Utilidad de los componentes del cuestionario Stop-Bang para identificar pacientes con apneas del sueño / Usefulness of the components of the Stop-Bang questionnaire to identify patients with sleep apnea

RESUMEN

Introducción: Los cuestionarios para calcular la probabilidad de padecer apneas del sueño (SAHOS) tienen utilidad variable, por lo que resultaría interesante conocer el desempeño del cuestionario STOP-BANG en nuestra población de alto riesgo usando métodos simplificados de diagnóstico. Objetivo: Evaluar el desempeño de STOP-BANG y su capacidad de predicción para identificar un índice de apneas e hipopneas por hora de registro (IAH) elevado en pacientes con sospecha clínica de apneas del sueño derivados para la realización de una poligrafía respiratoria domiciliaria auto-administrada (PR) de nivel III. Métodos: Estudio longitudinal en pacientes referidos para PR (nivel III) durante catorce meses. Las habilidades de STOP-BANG para discriminar pacientes con SAHOS para cada grado de severidad se validaron contra los resultados de la PR usando el IAH. Se evaluaron la combinación de síntomas (STOP), los parámetros antropométricos (BANG) y STOP-BANG para cada punto de corte propuesto en el IAH manual (>5 y ≥30/hora) y se construyeron modelos de regresión logística múltiple expresando Odds Ratio (OR) con sus intervalos de Confianza (IC) para el 95% para cada uno de los componentes. Se evaluaron en cada modelo el poder de discriminación, calculando el área bajo la curva ROC y la bondad de ajuste mediante la prueba de Hosmer-Lemershow. Resultados: Se estudiaron 299 pacientes. 194 fueron hombres (64.9%), media de 52.77 años (SD 14.67) e IMC de 32.49 (SD 7.67). 161 casos (53.8%) presentaron un índice de masa corporal (IMC) >30 (obesos). El desempeño para IAH >5/hora (área bajo la curva ROC) para cada combinación del número de componentes presentes fue; STOP 0.58, BANG 0.66 y STOP-BANG 0.66. La mejor relación sensibilidad (S) y especificidad (E) para la identificación de IAH >5/h se obtuvo con tres componentes de STOP en cualquier combinación posible (S 52.97%; E 60%) y con dos componentes de BANG (S 79%; E 43.75%). Para un IAH ≥ 30/h el área bajo la curva ROC para cada combinación fue; STOP 0.67, BANG 0.67, y STOP-BANG 0.73 y la mejor relación S-E se obtuvo con dos componentes de STOP (S 79% - E 43.75%). De manera similar, 3 componentes de BANG alcanzaron una S de 61.7% y E de 65.48%. Cinco componentes de STOP-BANG (cualquier combinación) alcanzaron una S de 60.73% y E de 65.00% (RV+ 1.73- RV- 0.60). Finalmente, utilizando selector automático de variables para los ocho componentes de STOP-BANG hallamos un modelo para predecir IAH ≥30/hora formado por; apneas observadas (O) OR 3.62 (CI 95% 1.69-7.77) p= 0.001, IMC >30 (B) OR 2.51 (CI95% 1.19-5.28) p= 0.015 y sexo masculino (G) OR 6.63 (CI95% 2.39-18.3) p= 0.0001 (Área bajo la curva; 0.75. Bondad de ajuste 0.722). Conclusiones: STOP-BANG muestra un comportamiento diferente para IAH >5 y ≥ 30/ hora cuando se utiliza PR. La combinación STOP muestra escasa capacidad de discriminación para IAH >5/hora y este comportamiento difiere de los resultados publicados con polisomnografía en el laboratorio de sueño. Las variables antropométricas (BANG) muestran buena capacidad de discriminación evaluada por el área bajo la curva del modelo para ambos puntos de corte en el IAH analizados. Cinco componentes de STOP-BANG en cualquier combinación tienen una S diagnóstica elevada para identificar pacientes con alteraciones respiratorias del sueño de grado severo. Mostraron buen desempeño como predictores tres variables antropométricas (IMC, edad y sexo masculino) siendo esta última la de mayor peso para identificar IAH patológico (>5/hora) o elevado severo (≥30/h). En nuestra población el modelo de predicción O-G-B obtuvo el mejor desempeño.

ABSTRACT

Purpose: The questionnaires used to estimate the probability of suffering from obstructive sleep apnea (OSA) have variable utility. The ability of the STOP-BANG questionnaire has not been evaluated in our high risk population. Aims: The aim of this study was to evaluate the ability of the STOP-BANG assessment tool to predict sleep hourly apnea-hypopnea index (AHI) in patients with high clinical suspicion compared to a self-administered home level III respiratory polygraphy (RP). Methods: We conducted a longitudinal study in patients referred to RP (level III) over fourteen months. The ability of STOP-BANG questionnaire to identify patients with OSA for each severity grade was validated against the results of RP using AHI. The relationships between symptoms (STOP), anthropometrics parameters (BANG) and the combination (STOP-BANG) and AHI (>5 and ≥ 30/hour) were evaluated using multiple logistic regression linear models expressing Odds Ratio (OR) with 95% confidence intervals (CI) for each of the components. For each model, we studied the discrimination power by calculating the area under ROC curve and the fitness using the Hosmer-Lemershow test. Results: 299 patients were studied. 194 were male (64.9%), average age was 52.77 years (SD 14.67) and body mass index (BMI) was 32.49 (SD 7.67). 161 cases (53.8%) showed BMI > 30 (obesity). The frequency of identifying AHI >5/hour (area under ROC curve) for each measured component were; STOP 0.58, BANG 0.66, and STOP-BANG 0.66. The best relationship between sensitivity (S) and specificity (Sp) for identifying AHI > 5/h was found by using three STOP components in any possible combination (S 52.97%; Sp 60%) with two BANG components (S 79%; Sp 43.75%). For an AHI ≥ 30/h the area under ROC curve for each combination were; STOP 0.67, BANG 0.67 and STOP-BANG 0.73. The best relation including S-Sp has been obtained with two STOP components (S 79%-Sp 43.75%). Similarly, 3 BANG components reached S of 61% and Sp of 65.48%. Five components of STOP-BANG (in each combination) reached S of 60.73% and Sp of 65.00% (RV+ 1.73 - RV- 0.60). Finally, we used an automatic selector of variables for the eight STOP-BANG components and we found a model to predict AHI ≥ 30/hour formed by; observed apneas (O) OR 3.62 (CI 95% 1.69-7.77); p = 0.001, IMC > 30 (B) OR 2.51 (CI 95% 1.19 - 5.28); p = 0.015 and male sex (G) OR 6.63 (CI 95% 2.39 -18.3); p = 0.0001 (Area under the curve; 0.75. Goodness of fit). Conclusions: The STOP-BANG questionnaire shows different results for AHI >5 and AHI ≥ 30/hour when RP has been used. The STOP combination shows low capacity to discriminate for AHI > 5/hour and this result differs from the results reported with polisomnography in the sleep laboratory. The anthropometric variables (BANG) show good discriminating capacity evaluated by the area under curve of the model for both cutoff in the analyzed AHI. Five STOP-BANG components in any combination have a high diagnostic sensitivity to identify patients with sleep respiratory disturbance in severe grade. Three anthropometric variables showed good performance as predictors (BMI, age and male sex); the last one was the most important to identify pathologic AHI (> 5/hour) or severe high AHI (≥30/h). In our population the prediction model O-G-B had the best performance.