SciELO - Scientific Electronic Library Online

 
vol.14 número4Encuesta de tabaquismo en personal de enfermería en dos hospitales especializados en patología respiratoriaCaracterísticas epidemiológicas de pacientes con tuberculosis en el Hospital Tránsito Cáceres de Allende índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

  • No hay articulos citadosCitado por SciELO

Links relacionados

  • No hay articulos similaresSimilares en SciELO

Compartir


Revista americana de medicina respiratoria

versión On-line ISSN 1852-236X

Rev. am. med. respir. vol.14 no.4 CABA dic. 2014

 

ARTÍCULO ORIGINAL

Utilidad de los componentes del cuestionario Stop-Bang para identificar pacientes con apneas del sueño

 

Autores: Eduardo Borsini1, Alejandro Salvado1, Martín Bosio1, Marina Khoury2, Tamara Decima1, Silvia Quadrelli1, Glenda Ernst1 , Julio Chertcoff1

1Servicio de Medicina Respiratoria
2Departamento de Docencia e Investigación. Área de Bioestadísticas
Hospital Británico de Buenos Aires

Correspondencia: Eduardo Borsini E-mail: borsinieduardo@yahoo.com.ar

Recibido: 06.05.2014
Aceptado: 17.09.2014


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.

Palabras clave: STOP BANG; Poligrafía respiratoria; Predictores; SAHOS.

Abstract

Usefulness of the Stop-Bang Questionnaire to Identify Patients with Sleep Apnea

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.

Key words: STOP BANG; Respiratory Polygraphy; Predictors; SAHOS.


 

Introducción

El síndrome de apneas-hipopneas obstructivas durante el sueño (SAHOS) representa un problema de salud pública por su elevada prevalencia y por el importante aumento de la morbi-mortalidad que significa1. Considerando como criterio diagnostico la presencia de un índice de apneas-hipopneas (IAH) superior a 5 por hora asociado a excesiva somnolencia diurna o a enfermedad cardiaca o metabólica, su prevalencia se estima en alrededor de un 5-9%2,3. El diagnostico de SAHOS se confirma tradicionalmente mediante polisomnografía (PSG), aunque se acepta como válido el diagnóstico mediante poligrafía respiratoria (PR) convenientemente validada en poblaciones con alta o baja probabilidad clínica de padecer la enfermedad4-7 y sus ventajas operativas han sido descriptas localmente8-10. Sin embargo, la mayoría de los cuestionarios utilizados en la práctica clínica en medicina del sueño no han sido validados con este tipo de aproximación simplificada, ni han sido explorados en la población que asiste a nuestras unidades.
Teniendo en cuenta la documentada relación entre el SAHOS y un incremento en la probabilidad de entre 2 a 7 veces de sufrir un accidente de tránsito11, un aumento de la morbi-mortalidad de origen cardiovascular12 y la alta efectividad del tratamiento con presión positiva continua de la vía aérea (CPAP), parece prioritario el estudio de variables clínicas de aproximación diagnostica con el fin de identificar las formas más severas y priorizar los recursos disponibles. Algunos autores han propuesto opciones en este sentido, como la utilización de parámetros clínicos13, 14, funcionales15, o antropométricos16, con el fin de identificar la probabilidad de padecer IAH elevado o para intentar calcularlo. Dentro de estas alternativas, las estrategias más estudiadas han sido los parámetros clínicos. Varios estudios han valorado su papel como herramienta diagnóstica mediante ecuaciones de predicción por regresión logística múltiple13, 14. La gran combinación de variables posibles y la heterogeneidad de las poblaciones en las que se han aplicado dificultan las comparaciones o extrapolaciones. Si bien los resultados han sido dispares, por lo general las ecuaciones de predicción han presentado elevada sensibilidad y una escasa especificidad para puntos de corte en el IAH entre 5 y 2017. En Argentina existen escasos datos de factores de predicción clínica en el SAHOS. Un análisis de regresión logística que estudió el valor de una combinación de variables clínicas para IAH de ≥15/hora usando PR mostró buena capacidad predictiva incluyendo el sexo, la edad y el IMC8.
Se ha descripto previamente por Chung y col. (2008) una herramienta sencilla y económica para realizar el rastreo de SAHOS en una población quirúrgica18 validando una herramienta basada en un cuestionario de 4 preguntas (preguntas si/no) desarrollada por anestesiólogos en Toronto, Canadá. Este cuestionario fue denominado STOP por sus siglas en inglés (Snore, Tired, Observed apnea y Pressure). En la publicación original STOP mostró un valor de predicción variable para cada punto de corte del índice de apneas e hipopneas por hora de sueño de la PSG vigilada (nivel I), siendo el área bajo la curva ROC de 0.73 para un IAH >5/h y de 0.76 para IAH ≥30/h. El agregado de parámetros antropométricos (cuestionario BANG) incrementó la sensibilidad y el valor predictivo positivo de la escala (área bajo la curva ROC de 0.80 para IAH >5/h y de 0.82 para ≥30/h) permitiendo identificar pacientes con alto riesgo de padecer síndrome de apneas durante el sueño18. Sin embargo, el cuestionario STOP-BANG ha comenzado a utilizarse en poblaciones NO quirúrgicas y ha sido comparado contra otras escalas tradicionalmente utilizadas para identificar pacientes con SAHOS, como el cuestionario de Berlín o la escala de somnolencia de Epworth19.20. No se encontraron datos locales que describan la utilidad de STOP-BANG y su impacto sobre los resultados de la poligrafía respiratoria domiciliaria.

Objetivo

Evaluar el desempeño de STOP-BANG y su capacidad de predicción para identificar IAH elevado en pacientes con sospecha clínica de apneas del sueño derivados para la realización de una poligrafía respiratoria domiciliaria auto-administrada de nivel III.

Métodos

Se incluyeron en forma consecutiva pacientes mayores de 18 años con sospecha clínica de apneas del sueño por la presencia de síntomas de ronquido, apneas observadas por terceros o somnolencia diurna excesiva que fueron derivados para realizar una PR al Laboratorio Pulmonar del Hospital Bri385 Cuestionario Stop-Bang para diagnóstico de apneas del sueño
tánico de Buenos Aires en el período comprendido entre el 1 de enero del 2012 al 28 de febrero de 2013 (14 meses).
Los datos antropométricos, la escala de somnolencia subjetiva de Epworth (ESS) y el cuestionario de Berlín fueron obtenidos en el momento de entregarse el equipo de PR en el hospital. No se incluyeron pacientes con clínica de movimientos periódicos de los miembros o aquellos en los que se sospechaban otras enfermedades del sueño de índole no respiratoria como causa de sus síntomas. Tampoco se incluyeron pacientes con limitaciones motoras o visuales que pudieran entorpecer el procedimiento de montaje del dispositivo. Todos los pacientes fueron instruidos por médicos en el hospital, acerca del uso y montaje y encendido del equipo de PR el mismo día en que se realizaron los registros nocturnos con la técnica de auto-colocación en el domicilio. Se les entregó un instructivo impreso con información iconográfica del procedimiento de montaje y encendido del dispositivo. Se utilizaron polígrafos Apnea Link Plus (ResMed. Australia), Embletta Gold (Embla. USA) y Alice PDX (Respironics. USA). Todos los dispositivos contaron al menos con tres señales básicas: oximetría de pulso, bandas de esfuerzo y cánula nasal de presión de alta sensibilidad (dispositivos de nivel III de la American Academy of Sleep Medicine). Otras señales accesorias fueron: posición corporal, actigrafía, pletismografía por inductancia respiratoria (RIP) y ronquido. Todos los registros se descargaron al día siguiente y fueron analizados manualmente usando software específicos para cada dispositivo. En todos los registros la lectura fue de edición manual de eventos por médicos neumonólogos entrenados siguiendo las normativas de la Academia Americana de Medicina del Sueño.
Se estableció que un evento respiratorio era una apnea, cuando el flujo nasal se redujo en más de un 80%, y una hipopnea si se redujo mas 50% asociada a una caída en la saturación de ≥ 3%, en ambos casos durante un tiempo superior a 10 segundos. El IAH se definió como el número de eventos respiratorios (apneas o hipopneas) por hora de registro. Los pacientes se clasificaron como: normales (IAH < 5/h y < 5 % de las respiraciones con ronquido), roncadores simples (IAH < 5/h y > de 5% de las respiraciones con ronquido), leves (IAH entre 6 y 14.9 eventos por hora), moderados (IAH entre 15 y 29.9/ hora) y severos (IAH ≥ 30/hora). Al momento de entregarse el equipo de PR, se recolectaron datos generales (edad y sexo), antropométricos (índice de masa corporal [IMC] en kg/m2) y datos clínicos de somnolencia diurna medida mediante la escala de Epworth en su versión vigente con traducción validada al idioma español21 y probabilidad de SAHOS según el cuestionario de Berlín4, 19. Se definió obesidad por un índice de masa corporal (IMC) > 30. Los pacientes que no conducen vehículos o aquellos con dificultades visuales que no pudieron completar adecuadamente los formularios de las escalas no fueron considerados para este análisis puesto que no han podido completar los cuestionarios.
El cuestionario STOP-BANG18. 20 se completó en la visita de entrega de los polígrafos y consta de 8 opciones sin redundancias posibles por sus siglas en inglés (Snore, Tired, Observed apnea y Pressure) para preguntas dicotómicas sobre ronquido, cansancio, apneas observadas e hipertensión arterial sistémica (STOP) y parámetros antropométricos (BANG) por sus iniciales en inglés; Body Mass Index (BMI >35 kg/m2), Age (para mayores de 50 años), Neck (circunferencia del cuello mayor de 40 cm) y Gender (sexo masculino).
El ronquido fue considerado significativo cuando el paciente respondió roncar más intensamente que el volumen de la voz hablada o ser escuchado desde otra habitación con la puerta cerrada. El cansancio fue considerado afirmativamente cuando se contestó a la pregunta: ¿Se siente cansado o somnoliento durante el día? Las apneas observadas fueron puntuadas basadas en la respuesta afirmativa a la pregunta:"basado en lo que usted conoce o le han dicho sus familiares o compañeros de cuarto; ¿tiene pausas en la respiración mientras duerme?".
Nuestra sistemática de trabajo incluyó la medición del perímetro del cuello pero no la toma de la tensión arterial, el antecedente de hipertensión se incorporó simplemente al indagarlo como un diagnóstico conocido por el paciente.
El manejo de la información se realizó en formato de tabla de Excel teniendo la precaución de eliminar datos que pudieran permitir la identificación de los pacientes o violar la confidencialidad de los datos durante el procesamiento de los mismos. El protocolo fue aprobado por el comité de ética y revisión institucional de acuerdo a los principios de Helsinski (1975).

Análisis estadístico
Los resultados se presentan como porcentajes en las variables categóricas y media ± desvío estándar en las variables numéricas. Las habilidades de STOP-BANG para discriminar los pacientes con SAHOS para cada grado de severidad se validaron contra los resultados de la poligrafía respiratoria usando el IAH. Se construyeron curvas ROC (balance entre especificidad y sensibilidad en un eje x-y) con el número de componentes presentes de la combinación de síntomas (STOP), los parámetros antropométricos (BANG) y STOP-BANG para cada punto de corte propuesto en el IAH. Se informan, para cada punto de corte del número de componentes positivos, sensibilidad (S), especificidad (E) y razones de verosimilitud (Likehood Ratios) positiva (RV+) y negativa (RV-). La relación de STOP, BANG y STOP-BANG con el resultado del IAH manual se analizó con 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 consideró significativo un valor de p < 0.05. 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 analizaron 299 registros de PR en igual número de pacientes. Las características de la población junto a los indicadores de la PR se muestran en la Tabla 1. Un grupo de 48 pacientes obesos (16% de la muestra) fue estudiado con PR como parte de la evaluación pre-operatoria del programa de cirugía bariátrica. La distribución por categoría según el IAH de edición manual se presenta en la Figura 1.

Tabla 1. Características de la población e indicadores de la PR


Figura 1.
Distribución de los diagnósticos por categorías según el IAH

La combinación STOP se identificó en 56 pacientes (18.73%), BANG, en 20 (6.7%) y STOPBANG en 7 (2.34%). Las frecuencias observadas para cada componente del cuestionario se exponen en la Tabla 2.

Tabla 2. Observaciones por componente del cuestionario STOP-BANG

Desempeño del cuestionario STOP-BANG para el diagnóstico de IAH >5/hora
El área bajo la curva ROC para IAH >5/hora para cada combinación del número de componentes presentes fue; STOP: 0.58, BANG: 0.66, y STOPBANG: 0.66 (Figura 2).


Figura 2.
Curva ROC para el modelo STOP-BANG y un IAH > 5/h en la PR

La mejor relación sensibilidad-especificidad para la identificación de IAH elevado en grado patológico (Tablas 3 y 4) se obtuvo con tres componentes de STOP en cualquier combinación (S: 52.97%; E: 60%) y con dos componentes de BANG en cualquier combinación posible (S: 79%; E: 43.75%). En la Tabla 5 se presentan la sensibilidad y especificidad para el número de componentes de STOP-BANG.

Tabla 3. Sensibilidad y especificidad para IAH >5/h y cualquier combinación de STOP

Tabla 4. Sensibilidad y especificidad para IAH >5/h y cualquier combinación de BANG

Tabla 5. Sensibilidad y especificidad para IAH >5/h y combinaciones de STOP-BANG

Desempeño del cuestionario para el diagnóstico de IAH > 30/hora
El área bajo la curva ROC para IAH ≥ 30/hora para cada combinación fue; STOP: 0.67, BANG: 0.67, y STOPBANG: 0.73 (Figura 3). Para identificar IAH ≥ 30/h la mejor relación sensibilidad-especificidad se obtuvo con dos componentes de STOP en cualquier combinación (S: 79% - E: 43.75%). De manera similar, 3 componentes de BANG alcanzaron una sensibilidad de 61% y especificidad de 65,48% (Tablas 6 y 7). Cinco componentes de STOPBANG (independientemente de la combinación) alcanzaron una sensibilidad de 60.73% y una especificidad de 65.00% (RV+: 1.73- RV-: 0.60).


Figura 3.
Curva ROC para el modelo STOPBANG completo y un IAH 30/h en la PR

Tabla 6. Sensibilidad y especificidad para IAH >30/h (severo) y cualquier combinación de componentes STOP

Tabla 7. Sensibilidad y especificidad para IAH >30/h (Severo) y cualquier combinación de componentes BANG

En la Figura 4 se presenta la relación entre IAH y número de los ocho componentes del STOP-BANG presentes.


Figura 4.
Relación entre el número de componentes presentes (0 a 8) y el IAH en la PR

Modelos multivariables (Regresión logística múltiple)
Los modelos con los componentes de STOP y BANG para el diagnóstico de IAH >5/hora en la PR se muestran en las Tablas 8 y 9 y para el diagnóstico de IAH ≥30/hora, en las Tablas 10 y 11.

Tabla 8. Regresión logística para los componentes de STOP para un IAH > 5/h en la PR

Tabla 9. Regresión logística para los componentes de BANG para un IAH > 5/h en la PR

Tabla 10. Regresión logística para los componentes de STOP para un IAH ≥ 30/h en la PR.

Tabla 11. Regresión logística para los componentes de BANG para un IAH ≥ 30/h en la PR.

En el grupo de 48 pacientes obesos evaluados para cirugía bariátrica, la variable del modelo STOP-BANG que alcanzó significación únicamente fue el antecedente de HTA (OR y CI95%); P: 2.84 (2.86-28.1) p= 0.004. El área bajo la curva para discriminar un IAH >15/hora (pacientes obesos candidatos a tratamiento con CPAP) fue de 0.87 (bondad de Ajuste p= 0.195).
Finalmente, utilizando selector automático de variables (Forward Stepwise) para los ocho componentes de STOPBANG

Discusión

La muestra analizada de pacientes a quienes se indicó una PR presentó predominio de hombres de mediana edad con sobrepeso u obesidad y una alta prevalencia de trastornos respiratorios del sueño, tal como se evidencia por el porcentaje de puntuaciones de alto riesgo en el cuestionario de Berlín (92.3%), el IAH global elevado (17.48 ± 18.80/hora) y al hecho que el 73.3% de los sujetos estudiados tuvieron un IAH > 5/hora en los registros de poligrafía respiratoria. Estos hallazgos se asemejan a los reportados en la literatura en experiencias similares18,20,23.
La escala de somnolencia subjetiva de Epworth se utiliza durante la evaluación comprensiva del sueño y puede ser útil para identificar individuos con somnolencia4,7, aún cuando la descripción original de Johns en 1991 no incluía la identificación de pacientes con SAHOS24. Numerosos pacientes con trastornos respiratorios del sueño no relatan somnolencia clara, aunque síntomas subjetivos inespecíficos o poco característicos referidos como cansancio, falta de energía, escaso rendimiento durante el día pueden expresar quejas de sueño de mala calidad o poco reparador. A pesar que ESS no evalúa completamente estos aspectos, herramientas que permitan admitir la opción de"cansancio" durante el cuestionario pueden ser interesantes a la hora de identificar pacientes con SAHOS. En nuestro estudio hemos hallado que el 68.56% de los pacientes (205/299) relatan "cansancio" (T: tired).
Sin embargo, T (tired) no aumentó la probabilidad de identificar pacientes con IAH >5 ó ≥30/hora.
Este trabajo contribuyó a comprender que el hallazgo de la combinación STOP tuvo una frecuencia cercana al 19%, sin embargo BANG o los 8 componentes presentes en el mismo paciente (STOP-BANG) fueron hallazgos atípicos, lo que determina diferencias en la comparación con otras series, y dificultades en la aplicación sistemática durante la evaluación de pacientes con sospecha de SAHOS18.20.25.
Chung y col. describen la combinación STOP en el 25.7 % de su serie (679 de 2,467), y en su estudio18 la proporción de hombres y mujeres fue similar, a diferencia de nuestra casuística, aunque la publicación original no reporta el número de casos con puntaje BANG.
Los datos del presente análisis indicarían que STOP tuvo pobre desempeño para identificar pacientes con SAHOS (IAH > 5/hora) en la poligrafía domiciliaria (área bajo la curva: 0.58). Los valores de OR muestran que ningún componente de STOP fue útil para identificar pacientes con IAH >5/ hora, y tan solo el antecedente referido de apneas observadas mostró que se asociaría a 3.51 veces más probabilidades de padecer un IAH ≥30/hora en la PR (p=0.002).
Sin embargo, nuestros resultados, contrario a
los hallazgos de Chung, describieron un área bajo la curva con capacidad menos significativa para discriminar la identificación de IAH >5/hora (0.70 vs. 0.58 en nuestro estudio).
Los valores de OR obtenidos por regresión logística para cada componente de BANG muestran posible utilidad para discriminar pacientes que pudieran padecer IAH >5/h para las variables; IMC (B) y edad (A), mientras que para un IAH ≥30/h lo fue el sexo (G). Parece ser que el sexo masculino es una variable de gran significación y aumenta varias veces las posibilidades de padecer SAHOS o de que el trastorno sea de grado severo. En este sentido, el trabajo original mostró que la adición del sexo (Gender) al modelo STOP aumenta su valor predictivo positivo de 78.4% a 87.5% e incluso es más elevado si se adicionan la edad (89.7%) y el IMC >35 (100%)18.
En éste sentido, del análisis se desprende que el desempeño de STOP discriminaría mejor en pacientes que padecen IAH mas altos, como ha sido reportado recientemente por Vana et al.20.
Comparativamente, en un estudio que usó PSG, la capacidad de STOP para identificar IAH ≥30/hora fue superior (0.76 vs. 0.67 en nuestro trabajo)20. Un importante estudio basado en participantes del Sleep Heart Health Study (diseñado para evaluar riesgo cardiovascular asociado a las apneas del sueño) utilizando 4470 registros de PSG y variables clínicas asociadas incluyendo los componentes de STOP-BANG halló un área bajo la curva para STOP y un RDI (Respiratory Distur
bance Index) ≥30/hora de 0.65 (CI95%: 0.62-0.67) similar a nuestro trabajo. Es de destacar que en dicho estudio las PSG se tomaron en el domicilio (nivel II), intentando que la evaluación sea lo mas representativa de las condiciones de sueño habituales en los pacientes25.
Debido a que es habitual encontrar algunos de los componentes de la escala pero es difícil que estos conformen combinaciones fijas (STOP o BANG), estudiamos su desempeño calculando la sensibilidad y especificidad en cualquier combinación posible.
Para identificar pacientes con IAH >5/h, la presencia de 2 componentes de BANG muestra mayor capacidad de discriminación (S: 79%) que 3 componentes de STOP (modelo con la mejor relación E-S).
Nuestros resultados mostraron además, que para identificar pacientes con alteraciones respiratorias durante el sueño de grado severo, tres variables antropométricas (BANG) obtuvieron una aceptable sensibilidad (61%) y esta fue superior usando 2 componentes de STOP (79%). Sin embargo, estos valores de sensibilidad son menores a los reportados en otras experiencias que utilizaron polisomnografía20.
Silva y col.25 utilizando PSG domiciliaria en una muestra de pacientes reclutados desde la comunidad, describieron resultados de sensibilidad y especificidad para 4 componentes de STOP o de BANG (en cualquier combinación) menores que los reportados en los estudios originales de validación del cuestionario (área de 0.65). Esto podría deberse a la manera en que se seleccionaron los pacientes y a diferentes criterios de derivación para la exploración respiratoria del sueño. En este sentido, hemos hallado que 5 componentes obtienen un área de 0.73 utilizando poligrafía respiratoria.
La combinación STOP-BANG podría mostrar un desempeño diferente cuando se analizan poblaciones no quirúrgicas. La metodología empleada para el diagnóstico o el tipo de población potencialmente podrían modificar la predicción del cuestionario posiblemente por tratarse de poblaciones fundamentalmente clínicas. Hemos encontrado un valor de área bajo la curva ROC en el modelo completo de 0.78 para nuestra población mixta (16% de pacientes quirúrgicos) y de 0.87 en pre-operatorios de cirugía bariátrica.
Actualmente, existen numerosos cuestionarios que han sido propuestos para la búsqueda de pacientes con SAHOS, sin embargo aún no es claro cuál resulta más eficaz. En un meta-análisis, Ramachandran y Josephs, compararon instrumentos multiparamétricos para identificar pacientes con apneas del sueño incluyendo: cuestionario de Berlín, ESS, Sleep disorder questionnaire (SDQ), ASA score (American Society of Anesthesiologist checklist) y STOP-BANG, concluyeron que Berlín y SDQ fueron más eficaces para identificar SAHOS mientras que ESS, STOP-BANG y ASA tuvieron los peores desempeños26. La revisión sistemática de la literatura realizada por Abrishami y col. comunicó conclusiones similares. Sin embargo, reconoce que es posible que el uso concomitante de más de una herramienta de predicción mejore los resultados y que STOP-BANG aporta datos de alta calidad con resultados de eficacia razonable27. En este sentido, algunos autores25 sostienen que STOP y STOP-BANG pueden representar una herramienta útil para descartar SAHOS (y no para confirmarlo) cuando se elige un corte del IAH bajo (5/hora) en poblaciones de bajo riesgo (población general) debido a la baja sensibilidad y alta especificidad del cuestionario para ese punto de corte.
Nuestro análisis se ha desarrollado en pacientes de alto riesgo de una población con elevada prevalencia de SAHOS. El modelo que resultó con mayor capacidad predictiva identificó tres variables fáciles de obtener en la consulta; apneas observadas por terceros, sexo masculino y obesidad con un IMC >35 kg/m2.

Limitaciones

Este pequeño estudio fue conducido en una muestra de pacientes adultos ambulatorios pre-seleccionados por sospecha de apneas del sueño y derivados para estudio a un Servicio de Medicina Respiratoria de un hospital general. Por ello la prevalencia esperada es superior a la de la población general1,2,3. Si bien la selección de la población puede condicionar un comportamiento diferente del cuestionario, interesa conocer su desempeño en un ámbito que representa mejor la vida real.
Hemos incluido pacientes quirúrgicos (cirugía bariátrica) y pacientes no quirúrgicos (derivación clínica). El modelo O-B-G fue obtenido de una combinación de 299 pacientes clínico-quirúrgicos utilizando la estrategia de diagnóstico simplificado, tal como sucede rutinariamente en nuestro hospital.
En nuestro estudio utilizamos polígrafos con diferentes capacidades, aunque todos tuvieron al menos las tres señales básicas que definen el nivel III (AAMS). Por otro lado, la adquisición de señales respiratorias en el domicilio del paciente puede condicionar diferencias respecto de estudios que utilizaron mediciones (PSG) en condiciones de laboratorio de sueño.
La subestimación del IAH cuando se utiliza la PR puede ocurrir en el orden de entre el 10 al 15 % en comparación con la PSG convencional4,28,29. Esto representa una limitación que es inherente a la ausencia de señales neurofisiológicas. Los índices utilizados (IAH e índice de desaturaciones) difieren con los de la PSG (IAH o RDI) ya que el IAH de la PR resulta del cociente entre los eventos de flujo y el tiempo total de registro4,5,7. Sin embargo, la facilidad para la realización de la PR la proponen como una herramienta atractiva, aún pese a sus obvias limitaciones. Basta citar que uno de los problemas comunicados en uno de los más importantes estudios de validación del cuestionario STOP-BANG, reporta la alta tasa de rechazo a la realización de la PSG en los individuos enrolados (49%), lo que podría significar un sesgo de auto-selección18.

Conclusiones

La escala 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 PSG 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.
La identificación de 5 componentes de STOP-BANG en cualquier de las posibles combinaciones permite contar con una potencial herramienta con una sensibilidad diagnóstica elevada para identificar pacientes con alteraciones respiratorias del sueño de grado severo.
Los componentes que muestran buen desempeño como predictores fueron tres variables antropométricas (IMC, edad y sexo masculino). La variable de riesgo con mayor peso para identificar IAH patológico (> 5/hora) o elevado en grado severo (≥30/h) fue el sexo masculino. En nuestra población, el modelo de predicción O-G-B obtuvo el mejor desempeño con un área bajo la curva de 0.754.
Este trabajo contribuye a comprender el desempeño de una escala de múltiples componentes y a mejorar la interpretación de las diferentes combinaciones de variables clínicas y antropométricas cuando se utilizan métodos simplificados para el diagnóstico ambulatorio del SAHOS.

APENDICE: Versión del cuestionario STOP-BANG utilizado en español

Conflictos de Interés: MB declara ser docente de la UCA, recibió beneficios para traslados y hospedajes a congresos en el exterior y nacionales, protocolo de investigación de la industria en Hipertensión Pulmonar por parte de Acthelion y es speaker para Astra Zeneca y Novartis (en relación a EPOC). EB declara ser docente de la UCA y haber recibido financiamiento para traslados y hospedajes a congresos a cargo de Astra Zeneca, Air Liquide y ResMed. JC declara haber recibido financiamiento por protocolo de la industria Acthelion de Hipertensión Pulmonar. AS declara ser docente de la Universidad de San Martín. El resto de los autores no tienen conflictos de interés relacionados al tema del presente trabajo.

Bibliografía

1. Phillipson DE. Sleep apnea. A mayor public health problem. N Engl J Med 1993; 328: 1271.         [ Links ]

2. Young T, Palta M, Dempsey J, y cols. The occurrence of Sleep disorders breathing among middle aged adults. N Engl J Med 1993; 328: 1230-1236.         [ Links ]

3. Durán J, Esnaola S, Ramón R, Iztueta A. Obstructive sleep apnea-hypopnea and related clinical features in a population-based sample of subjects aged 30 to 70 years. Am J Respir Crit Care Med 2001; 163: 685-689.         [ Links ]

4. Grupo Español de Sueño. Documento consenso español sobre el síndrome de apneas-hipopneas del sueño. Arch Bronc. Vol 41, Supl 4. 2005. 7.         [ Links ]

5. Clinical Guidelines for the Use of Unattended Portable Monitors in the Diagnosis of Obstructive Sleep Apnea in Adult Patients. Portable Monitoring Task Force of the American Academy of Sleep Medicine. Journal of Clinical Sleep Medicine, Vol. 3, No. 7, 2007.         [ Links ]

6. Durán-Cantolla J. New directions in the diagnosis of sleep apnea-hypopnea syndrome. Arch Bronconeumol. 2005 Dec; 41(12): 645-8.         [ Links ]

7. Nogueira F, Nigro C, Cambursano H, Borsini E, Silio J, Avila J. Practical guidelines for the diagnosis and treatment of obstructive sleep apnea syndrome. Medicina (B Aires). 2013; 73(4): 349-62.         [ Links ]

8. Borsini E; Maldonado L, Decima T, Salvado A, Delgado Viteri C, Bosio M, Quadrelli S, Chertcoff J. Predictores clínicos de IAH = 15/hora en la poligrafía respiratoria. RAMR 12(3): 90-97. 2012.         [ Links ]

9. Borsini E, Maldonado L, Décima T, Bosio M, Quadrelli S, Chertcoff J, Salvado A. Estrategia de utilización domiciliaria de la poligrafía respiratoria con instalación por el propio paciente. RAMR 13 (1): 4-11.         [ Links ]

10. Borsini E, Bosio M, Quadrelli S, Campos J, Décima T, Chertcoff J. Poligrafía respiratoria en el diagnóstico de los trastornos respiratorios durante el sueño. Una herramienta necesaria para el neumonólogo. RAMR 12(4): 152-160.         [ Links ]

11. Teran-Santos J, Jimenez-Gomez A, Cordero-Guevara J. The association between sleep apnea and the risk of traffic accidents. N Engl J Med 1999; 340: 847-51.         [ Links ]

12. Leung RST, Bradley TD. Sleep apnea and cardiovascular disease. Am J Respir Crit Care Med 2001; 164: 2147-65.         [ Links ]

13. Deegan PC, McNicholas WT. Predictive value of clinical features for the obstructive sleep apnoea syndrome. Eur Respir J 1998; 9: 117-24.         [ Links ]

14. Rowley JA, Aboussouan LS, Badr MS. The use of clinical prediction formulas in the evaluation of obstructive sleep apnea. Sleep 2000; 23: 929-37.         [ Links ]

15. Zerah-Lancner F, Lofaso F, D'Ortho MP, Delclaux C, Goldenberg F, Coste A, et al. Predictive value of pulmonary function parameters for sleep apnea syndrome. Am J Respir Crit Care Med 2000;162: 2208-12.         [ Links ]

16. Kushida CA, Efron B, Guilleminault C. A predictive morphometric model for the obstructive sleep apnea syndrome. Ann Intern Med 1997; 127: 581-7.         [ Links ]

17. Flemmons WW. Obstructive Sleep apnea. N Engl J Med 2002; 347: 498-501.         [ Links ]

18. Chung F, Yegneswaran B, Liao P, Chung SA, Vairavanathan S, Islam S, Khajehdehi A, Shapiro CM. STOP questionnaire: a tool to screen patients for obstructive sleep apnea. Anesthesiology. 2008 May; 108(5): 812-21.         [ Links ]

19. Chung F, Yegneswaran B, Liao P, Chung SA, Vairavanathan S, Islam S, Khajehdehi A, Shapiro CM. Validation of the Berlin questionnaire and American Society of Anesthesiologists checklist as screening tools for obstructive sleep apnea in surgical patients. Anesthesiology. 2008 May; 108(5): 822-30.         [ Links ]

20. Vana KD, Silva GE, Goldberg R. Predictive abilities of the STOP-Bang and Epworth Sleepiness Scale in identifying sleep clinic patients at high risk for obstructive sleep apnea. Res Nurs Health. 2013 Feb; 36(1): 84-94         [ Links ]

21. Chiner E, Arriero JM, Signes-Costa J, Marco J, Fuentes I. Validation of the Spanish version of the Epworth Sleepiness Scale in patients with a sleep apnea síndrome. Arch Bronconeumol. 1999; 35: 422-7.         [ Links ]

22. Ahmadi, N., Chung, S. A., Gibbs, A., & Shapiro, C. M. (2008). The Berlin questionnaire for sleep apnea in a sleep clinic population: Relationship to polysomnographic measurement of respiratory disturbance. Sleep and Breathing, 12, 39-45.         [ Links ]

23. Friedman, M., Wilson, M. N., Pulver, T., Pandya, H., Joseph, N. J., Lin, H.-C.,& Chang, H.-W. (2010). Screening for obstructive sleep apnea/hypopnea syndrome: Subjective and objective factors. Otolaryngology—Head and Neck Surgery, 142, 531-535.         [ Links ]

24. Johns MW. A new method for measuring daytime sleepiness: the Epworth sleepiness scale. Sleep. 1991 Dec; 14(6): 540-5.         [ Links ]

25. Silva GE, Vana KD, Goldberg R. Predictive abilities of the STOP-Bang and Epworth Sleepines Scale in identifying sleep clinic patients at risk for obstructive sleep apnea. Res Nurs Health. 2013 Feb; 36(1): 84-94.         [ Links ]

26. Ramachandran SK, Josephs LA. A meta-analysis of clinical screening tests for obstructive sleep apnea. Anesthesiology 2009; 110: 928-39.         [ Links ]

27. Abrishami A, Khajehdehi A, Chung F. A systematic review of screening questionnaires for obstructive sleep apnea. Can J Anaesth 2010; 57: 423-38.         [ Links ]

28. Skomro RP, Gjevre J, Reid J, et al. Outcomes of home based diagnosis and treatment of obstructive sleep apnea. Chest 2010; 138: 257-63.         [ Links ]

29. Kuna ST, Gurubhagavatula I, Maislin G, et al. Non inferiority of functional outcome in ambulatory management of obstructive sleep apnea. American Journal of Respiratory and Critical Care Medicine 2011; 183: 1238-44.         [ Links ]

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons