The Association of Body Mass Index and Adiposity-Estimating Equations with Measures of Obstructive Sleep Apnea Severity: A Cross-Sectional Study
Notice bibliographique
Résumé
Background and Purpose: Obesity, a risk factor for obstructive sleep apnea (OSA), is usually estimated by body mass index (BMI). However, other adiposity-estimating equations may better capture variations in fat distribution. This study assessed the relationship between OSA severity and 15 adiposity-estimating equations, compared to BMI, with subgroup analyses by sex and age (<50 vs ≥50). Patients and Methods: We conducted a cross-sectional cohort study using data from 5021 consecutive adults who underwent a Level 1 polysomnography (2015-2017) in a large academic sleep center in Ottawa, Canada. We assessed correlations between adiposity measures and the apnea-hypopnea index (AHI) and examined discriminative ability for moderate-to-severe (AHI ≥15/h) and severe OSA (AHI >30/h) using univariate logistic regressions. Results: and 12.7% had severe OSA. All adiposity equations showed negligible (Pearson r 0.0 to ±0.3) to low (Pearson r ± 0.30 to 0.50) statistically significant correlations with AHI, with many of the equations having a marginally stronger correlation coefficient than BMI, in total and subgroup analysis. Discriminative ability for severe OSA was generally low, with c-indices ranging from 0.52 to 0.67 in the overall sample. However, in females under 50, several equations (eg, Gallagher 2000, Deurenberg 1991 and 1998, ECORE BF) reached excellent discriminative ability (c-indices 0.81), including BMI (c-index 0.80). This pattern was not observed in other subgroups. Conclusion: In this clinical cohort, BMI was associated poorly with AHI; however, the other equations did not outperform BMI. Moreover, BMI demonstrated poor discriminative ability for moderate/severe and severe OSA, with none of the other equations performing better in this context. Notable subgroup differences-particularly among younger females-suggest that tailoring screening strategies by age and sex may improve risk stratification and support refining obesity-based screening approaches.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».