Gevalideerd predictiemodel voor kans op klinisch-significant slaapapneu
OSAsense predictiemodel gericht op berekening van het geschatte risico op obstructief slaapapneu (OSA) gebaseerd op een zevental variabelen. 
Research authors: Hueting T, Benistant JR, Pleijhuis RG
Details Formula Study characteristics Files & References
★★★
Model author
Model ID
1885
Version
1.28
Revision date
2019-08-28
MeSH terms
  • Sleep Apnea
  • Risk Assessment
  • Clinical Prediction Rule
  • Model type
    Logistic regression (Calculation)
    Status
    public
    Rating
    Share
    Formula
    No Formula defined yet
    Condition Formula

    Additional information

    Variabelen uit de Philips vragenlijst (ontwikkeld op basis van 176 patiënten) werden geëvalueerd op predictieve waarde in een nieuw cohort bestaande uit 1096 Nederlandse eerstelijns patiënten met klachten passend bij obstructief slaapapneu (OSA). De best voorspellende variabelen werden geselecteerd en omgezet tot een nieuw model met als primaire uitkomstmaat het aantal geobserveerde desaturaties per uur (ODI) bij aanvullend onderzoek. Naast interne validatie (c-index 0.79 | 95% CI: 0.76 - 0.81) op het ontwikkelcohort werd tevens een externe temporale validatie verricht met vergelijkbare resultaten. 

    Het nieuw ontwikkelde OSAsense predictiemodel bleek aanzienlijk beter in staat om patiënten met een significant aantal ademstops per uur te identificeren dan de Philips vragenlijst of alternatieve vragenlijsten als de STOP-BANG. 

    Study Population

    Total population size: 1096

    Additional characteristics

    No additional characteristics defined

    Related files

    Supporting Publications

    Risico op klinisch-significante nachtelijke apneus:
    ...

    {{ resultSubheader }}

    {{ model.survival.PITTitle }}

    {{ model.survival.YNETitle }}

    Result
    Note
    Notes are only visible in the result download and will not be saved by Evidencio

    Risico op klinisch-significante nachtelijke apneus:

    {{ resultSubheader }}
    {{ chart.title }}

    Outcome stratification

    Result interval {{ additionalResult.min }} to {{ additionalResult.max }}

    Conditional information

    Result interpretation

    Model prestaties: 
    Naast interne validatie (c-index 0.79 | 95% CI: 0.76 - 0.81) op het ontwikkelcohort werd tevens een externe temporale validatie verricht (c-dinex 0.80 | 95% CI: 0.78 - 0.83) op een cohort bestaande uit 1310 eerstelijns patiënten. Bij zowel interne als externe validatie bleek sprake van uitstekende model kalibratie. 

    Relevante contextinformatie: 
    Het model betreft een rekalibratie van de Philips vragenlijst, welke is ontwikkeld op basis van 176 patiënten (Eijsvogel et al, 2016). In 2018 werd het oorspronkelijke predictiemodel gerekalibreerd op basis van data van 1096 Nederlandse patiënten. In 2019 werd het gerekalibreerde model daarnaast temporaal gevalideerd op basis van een onafhankelijk cohort bestaande uit 1310 patiënten. 

    Het gerekalibreerde OSAsense predictiemodel bleek aanzienlijk beter in staat om patiënten met een significant aantal ademstops per uur te identificeren dan de Philips vragenlijst of alternatieve vragenlijsten als de STOP-BANG. 

    {{ file.classification }}

    Calculations alone should never dictate patient care, and are no substitute for professional judgement. See our full disclaimer.

    Comments
    Rating
    Comment
    Please enter a comment of rating
    Comments are visible to anyone

    Model feedback

    No feedback yet 1 Comment {{ model.comments.length }} Comments
    Not rated | On {{ comment.created_at }} {{ comment.user.username }} a no longer registered author wrote:
    logo

    Please sign in to enable Evidencio print features

    In order to use the Evidencio print features, you need to be logged in.
    If you don't have an Evidencio Community Account you can create your free personal account at:

    https://www.evidencio.com/registration

    Printed results - Examples {{ new Date().toLocaleString() }}


    Evidencio Community Account Benefits


    With an Evidencio Community account you can:

    • Create and publish your own prediction models.
    • Share your prediction models with your colleagues, research group, organization or the world.
    • Review and provide feedback on models that have been shared with you.
    • Validate your models and validate models from other users.
    • Find models based on Title, Keyword, Author, Institute, or MeSH classification.
    • Use and save prediction models and their data.
    • Use patient specific protocols and guidelines based on sequential models and decision trees.
    • Stay up-to-date with new models in your field as they are published.
    • Create your own lists of favorite models and topics.
    A personal Evidencio account is free, with no strings attached! Join us and help create clarity, transparency, and efficiency in the creation, validation, and use of medical prediction models.

    Disclaimer: Calculations alone should never dictate patient care, and are no substitute for professional judgement.