《Nature and Science of Sleep》:A Nomogram Model for Predicting Moderate to Severe OSA in Western China: A Retrospective Analysis
编辑推荐:
目的:构建一种可解释的列线图模型,用于预测中重度阻塞性睡眠呼吸暂停(OSA)。
方法:本回顾性研究纳入2012年至2020年期间接受多导睡眠监测(PSG)的11,030例OSA患者。按7:3比例将患者随机分为建模队列(n=7,721)和验证队列(n=3,30
目的:构建一种可解释的列线图模型,用于预测中重度阻塞性睡眠呼吸暂停(OSA)。
方法:本回顾性研究纳入2012年至2020年期间接受多导睡眠监测(PSG)的11,030例OSA患者。按7:3比例将患者随机分为建模队列(n=7,721)和验证队列(n=3,309)。根据疾病严重程度,进一步分为轻度组和中重度组。收集一般临床资料。采用多因素Logistic回归识别独立危险因素,并使用R语言“rms”程序包构建列线图预测模型。
结果:单因素分析显示,在两个队列中,轻度组与中重度组在年龄、体重指数(BMI)、颈围、性别、高血压、糖尿病、吸烟状态、饮酒情况及冠心病方面差异均具有统计学意义(均P < 0.05)。多因素Logistic回归显示,年龄、BMI、颈围、男性、高血压及糖尿病是中重度OSA的独立危险因素(均P < 0.05)。列线图模型显示出良好的拟合度[Hosmer-Lemeshow检验:建模队列χ2=10.754,P=0.216;验证队列χ2=8.383,P=0.397]。决策曲线分析证实,该模型在特定风险阈值范围内具有临床应用价值。受试者工作特征(ROC)曲线下面积(AUC)在建模队列中为0.676(95% CI:0.664–0.688),在验证队列中为0.613(95% CI:0.593–0.632),提示模型具有较好的预测性能。
结论:基于年龄、BMI、颈围、性别、高血压和糖尿病构建的列线图模型,为预测和评估中重度OSA提供了有价值的工具,可为临床实践提供重要策略指导。
本研究发表于《Nature and Science of Sleep》,聚焦中国西部人群中重度阻塞性睡眠呼吸暂停(OSA)的早期识别问题。OSA是一种以睡眠过程中上气道反复塌陷为特征的睡眠呼吸障碍,可引起呼吸暂停与低通气,并与心脑血管疾病、糖尿病等多种慢性并发症密切相关。由于中重度OSA患者预后更差、死亡风险更高,尽早筛查并识别高风险个体具有重要临床意义。目前,多导睡眠监测(PSG)仍是诊断OSA的金标准,但该方法设备要求高、操作复杂、费用较高且等待时间长,特别是在医疗资源相对不足的地区,其可及性受到明显限制。尽管家庭睡眠呼吸暂停检测(HSAT)、Ⅳ型睡眠监测设备以及Epworth嗜睡量表、STOP-BANG问卷和Berlin问卷等工具已用于辅助筛查,但仍存在灵敏度与特异度失衡、地区适配性不足及对中重度风险识别不够精准等问题。因此,研究人员开展本研究,旨在基于中国西部真实世界大样本临床数据,建立一种结构简明、便于基层应用且具有区域适用性的中重度OSA预测模型,为优化区域筛查策略、提高早诊率及改善资源配置提供依据。
研究人员纳入2012年至2020年在医院睡眠中心完成整夜PSG监测的OSA患者11,853例,经去重、缺失值处理及排除后,最终纳入11,030例。样本随机分为建模队列7,721例和验证队列3,309例,并依据呼吸暂停低通气指数(AHI)分为轻度组与中重度组。研究从病历系统提取人口学特征、生活方式、合并症、实验室指标、症状及生命体征等29项变量。采用多重插补链式方程处理缺失数据,先行开展单因素分析,再以多因素Logistic回归筛选中重度OSA独立危险因素,随后利用R 4.2.1中的“rms”程序包构建列线图模型,并通过校准曲线、Hosmer-Lemeshow拟合优度检验、Bootstrap内部验证、ROC曲线及决策曲线分析评估模型性能。样本来源为单中心中国西部住院或就诊OSA患者队列。
以下为研究结果的分项解读。
General Comparison
研究人员首先比较了建模组和验证组内轻度OSA与中重度OSA患者的一般资料差异。结果显示,心律失常、缺血性卒中、甲状腺功能减退、脂肪肝、慢性阻塞性肺疾病、气道解剖异常、高同型半胱氨酸血症、高尿酸血症、良性前列腺增生、卧床总时长、核心体温、呼吸频率、收缩压、舒张压以及FT3、FT4、ALP、BUN、LDL和VLDL等指标,在不同严重程度组之间差异无统计学意义(均P > 0.05)。相对而言,年龄、性别、BMI、颈围、高血压、糖尿病、吸烟史、饮酒史及冠心病与中重度OSA的发生存在显著相关性(均P < 0.05)。这一结果提示,中重度OSA不仅与肥胖及体型指标相关,也与代谢性和心血管相关合并症存在联系,为后续多因素筛选奠定基础。
Multifactor Logistic Regression Model Analysis
在单因素分析基础上,研究人员将中重度OSA的发生作为因变量,以年龄、BMI、颈围(NC)、性别、吸烟状态、饮酒情况、高血压、糖尿病、冠心病及整夜睡眠期间呼吸低通气次数等作为候选自变量,纳入多因素Logistic回归模型。结果表明,年龄、BMI、NC、性别、高血压和糖尿病是中重度OSA严重程度的主要影响因素,且均具有统计学意义(P < 0.05)。这一分析表明,在控制其他因素后,人口学因素、肥胖相关体征及代谢性共病仍对中重度OSA风险具有独立预测价值,而吸烟、饮酒和冠心病等因素则未保留为最终独立变量。
Constructing a Nomogram Prediction Model for Moderate-to-Severe OSA Patients
基于多因素分析结果,研究人员进一步筛选出6个具有独立预测意义的核心变量,即年龄、BMI、颈围、性别、高血压和糖尿病,并据此构建中重度OSA列线图预测模型。该模型通过将各变量映射为相应分值,再累加形成总分,最终换算为个体发生中重度OSA的预测概率。该设计将复杂的回归模型可视化,使其能够以直观的评分方式完成风险分层,体现出较好的可解释性和实用性,尤其适合医疗资源有限地区的基层筛查场景。
Validation of the Nomogram Prediction Model
Calibration Curve and Clinical Net Benefit Analysis of the Nonograph Prediction Model
在模型验证方面,研究人员采用Bootstrap方法开展内部验证,并使用独立验证队列进行外部验证。校准曲线显示,建模队列的C-index为0.676(95% CI:0.663–0.688),验证队列的C-index为0.613(95% CI:0.593–0.633),且模型预测曲线与理想对角线较为接近,说明模型预测概率与实际观察结果之间具有较好一致性。Hosmer-Lemeshow检验结果分别为建模组χ
2=10.754,P=0.216;验证组χ
2=8.383,P=0.397,提示模型拟合良好。进一步的决策曲线分析显示,当建模队列风险阈值大于0.6、验证队列风险阈值处于0.60至0.90之间时,该模型能够带来较为明显的临床净获益。这说明列线图不仅统计学表现稳定,而且在特定阈值范围内具有潜在临床决策价值。
Evaluation of Predictive Performance
ROC曲线分析用于评估模型区分轻度与中重度OSA的能力。结果显示,建模组AUC为0.676(95% CI:0.664–0.688),验证组AUC为0.613(95% CI:0.593–0.632)。研究人员据此认为,该模型具有一定的判别能力和预测准确性,能够在中国西部OSA患者中实现对中重度风险的有效识别。尽管验证队列AUC低于建模队列,但整体结果仍支持模型具备实际应用潜力。
讨论部分指出,本研究基于中国西部大样本临床队列构建并验证了中重度OSA列线图模型,弥补了该地区缺乏风险预测工具的空白,强调了区域遗传背景、生活环境及医疗资源分布差异对模型适用性的影响。研究确认年龄是重要危险因素,提示中老年人群应成为重点筛查对象;BMI和颈围反映肥胖程度及脂肪分布,是OSA的重要独立预测指标,其中颈围不仅提示上气道机械性压迫风险,也与代谢紊乱密切相关;高血压和糖尿病在中重度OSA中更常见,支持OSA与代谢异常之间存在相互促进关系;男性也是显著危险因素,提示性别差异可能与脂肪分布、上气道结构及激素调节有关。研究同时强调,该模型仅由6项常规临床指标构成,获取便捷、无需专业设备和复杂主观评分,较适合基层快速分层筛查。其不足在于单中心回顾性设计可能带来选择偏倚与信息偏倚,且模型主要针对中国西部人群构建,向其他地区推广仍需进一步验证,此外未纳入主观睡眠症状等变量,风险评估维度相对有限。总体而言,该研究为中重度OSA的早期识别提供了简便且具有区域适配性的工具,有助于优化PSG检查优先级与医疗资源配置。
研究结论部分可译为:综上所述,当前研究通过多因素分析,成功开发并验证了一种可行的列线图模型,该模型在中国西部人群中预测中重度OSA风险方面表现良好。这一工具可为识别具有中重度OSA风险的患者提供有价值的参考。