Screening Tools for Obstructive Sleep Apnea in Pregnant Women: An Extended and Updated Systematic Review and Meta-analysis
Notice bibliographique
Résumé
The prevalence of obstructive sleep apnea syndrome (OSA) increases in women during pregnancy and negatively affects maternal and fetal outcomes. The updated systematic review and meta-analysis aimed to evaluate the validity of the Berlin, STOP-Bang, and Epworth sleepiness scale (ESS) questionnaires in detecting OSA in pregnant women. PubMed, Embase, and Web of Science were searched systematically up to March 2022. After eligible studies inclusion, two independent reviewers extracted demographic and clinical data. Bivariate random effects models were used to estimate the pooled accuracy measures including sensitivity and specificity, positive (PPV) and negative predictive values (NPVs), diagnostic odds ratio (DOR), and receiver operating characteristic curve (ROC) curve. We included 8 studies including 710 pregnant women with suspected OSA. The performance values of Berlin, STOP-Bang, and ESS questionnaires were as follows: the pooled sensitivity were 61% (95% confidence interval (CI): 40%-80%), 59% (95% CI: 49%-69%), and 29%, (95% CI: 10%-60%); pooled specificity were 61% (95% CI: 42%-78%), 80% (95% CI: 55%-93%), and 80% (95% CI: 50%-94%); pooled PPVs were 60% (95% CI: 0.49-0.72), 73% (95% CI: 61%-85%), and 59% (95% CI: 31%-87%); pooled NPVs were 60% (95% CI: 0.49-0.71), 65% (95% CI: 54%-76%), and 53% (95% CI: 41%-64%); and pooled DORs were 3 (95% CI: 1-5), 6 (95% CI: 2-19), and 2 (95% CI: 1-3), respectively. It seems that the Berlin, STOP-Bang, and ESS questionnaires had poor to moderate sensitivity and specificity in pregnancy, with the ESS showing the worst characteristics. Further studies are required to evaluate the performance of alternative screening methods for OSA in pregnancy.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».