基于人群的阻塞性睡眠呼吸暂停研究：通过健康管理数据库进行概率性病例确定

《International Journal of Epidemiology》：A population-based study of obstructive sleep apnea: using probabilistic case ascertainment through health administrative databases

　　

背景尽管多导睡眠监测（polysomnography, PSG）是诊断的金标准，但关于阻塞性睡眠呼吸暂停（obstructive sleep apnea, OSA）存在和严重程度的PSG数据在人群层面很少可用。健康管理数据库（health administrative databases, HAD）为OSA病例确定提供了广泛覆盖，但需要能够处理固有错误分类的方法。研究人员利用先前验证的OSA概率性病例确定模型，以估计人群水平的OSA患病率及相关因素。方法研究人员在加拿大安大略省开展了一项基于人群的回顾性队列研究。首先，利用一个包含PSG确认的OSA严重程度的临床队列（测量队列；n=18,581），量化了概率性OSA病例定义中的错误分类。然后，将外部验证的概率模型应用于2010年至2018年间在安大略省接受实验室夜间PSG的所有18岁及以上成人（省级PSG队列；n=834,361）。使用多个概率阈值和一个无阈值自举插补法（bootstrap imputation approach, BIA）估计了OSA患病率及相关因素。结果与基于PSG的金标准相比，BIA替代定义在OSA患病率估计中具有最低的平均相对偏差（BIA：5% vs. >38%概率阈值：11.4%）。使用BIA，研究人员估计省级PSG队列中中度-重度OSA的患病率为44.3%，在基于情景的投影中，根据假设的OSA诊断不足率，得出一般人群患病率为3.4%–17.1%。OSA患病率在男性、年龄较大和既往有合并症者中更高，且年度稳定。结论利用健康管理数据进行概率性病例确定，能够在缺乏临床诊断数据的情况下实现OSA流行病学的稳健人群水平估计，并为研究OSA的患病率、相关因素及随时间变化的结局提供了框架。

**论文解读：利用健康管理数据库进行阻塞性睡眠呼吸暂停的概率性病例确定研究**

**研究背景与问题**
阻塞性睡眠呼吸暂停（obstructive sleep apnea, OSA）是最常见的睡眠呼吸障碍，影响全球多达十亿成年人，并造成日益增长的人群负担。OSA是可改变的不良健康结局和医疗资源利用增加的危险因素，但其对健康结局和人群患病率的影响尚不充分明确。多导睡眠监测（polysomnography, PSG）是诊断OSA的金标准，但PSG数据在人群层面极少可用，难以大规模实施。健康管理数据库（health administrative databases, HAD）提供了广泛的人口覆盖，但基于HAD的OSA定义通常使用诊断或操作代码，灵敏度低（<20%），特异度高（91%–98%），导致显著的错误分类。先前研究已开发并验证了基于HAD患者特征的概率模型来估计OSA严重程度，但应用默认>50%概率阈值虽提高了灵敏度（~60%），却降低了特异度（<90%），错误分类仍普遍存在。概率性病例确定需要将预测概率转化为疾病状态，但阈值选择缺乏经验指导，默认50%切点对于低或中等患病率（如OSA）可能引入额外错误分类。因此，有必要评估不同概率阈值定义在人群研究中的性能，并采用无阈值方法（如自举插补法）来减少错误分类。该研究以OSA为例，旨在：(i) 以PSG为参考标准，量化不同概率定义下的错误分类；(ii) 估计人群水平OSA患病率，并分析社会人口学和临床相关因素。

**研究内容与结论**
研究人员在加拿大安大略省开展了一项基于人群的回顾性队列研究。首先，利用一个包含PSG确认OSA严重程度的临床队列（测量队列，n=18,581），通过链接HAD生成固定的预测概率，评估三种替代OSA病例定义（Youden指数阈值、最优患病率阈值、最优相对风险（RR）阈值以及自举插补法（BIA））相对于PSG金标准的错误分类。然后，将外部验证的概率模型应用于2010年至2018年间接受诊断性PSG的所有安大略省成人（省级PSG队列，n=834,361），使用这些定义估计OSA患病率及与已知相关因素的关联。研究得出以下结论：无阈值自举插补法（BIA）在患病率估计中具有最低的相对偏差（5%），优于最优概率阈值（>38%，偏差11.4%）。在省级PSG队列中，BIA估计中度-重度OSA（AHI≥15）患病率为44.2%，严重OSA（AHI>30）患病率为29.3%。基于情景的投影，一般人群中度-重度OSA患病率范围为3.4%–17.1%，取决于诊断不足率假设。OSA患病率在男性、年龄较大、低社会经济地位和合并症（如高血压、糖尿病、心血管疾病）者中更高，且年度趋势稳定。该研究验证了概率性病例确定方法能够减少错误分类，实现稳健的人群水平OSA流行病学估计，并为利用HAD研究疾病负担、相关因素及结局提供了可推广的框架。论文发表在《International Journal of Epidemiology》。

**主要技术方法**
该研究采用的关键技术方法包括：(1) 构建测量队列（来自两个学术睡眠中心，PSG确认AHI）和省级PSG队列（安大略省所有接受诊断性PSG的成人，通过ICES数据库链接）；(2) 基于先前验证的概率模型（协变量包括年龄、性别、睡眠健康服务使用、合并症等），生成预测概率；(3) 定义三种替代病例确定方法：Youden指数阈值、多维偏差分析确定的最优患病率阈值和最优RR阈值，以及无阈值自举插补法（BIA，1000次自举，以均匀分布随机比较预测概率来插补疾病状态）；(4) 将BIA估计与PSG金标准比较，计算相对偏差，并应用于省级PSG队列估计患病率和RR；(5) 基于2016年加拿大人口普查和80%诊断不足率假设，进行情景性一般人群患病率投影。

**研究结果**

**测量队列：中度-重度OSA**
在测量队列中，Youden指数得出概率阈值>38%（灵敏度70%，特异度80%），等于最优患病率阈值；最优RR阈值为>26%（灵敏度83%，特异度62%）。与PSG金标准相比，BIA在中度-重度OSA患病率估计中具有最低的平均相对偏差（5.3%），而>38%阈值偏差为8.2%，>26%阈值偏差为48.2%。对于协变量RR估计，>26%阈值偏差最低（0.7%），BIA偏差为4.3%，>38%阈值偏差为18%。例如，年龄>50岁者的患病率：金标准49.4%，>38%阈值55.6%，>26%阈值87.3%，BIA 47.8%。

**测量队列：严重OSA**
由于严重OSA预测模型外部校准较差，Youden指数阈值>8%与最优患病率阈值>19%不一致。BIA在严重OSA患病率估计中具有最低的平均相对偏差（47.5%），而>19%阈值偏差为100%，>12%阈值偏差为102%。对于RR估计，>12%阈值偏差最低（6.9%），BIA偏差为12.3%，>19%阈值偏差为14.2%。例如，年龄>50岁者的严重OSA患病率：金标准26.3%，>19%阈值48.7%，>12%阈值56.6%，BIA 15.3%。

**省级PSG队列**
应用BIA至省级PSG队列，估计中度-重度OSA患病率为44.2%（95% CI: 44.2%–44.3%），严重OSA为29.3%（95% CI: 29.2%–29.4%）。年龄、性别、合并症等协变量的粗RR与测量队列一致，男性、年龄增长、高血压、Charlson合并症指数高者RR更高。年度患病率在2010–2018年间稳定。基于情景投影，一般人群中度-重度OSA患病率下限为3.4%（假设仅接受PSG者），上限为17.1%（假设80%病例未诊断），男性范围4.7%–23.5%，女性2.2%–11.2%。

**总结讨论与结论**
讨论部分指出，单阈值概率定义（如>50%）不适用于所有研究目标，不同阈值会显著影响患病率和关联估计。对于中度-重度OSA，>38%阈值适用于患病率估计，>26%阈值适用于RR估计；对于严重OSA，>19%和>12%阈值分别适用，但准确性较低。简单定量偏差分析（QBA）在测量队列外表现下降，而BIA能产生最准确且可推广的估计，因其不依赖单一阈值，而是通过自举平均所有可能阈值，最大化利用信息。该研究是首次将BIA应用于中等判别能力的概率模型。OSA患病率估计（3.4%–17.1%）与加拿大阿尔伯塔省（3.5%–15.2%）及全球估计（30–69岁成人~13%）一致，并复现了OSA的流行病学模式。研究局限性包括：模型仅适用于有足够前测概率接受PSG者；一般人群估计依赖强假设；严重OSA模型校准较差导致较高偏差；阈值未进行乐观校正或外部验证。未来研究应评估校准偏移对BIA的影响，并考虑在概率估计中引入不确定性。

**结论部分翻译**
利用健康管理数据库（HAD）进行基于人群的概率性OSA病例确定，能够实现OSA流行病学的稳健估计，包括患病率及与关键社会人口学和临床因素的关联。可靠应用需要仔细评估概率阈值，并在可行时采用无阈值错误分类调整方法，如自举插补法。使用这一框架，研究人员估计在经睡眠评估转诊的个体中，44.2%患有中度-重度OSA，对应一般人群基于情景的投影患病率为3.4%–17.1%。这些方法提供了一个通用框架，用于减少错误分类并利用常规收集的健康数据加强人群推断。