测模型是使用中国患者的数据集开发的,用于其他种族群体时,其有效性可能需要验证。鉴于参与者是在专门的睡眠中心招募的,导致我们的样本在反映一般人群方面存在选择偏差,并且没有记录所有人口特征。在未来的研究中,我们计划将该模型应用于更广泛的OSAHS社区筛查,以展示该模型的效用并评估该模型的性能。

总之,通过对门诊获取的患者信息的综合分析,本研究创建了一个内部验证、高度可区分、可视化和简约的预测模型,可用于在门诊患者中识别 OSAHS 患者,这可能有助于改善临床决策。