An update on the various practical applications of the STOP-Bang questionnaire in anesthesia, surgery, and perioperative medicine
Notice bibliographique
Résumé
PURPOSE OF REVIEW: The present review aims to provide an update on the various practical applications of the STOP-Bang questionnaire in anesthesia, surgery, and perioperative medicine. RECENT FINDINGS: The STOP-Bang questionnaire was originally validated as a screening tool to identify surgical patients who are at high-risk of obstructive sleep apnea (OSA). A recent meta-analysis confirmed that STOP-Bang is validated for use in the sleep clinic, surgical, and general population. Patients with a STOP-Bang score of 0--2 can be classified as low-risk for moderate-to-severe OSA. Those with a score of 5--8 can be classified as high-risk for moderate-to-severe OSA. In patients with a score of 3 or 4, a specific combination of a STOP score at least 2 + BMI more than 35 kg/m or STOP score at least 2 + male or STOP score at least 2 + neck circumference more than 40 cm indicates higher risk for moderate-to-severe OSA. Further, patients with a STOP-Bang score at least 3 can be classified as high risk for moderate-to-severe OSA if the serum HCO3 at least 28 mmol/l. STOP-Bang can be used as a novel tool for perioperative risk stratification because it easily identifies patients who are at increased risk of perioperative complications. SUMMARY: STOP-Bang at least 3 was recommended previously to identify the suspected or undiagnosed OSA. To reduce the false positive cases and to improve its specificity, a stepwise stratification is recommended to identify the patients at high risk of moderate-to-severe OSA. Because of its practical application, STOP-Bang is a useful screening tool for patients with suspected or undiagnosed OSA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».