肥胖患者暴食症筛查新工具EBA-O的验证研究：一种高灵敏度特异性诊断方法

针对肥胖患者中暴食症(BED)漏诊率高的问题，意大利研究团队开发了饮食行为评估量表EBA-O。这项横断面研究纳入129名肥胖患者，验证显示EBA-O区分BED的AUC达0.89，灵敏度81%、特异性82%，"食物成瘾"和"暴食"是主要预测因子。该工具为肥胖治疗中早期识别BED提供了简便可靠的筛查手段。

　　

在全球肥胖率持续攀升的背景下，暴食症(Binge Eating Disorder, BED)作为一种最常见的进食障碍，与肥胖形成了复杂的共病关系。令人担忧的是，约30%寻求减重的肥胖患者患有BED，却往往被漏诊——这些患者更易出现体重波动、代谢异常和心理损害。现有诊断工具多聚焦单一症状，缺乏对肥胖患者多种异常进食行为(如夜间进食、甜食渴求等)的综合评估。这种诊断缺口导致大量患者错失针对性治疗机会，严重影响减重效果和生活质量。

为破解这一临床困境，意大利Catanzaro大学Elvira Anna Carbone领衔的多学科团队开发了新型饮食行为评估量表EBA-O(Eating Behaviors Assessment for Obesity)。这项发表在《Obesity and Endocrinology》的研究，首次系统验证了该工具在肥胖人群中筛查BED的效能。研究团队提出关键假设：EBA-O不仅能评估多种异常进食行为，其"暴食"和"食物成瘾"维度应能有效区分单纯肥胖与肥胖共病BED患者。

研究采用横断面设计，通过结构化临床访谈(SCID-5-CV)和进食障碍检查问卷(EDE-Q 6.0)作为金标准，对129名18-65岁肥胖患者(BMI≥30 kg/m²)进行评估。关键技术方法包括：1)采用诊断性访谈确定BED；2)EBA-O量表评估五种进食行为；3)通过MANOVA分析组间差异；4)构建逻辑回归模型识别预测因子；5)ROC曲线分析评估诊断效能。

主要研究发现呈现递进式证据链：

【样本特征】研究纳入83.7%女性患者，平均BMI 39.6±8.3 kg/m²，51.9%确诊BED，其EDE-Q评分显著高于非BED组(p<0.001)

【行为特征】MANOVA分析显示BED患者在EBA-O所有维度(威尔克λ=0.558，p<0.001)均存在显著差异，尤其"食物成瘾"(2.8±2.2)和"暴食"(2.7±2.4)得分突出

【预测模型】逻辑回归揭示"食物成瘾"(OR=1.57，p=0.009)和"暴食"(OR=1.48，p=0.01)是BED的独立预测因子，而夜间进食、甜食渴求等维度预测力不显著

【诊断效能】ROC曲线显示EBA-O总分AUC达0.89(95%CI 0.83-0.94)，在最佳截断值下灵敏度81%、特异性82%，总体分类准确率81.8%

讨论部分深入剖析了这些发现的临床价值。EBA-O的高诊断效能(AUC>0.8)使其可作为肥胖门诊的有效初筛工具，尤其擅长识别具有"成瘾样进食特征"的BED亚型。这与近年神经生物学研究相呼应——这类患者往往呈现更强的奖赏系统失调和多巴胺信号异常。工具设计的创新性在于：突破传统量表仅关注暴食频率的局限，通过多维评估更全面捕捉肥胖相关的异常进食谱系。

研究也存在若干局限：样本性别失衡(女性占83.7%)可能影响结果外推性，这与临床实践中女性更主动寻求治疗有关；缺乏长期随访数据限制了对预测效度的评估；未控制抗抑郁药等混杂因素。未来研究需在更均衡样本中验证，并探索量表评分与代谢指标、治疗反应的关联。

这项研究为肥胖管理提供了重要范式转变：EBA-O的18个条目可在5分钟内完成评估，使非精神科医生也能早期识别需要专科干预的BED患者。对于资源有限的基层医疗机构，这种"筛查-转诊"模式能显著提高BED检出率，避免患者因漏诊而陷入"减重-复发"的恶性循环。从公共卫生视角看，及时识别BED对降低肥胖相关并发症负担具有潜在重要价值。