Avaliação de um modelo de predição para apneia do sono em pacientes submetidos a polissonografia / Evaluation of a prediction model for sleep apnea in patients submitted to polysomnography

RESUMO

OBJETIVO: Testar um modelo de predição para apneia do sono a partir de variáveis sociodemográficas e clínicas em uma população com suspeita de distúrbio do sono e submetida à polissonografia. MÉTODOS: Foram incluídos no estudo 323 pacientes consecutivos submetidos à polissonografia por suspeita clínica de distúrbio do sono. Utilizou-se um questionário com questões sociodemográficas e a escala de sonolência de Epworth. Foram medidos pressão arterial, peso, altura e SpO2. A regressão linear múltipla, tendo o índice de apneia-hipopneia (IAH) como variável dependente, foi utilizada para construir um modelo de predição de apneia do sono. A regressão logística multinomial foi realizada para verificar fatores associados de forma independente à gravidade da apneia (leve, moderada ou grave) em comparação à ausência de apneia. RESULTADOS: A prevalência de apneia do sono na população de estudo foi de 71,2 por cento, e foi mais prevalente nos homens que nas mulheres (81,2 por cento vs. 56,8 por cento; p < 0,001). O modelo de regressão linear múltipla, com o log IAH como variável dependente, foi composto pelas seguintes variáveis independentes circunferência do pescoço, apneia testemunhada, idade, IMC e presença de rinite alérgica. O melhor modelo de regressão linear encontrado conseguiu explicar 39 por cento da variabilidade do IAH. Na regressão logística multinomial, a apneia leve esteve associada com IMC e circunferência do pescoço, e a apneia grave associou-se com idade, IMC, circunferência do pescoço e apneia testemunhada. CONCLUSÕES: Modelos de predição clínica para apneia do sono não substituem a polissonografia como ferramenta para o seu diagnóstico, mas podem otimizar sua indicação e aumentar a chance de positividade do exame.

ABSTRACT

OBJECTIVE: To test a prediction model for sleep apnea based on clinical and sociodemographic variables in a population suspected of having sleep disorders and submitted to polysomnography. METHODS: We included 323 consecutive patients submitted to polysomnography because of the clinical suspicion of having sleep disorders. We used a questionnaire with sociodemographic questions and the Epworth sleepiness scale. Blood pressure, weight, height, and SpO2 were measured. Multiple linear regression was used in order to create a prediction model for sleep apnea, the apnea-hypopnea index (AHI) being the dependent variable. Multinomial logistic regression was used in order to identify factors independently associated with the severity of apnea (mild, moderate, or severe) in comparison with the absence of apnea. RESULTS: The prevalence of sleep apnea in the study population was 71.2 percent. Sleep apnea was more prevalent in men than in women (81.2 percent vs. 56.8 percent; p < 0.001). The multiple linear regression model, using log AHI as the dependent variable, was composed of the following independent variables neck circumference, witnessed apnea, age, BMI, and allergic rhinitis. The best-fit linear regression model explained 39 percent of the AHI variation. In the multinomial logistic regression, mild apnea was associated with BMI and neck circumference, whereas severe apnea was associated with age, BMI, neck circumference, and witnessed apnea. CONCLUSIONS: Although the use of clinical prediction models for sleep apnea does not replace polysomnography as a tool for its diagnosis, they can optimize the process of deciding when polysomnography is indicated and increase the chance of obtaining positive polysomnography findings.