目的探讨肥胖合并重度阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea hypopnea syndrome,OSAHS)患者的心率变异性(heart rate variability,HRV)特征。方法回顾性分析2018年4月至2022年5月在西安交通大学第二附属医院行多导睡...目的探讨肥胖合并重度阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea hypopnea syndrome,OSAHS)患者的心率变异性(heart rate variability,HRV)特征。方法回顾性分析2018年4月至2022年5月在西安交通大学第二附属医院行多导睡眠(polysomnography,PSG)监测确诊为重度OSAHS的78例患者,根据身体质量(body mass index,BMI)将患者分为肥胖并重度OSAHS组(n=43)和非肥胖并重度OSAHS组(n=35)。所有患者行PSG监测同时接受24 h动态心电图监测,进行HRV指标的组间差异分析及与临床指标的相关性分析。结果基础指标及PSG指标分析结果显示,与非肥胖并重度OSAHS组相比,肥胖并重度OSAHS组体质量、BMI、颈围、腰围、呼吸暂停低通气指数(apnea hypopnea index,AHI)显著升高。组间HRV分析结果显示,与非肥胖并重度OSAHS组相比,肥胖并重度OSAHS组的24 h正常R-R间期标准差(standard deviation of R-R interval,SDNN)、5 min R-R间期均值标准差(standard deviation of the averages of 5-minute R-R intervals,SDANN)、三角指数(triangle index,TI)、心率减速力(deceleration capacity of heart rate,DC)、清醒期SDNN及睡眠高频功率明显降低(P<0.05)。相关性结果显示肥胖并重度OSAHS患者中相邻R-R间期差值均方根(root mean square of the difference of adjacent R-R interval,rMSSD)与高血压病程呈负相关,TI、DC与AHI呈负相关。经校正颈围和腰围后的线性回归分析显示SDNN、SDANN、rMSSD与收缩压相关(P<0.05)。结论肥胖并重度OSAHS患者存在HRV指标下降,自主神经功能受到损害,心血管疾病的发生风险增加。展开更多
文摘目的探讨肥胖合并重度阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea hypopnea syndrome,OSAHS)患者的心率变异性(heart rate variability,HRV)特征。方法回顾性分析2018年4月至2022年5月在西安交通大学第二附属医院行多导睡眠(polysomnography,PSG)监测确诊为重度OSAHS的78例患者,根据身体质量(body mass index,BMI)将患者分为肥胖并重度OSAHS组(n=43)和非肥胖并重度OSAHS组(n=35)。所有患者行PSG监测同时接受24 h动态心电图监测,进行HRV指标的组间差异分析及与临床指标的相关性分析。结果基础指标及PSG指标分析结果显示,与非肥胖并重度OSAHS组相比,肥胖并重度OSAHS组体质量、BMI、颈围、腰围、呼吸暂停低通气指数(apnea hypopnea index,AHI)显著升高。组间HRV分析结果显示,与非肥胖并重度OSAHS组相比,肥胖并重度OSAHS组的24 h正常R-R间期标准差(standard deviation of R-R interval,SDNN)、5 min R-R间期均值标准差(standard deviation of the averages of 5-minute R-R intervals,SDANN)、三角指数(triangle index,TI)、心率减速力(deceleration capacity of heart rate,DC)、清醒期SDNN及睡眠高频功率明显降低(P<0.05)。相关性结果显示肥胖并重度OSAHS患者中相邻R-R间期差值均方根(root mean square of the difference of adjacent R-R interval,rMSSD)与高血压病程呈负相关,TI、DC与AHI呈负相关。经校正颈围和腰围后的线性回归分析显示SDNN、SDANN、rMSSD与收缩压相关(P<0.05)。结论肥胖并重度OSAHS患者存在HRV指标下降,自主神经功能受到损害,心血管疾病的发生风险增加。
文摘目的本研究通过列线图构建普通人群罹患重度阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)风险的预测模型,探究重度OSA的独立危险因素,指导临床早期诊断和治疗。方法回顾性纳入1656名患者,并按7∶3将其随机分为训练集与验证集。根据呼吸暂停低通气指数>30次/h将患者分为重度OSA与非重度OSA组。用最小绝对收缩、选择算子(the least absolute shrinkage and selection operator,Lasso)和逻辑回归(logistic regression,LR)对所有备选预测因子进行进一步筛选,基于LR建立重度OSA患者的预测模型,在验证集中对列线图模型进行验证,使用C指数、校准曲线和决策曲线分析(Decision Curve Analysis,DCA)评价列线图的区分能力、校准性和临床有效性。此外,我们将该模型与临床上广泛使用的问卷,包括STOP-Bang、柏林问卷通过受试者工作曲线进行了比较。结果通过单因素及多因素Logistic回归分析和Lasso Logistic回归确定吸烟、憋气病史、BMI、腰围、打鼾病史、Epworth嗜睡量表(Epworth sleepiness scale,ESS)作为纳入列线图的预测因子。该模型曲线下面积(area under the curve,AUC)=0.795(95%CI:0.769~0.820),Hosmer-Lemeshow检验提示模型校准良好(χ2=3.942,P=0.862)。DCA曲线显示,该模型对患者是有益的,当阈值概率>18%时,该模型对患者的净获益优于柏林问卷或STOP-Bang量表。临床影响曲线(Clinical Impact Curve,CIC)分析显示了该预测模型的临床有效率,当阈值概率大于82%预测评分概率值时,预测模型判定为重度OSA高风险人群与实际罹患重度OSA人群高度匹配,证实该预测模型临床有效率较高。结论相较于临床常用量表,本研究建立的模型在预测重度OSA方面具有更好的识别能力,可应用于普通人群的OSA早期筛查,有助于及早识别重度OSA,保护患者免受OSA的严重后果,减轻社会负担。