Objectives: To assess the ability of electronic health data and existing screening tools to identify clinically significant obstructive sleep apnea (OSA), as defined by symptomatic or severe OSA.
Methods: The present retrospective cohort study of 1041 patients referred for sleep diagnostic testing was undertaken at a tertiary sleep centre in Calgary, Alberta. A diagnosis of clinically significant OSA or an alternative sleep diagnosis was assigned to each patient through blinded independent chart review by two sleep physicians. Predictive variables were identified from online questionnaire data, and diagnostic algorithms were developed. The performance of electronically derived algorithms for identifying patients with clinically significant OSA was determined. Diagnostic performance of these algorithms was compared with versions of the STOP-Bang questionnaire and adjusted neck circumference score (ANC) derived from electronic data.
Results: Electronic questionnaire data were highly sensitive (>95%) at identifying clinically significant OSA, but not specific. Sleep diagnostic testing-determined respiratory disturbance index was very specific (specificity ≥95%) for clinically relevant disease, but not sensitive (<35%). Derived algorithms had similar accuracy to the STOP-Bang or ANC, but required fewer questions and calculations.
Conclusions: These data suggest that a two-step process using a small number of clinical variables (maximizing sensitivity) and objective diagnostic testing (maximizing specificity) is required to identify clinically significant OSA. When used in an online setting, simple algorithms can identify clinically relevant OSA with similar performance to existing decision rules such as the STOP-Bang or ANC.
OBJECTIFS :: Évaluer si les données de santé électroniques et les outils de dépistage en place permettent de diagnostiquer une apnée obstructive du sommeil (AOS) importante sur le plan clinique, conformément à la définition d’AOS symptomatique ou grave.
MÉTHODOLOGIE :: Les chercheurs ont mené la présente étude de cohorte rétrospective auprès de 1 041 patients orientés vers un centre tertiaire d’étude du sommeil de Calgary, en Alberta, pour subir un test diagnostique de troubles du sommeil. Chaque patient a reçu un diagnostic d’AOS importante sur le plan clinique ou un autre diagnostic de trouble du sommeil après l’examen indépendant en insu des dossiers, effectué par deux médecins du sommeil. Les chercheurs ont déterminé les variables prédictives à partir des données d’un cyberquestionnaire et mis au point des algorithmes diagnostiques. Ils ont déterminé le rendement d’algorithmes dérivés des données électroniques pour dépister les patients atteints d’une AOS importante sur le plan clinique. Ils ont comparé le rendement diagnostique de ces algorithmes aux versions du questionnaire STOP-Bang et au score de circonférence cervicale (CCA) dérivé des données électroniques.
RÉSULTATS :: Les données du questionnaire électronique étaient extrêmement sensibles (plus de 95 %) pour dépister une AOS importante sur le plan clinique, mais n’étaient pas spécifiques. L’indice de perturbation respiratoire déterminé par le test diagnostique de trouble du sommeil était très spécifique (au moins 95 %) pour les maladies pertinentes sur le plan clinique, mais n’était pas sensible (moins de 35 %). Les algorithmes dérivés avaient une précision similaire au questionnaire STOP-Bang ou au score de CCA, mais nécessitaient moins de questions et de calculs.
CONCLUSIONS :: D’après ces données, il faut utiliser un processus en deux étapes faisant appel à un petit nombre de variables cliniques (afin de maximiser la sensibilité) et à un test diagnostique objectif (afin de maximiser la spécificité) pour diagnostiquer une AOS importante sur le plan clinique. Utilisés dans un contexte électronique, des algorithmes simples peuvent dépister des AOS pertinents sur le plan clinique selon un rendement similaire aux règles décisionnelles comme le questionnaire STOP-Bang ou le score CCA.