这项横断面观察性研究评估了利用现有CT图像测量的腹部皮下脂肪厚度是否与基于STOP-BANG评分的阻塞性睡眠呼吸暂停风险相关。结果显示，CT测量的脂肪厚度与STOP-BANG评分之间无显著关联。
本文内容
摘要
摘要
本研究探讨了在临床指征下获取的腹部计算机断层扫描（CT）图像上偶然测量的脐部皮下脂肪厚度（USFT）是否与使用STOP-BANG问卷评估的围手术期阻塞性睡眠呼吸暂停（OSA）风险相关。在这项横断面观察性研究中，64名成年参与者完成了STOP-BANG问卷，同时采用标准化方案在现有的腹部CT图像上测量USFT。使用Spearman相关性分析评估USFT与连续变量之间的关联，而STOP-BANG风险类别的比较则采用Kruskal-Wallis检验。进行探索性逻辑回归分析，在调整年龄因素后评估USFT与高STOP-BANG风险之间的关联。结果显示，USFT与STOP-BANG评分之间无显著相关性（ρ = 0.142，p = 0.264），且在不同STOP-BANG风险类别间USFT差异无统计学意义（p = 0.677）。报告打鼾的参与者USFT显著更高（p = 0.026），且USFT与体重指数（BMI；ρ = 0.663，p ＜ 0.001）和颈围（ρ = 0.544，p ＜ 0.001）呈正相关。在调整年龄后，USFT与高STOP-BANG风险之间仍无显著关联。总体而言，本研究中通过CT测量的USFT与基于STOP-BANG的OSA风险无关。未来需要更大样本的研究，结合多导睡眠图（PSG）确诊的OSA以及充分统计效能的多变量分析，以明确CT衍生的肥胖指标在围手术期OSA风险评估中的潜在作用。
引言
阻塞性睡眠呼吸暂停（OSA）是一种睡眠相关呼吸障碍，其特征是在睡眠过程中反复发生上气道阻塞，导致间歇性低氧、高碳酸血症和睡眠片段化1。OSA 与心血管和代谢性共病密切相关，是围手术期的重要关注问题，因其会增加面罩通气困难、气管插管困难以及术后呼吸系统并发症的风险2,3。尽管其具有重要的临床意义，但在外科患者中，OSA 常常未被识别，因此实施切实可行的围手术期风险分层至关重要。
肥胖通过多种机制增加阻塞性睡眠呼吸暂停（OSA）的风险，包括上气道力学改变、咽部肌肉反应性降低，以及与脂肪组织功能障碍相关的炎性-代谢效应3,4。尽管多导睡眠图（PSG）是诊断的金标准，但在急性外科住院期间，由于可及性有限、等待时间较长以及实际操作的限制，常规围手术期工作流程中往往需要依赖筛查工具而非客观的睡眠检测1,5。在这些筛查工具中，STOP-BANG问卷因其简便性和高敏感性而被广泛使用。该评分包含八个参数——打鼾、白天嗜睡、他人目击的呼吸暂停、高血压、BMI、年龄、颈围和性别——用于将患者分类至不同的OSA风险等级6,7。
脐周皮下脂肪厚度（USFT）作为腹部脂肪堆积的指标，可能通过增加腹部脂肪蓄积来影响阻塞性睡眠呼吸暂停（OSA）的严重程度及并发症风险3,8。计算机断层扫描（CT）是评估腹部脂肪组织的常用方法，具有较高的脂肪测量准确性和可重复性。既往研究报道，基于CT的皮下脂肪和内脏脂肪测量值与人体测量参数之间存在强相关性9。然而，在基于STOP-BANG评分进行围手术期OSA风险分层的情况下，是否可通过腹部CT机会性测量的USFT提供额外信息，目前尚不明确。
因此，本研究旨在探讨在成人外科患者中，利用临床指征获取的腹部CT图像偶然测量的上腹部皮下脂肪组织（USFT）是否与通过STOP-BANG问卷评估的阻塞性睡眠呼吸暂停（OSA）风险相关。本研究的创新之处在于利用常规获取的腹部CT图像定量USFT，而无需额外的影像学检查。我们假设，CT测量的USFT越大，STOP-BANG评分越高，OSA风险也越高。
方案
本横断面观察性研究已获得安卡拉比尔肯特市医院伦理委员会批准（批准日期：2025年4月9日；批准编号：TABED-1-25-1200）。所有操作均遵循机构和/或国家研究委员会的伦理标准以及1964年《赫尔辛基宣言》及其后续修正案或同等伦理标准。研究中所有个体参与者均签署了知情同意书。在正式获得伦理委员会批准之前，未进行任何受试者招募、知情同意程序、STOP-BANG评估或其他与本研究相关的数据收集工作。
研究设计与参与者
本研究于2025年4月10日至2025年6月30日期间进行。在普通外科因临床指征接受腹部CT检查的成年患者（≥18岁）符合纳入条件。CT检查的临床指征包括腹痛、疑似恶性肿瘤及外伤。STOP-BANG评分在CT检查当天获取，以确保两项评估反映相同的临床时期。本研究未为研究目的额外进行CT成像。排除标准包括年龄＜18岁、妊娠、拒绝参与、缺乏合适的腹部CT图像、既往有可能干扰准确脂肪测量的腹部手术史，或临床资料不完整。未为研究目的进行任何额外的影像学或诊断性检查；所有CT检查均为常规临床诊疗的一部分。参与者的筛选与入选流程总结于图1中。
图1．患者流程图。 该流程图展示了研究对象的筛选过程，包括接受筛查的患者数量、排除原因、最终纳入分析的参与者数量及其在STOP-BANG风险分类中的分布情况。最终的风险分组包括低风险（n = 20）、中风险（n = 24）和高风险（n = 20）参与者。由于此图为描述性患者流程图，而非统计学数据图，因此不适用误差线和统计学显著性检验。缩写：USFT，脐部皮下脂肪厚度；n，参与者数量。 请点击此处查看该图的放大版本。
临床与人体测量数据
记录人口统计学和人体测量学数据，包括年龄、性别、身高、体重、BMI 和颈围。颈围使用柔软且不可伸展的卷尺进行测量，受试者取直立位，头部处于中立位置，测量部位为喉结突出处（甲状软骨水平）。测量结果精确到 0.1 cm。共进行三次测量，取平均值用于分析。根据 STOP-BANG 标准，颈围 >40 cm 被视为阳性。在入组时收集高血压状态及 STOP-BANG 问卷的回答情况。STOP-BANG 评分基于八个组成部分计算：打鼾、白天嗜睡、他人观察到的呼吸暂停、高血压、BMI > 35 kg/m2、年龄 > 50 岁、颈围 >40 cm 以及男性性别6,7。
基于CT的USFT测量
所有CT检查均使用128层多排探测器CT扫描仪进行。成像参数如下：管电压120 kV；自动管电流调制200–420 mA；旋转时间0.6 s；螺距1.375；探测器覆盖范围40.0 mm；采集层厚3.75 mm；采用标准软组织重建核，重建层厚1.25 mm；床移动范围2000 mm。测量可在平扫或增强CT图像上进行，因为无论是否使用对比剂，皮下脂肪组织的边界均清晰可辨。图像评估采用ProHIMS PACS Viewer软件（版本2024.5.0），腹部标准软组织窗设置（窗宽400 HU，窗位40 HU）。为尽量减少观察者间变异，所有图像评估均由一名具有10年以上腹部CT解读经验的放射科医师完成。测量数据来源于已有的CT图像，无需额外辐射暴露。
在脐水平的轴向CT切片上测量皮下脂肪厚度（USFT）。通过识别腹前壁脐瘢痕的解剖标志来确定确切的脐水平。根据标准化方案进行测量，即计算皮肤表面与腹直肌前鞘（肌筋膜）之间的距离。如先前方案所述，在该水平的三个连续轴向切片上进行测量，并将所得数值取平均值用于最终分析。
评估放射科医师在进行影像分析时对受试者的STOP-BANG评分及临床结局设盲。为评估观察者内部可靠性，由同一设盲的放射科医师对随机选取的20例CT扫描图像进行重复分析。采用组内相关系数（ICC）评估可靠性。观察者内部测量的可靠性良好，ICC为0.79。测量技术的代表性示例如下所示 图2.
图2腹部计算机断层扫描图像上脐部皮下脂肪厚度的代表性测量 在脐水平处获取的一幅代表性轴向计算机断层扫描（CT）图像展示了脐部皮下脂肪厚度（USFT）的测量方法。垂直测量游标指示的是前侧皮肤表面与腹直肌前鞘（肌筋膜）之间的垂直距离。该图像仅显示一名受试者的单个轴向切片，用于说明测量技术。在研究分析中，USFT在脐水平连续三个轴向切片上进行测量，并取三次测量的平均值作为最终的USFT数值。R，右侧；L，左侧；CT，计算机断层扫描；USFT，脐部皮下脂肪厚度。 请点击此处以查看该图的放大版本。
结局指标与 STOP-BANG 风险分层
主要结局是超声脂肪厚度（USFT）与 STOP-BANG 评分之间的关联。STOP-BANG 评分既作为连续变量进行分析，也按风险等级分组进行分析：低风险（0–2 分）、中等风险（3–4 分）和高风险（≥5 分）7。选择 ≥5 作为高风险分界的依据在于其具有更高的特异性，且与中重度阻塞性睡眠呼吸暂停（OSA）的相关性更强，这在围手术期环境中尤为重要。
样本量考虑
本研究的样本量（n = 64）根据研究周期内的可行性确定。由于既往关于CT衍生的上气道脂肪组织体积（USFT）与STOP-BANG评分之间关系的数据有限，本研究设计为探索性、假设生成型分析，而非旨在检测小效应量的验证性研究。因此，结果的解读更侧重于效应估计值和临床意义，而不仅仅是统计学显著性。
统计学分析
统计学分析使用 Python（版本 3.10.12）进行，依赖 pandas（版本 1.5.3）、SciPy（版本 1.10.1）和 statsmodels（版本 0.14.0）。数据可视化采用 Matplotlib（版本 3.7.1）和 seaborn（版本 0.12.2）。连续变量的正态性通过 Shapiro–Wilk 检验进行评估。符合正态分布的变量以均值 ± 标准差表示，不符合正态分布的变量以中位数（最小值–最大值，四分位距 [IQR]）表示。
采用Kruskal-Wallis检验对STOP-BANG三种风险类别之间的组间差异进行比较。进一步评估了超声脂肪厚度（USFT）与STOP-BANG问卷各单项组分之间的关联：对二分类分类变量采用Mann-Whitney U检验，对连续变量采用Spearman相关分析。
采用逻辑回归模型评估美国脂肪厚度（USFT）与基于STOP-BANG的高阻塞性睡眠呼吸暂停（OSA）风险之间的关联。所有模型中的因变量均为二分类的高STOP-BANG风险，严格定义为评分≥5。由于经确认的高风险病例数量有限（n = 20），为减少过拟合，未采用包含多个协变量的传统多变量逻辑回归。取而代之的是，构建了一个最简标准逻辑回归模型，仅明确纳入两个自变量：USFT和年龄。此外，使用相同的因变量和自变量进行L2正则化（Ridge）逻辑回归分析。在正则化模型中，正则化参数（alpha）设为1.0，以施加标准惩罚，收缩系数以防止方差过大。计算比值比（OR）及其95%置信区间（CI）。所有分析中，p值＜0.05被认为具有统计学显著性。
结果
研究设计与受试者
在研究期间，共有115名因腹痛、疑似恶性肿瘤或外伤等临床指征就诊的患者被筛选入组。其中3名患者因妊娠未接受CT扫描而被排除。其余患者中，24人因无法获得临床适用的腹部CT图像而被排除。另有24名患者因拒绝参与或未完成STOP-BANG问卷（n = 10）、既往有腹部手术史（n = 8）或临床资料不完整（n = 6）而被排除。最终共有64名患者被纳入研究，并进入最终分析（图1）。
共有64名受试者纳入分析，包括32名女性（50.0%）和32名男性（50.0%）。中位年龄为60岁（范围为22–85岁）。平均颈围为38.44 ± 2.68 cm，中位BMI为25.4 kg/m2（范围为14.9–51.4 kg/m2）。中位STOP-BANG评分为4（范围为0–7），中位超声舌骨下脂肪厚度（USFT）为25.07 mm（范围为11.85–53.28 mm）。基线人口统计学、人体测量学和临床特征汇总见表1。
| 变量 | N = 64 |
| 年龄（岁），中位数（最小值–最大值；四分位距） | 60.0 (22–85; 18.0) |
| 身高（cm），均值 ± 标准差 | 166.11 ± 8.3 |
| 体重（kg），中位数（最小值–最大值；四分位距） | 70.0 (38–145; 21.25) |
| BMI（kg/m²），中位数（最小值–最大值；四分位距） | 25.4 (14.9–51.4; 6.95) |
| 颈围（cm），均值 ± 标准差 | 38.44 ± 2.68 |
| STOP-BANG 评分（0–8），中位数（最小值–最大值；四分位距） | 4.0 (0–7; 3) |
| 超声舌骨下脂肪厚度（mm），中位数（最小值–最大值；四分位距） | 25.07 (11.85–53.28; 12.22) |
| 性别，n (%) | |
| 男性 | 32 (50.0) |
| 女性 | 32 (50.0) |
| 高血压，n (%) | |
| 是 | 28 (43.8) |
| 否 | 36 (56.3) |
| 打鼾，n (%) | |
| 是 | 51 (79.7) |
| 否 | 13 (20.3) |
| 嗜睡，n (%) | |
| 是 | 41 (64.1) |
| 否 | 23 (35.9) |
| 观察到的呼吸暂停，n (%) | |
| 是 | 1 (1.6) |
| 否 | 63 (98.4) |
表1：研究参与者的基线人口学与临床特征。 列出了最终分析中纳入的64名参与者的基线人口学、人体测量学和临床特征。连续变量根据情况以均值±标准差（SD）或中位数（最小值–最大值；四分位距[IQR]）表示，分类变量以数量（百分比）表示。BMI，体重指数；USFT，脐部皮下脂肪厚度；SD，标准差；IQR，四分位距；min，最小值；max，最大值；n，参与人数。
表1展示了研究队列（n = 64）的基线人口统计学、人体测量学和临床特征。分类变量包括性别以及高血压、打鼾、日间嗜睡和被观察到的呼吸暂停的二分类临床应答（是/否）。呈正态分布的连续变量（身高和颈围）以均值 ± 标准差表示。非正态分布的连续变量（年龄、体重、BMI、STOP-BANG评分和USFT）以中位数（最小值–最大值；IQR）表示。分类变量以n（%）表示。由于表1仅提供基线描述性统计，未进行组间比较的统计学检验，因此不适用p值。
临床与人体测量数据
STOP-BANG 评分与超声脂肪厚度（USFT）之间未观察到具有统计学意义的相关性（Spearman’s ρ = 0.142，p = 0.264）。同样，USFT 在低、中、高风险的 STOP-BANG 分组之间亦无显著差异（Kruskal–Wallis H = 0.781，p = 0.677）。最终确认的风险分组包括20名（31.3%）低风险、24名（37.5%）中风险和20名（31.3%）高风险参与者（图1 和 表2）。
| 变量 | n (%) | 分析方法 | 中位数 (IQR) | 检验统计量 | p 值 | 效应量 |
| STOP-BANG 评分 | 64 (100) | Spearman 相关性分析 | 4.0 (2.0–5.0) | ρ = 0.142 | 0.264 | — |
| STOP-BANG 风险分类 | 64 (100) | Kruskal–Wallis 检验 | — | H = 0.781 | 0.677 | — |
| 低风险 (0–2) | 20 (31.3) | — | 23.7 (19.6–32.4) | — | — | — |
| 中等风险 (3–4) | 24 (37.5) | — | 26.6 (20.4–34.8) | — | — | — |
| 高风险 (≥5) | 20 (31.3) | — | 25.3 (22.4–30.2) | — | — | — |
| 打鼾 | 64 (100) | Mann–Whitney U 检验 | — | U = 198.0 | 0.026 | 0.278 |
| 否 | 13 (20.3) | — | 20.0 (16.3–27.5) | — | — | — |
| 是 | 51 (79.7) | — | 25.3 (21.2–36.1) | — | — | — |
| 疲倦感 | 64 (100) | Mann–Whitney U 检验 | — | U = 471.0 | 1 | 0.001 |
| 否 | 23 (35.9) | — | 24.1 (20.0–32.6) | — | — | — |
| 是 | 41 (64.1) | — | 25.3 (20.9–31.3) | — | — | — |
| 高血压 | 64 (100) | Mann–Whitney U 检验 | — | U = 497.0 | 0.93 | 0.012 |
| 否 | 36 (56.3) | — | 24.9 (19.9–32.6) | — | — | — |
| 是 | 28 (43.8) | — | 25.1 (21.1–30.4) | — | — | — |
| 性别 | 64 (100) | Mann–Whitney U 检验 | — | U = 546.0 | 0.653 | 0.057 |
| 女性 | 32 (50.0) | — | 25.1 (20.2–33.1) | — | — | — |
| 男性 | 32 (50.0) | — | 24.9 (20.6–29.9) | — | — | — |
| 年龄（年） | 64 (100) | Spearman 相关性分析 | 60.0 (52.0–70.0) | ρ = −0.067 | 0.6 | — |
| BMI (kg/m²) | 64 (100) | Spearman 相关性分析 | 25.4 (22.5–29.5) | ρ = 0.663 | <0.001 | — |
| 颈围 (cm) | 64 (100) | Spearman 相关性分析 | 39.0 (36.8–40.0) | ρ = 0.544 | <0.001 | — |
表2：脐部皮下脂肪厚度与STOP-BANG评分及其各组分之间关联的统计学分析。 USFT与连续变量之间的关联采用Spearman秩相关分析。二分类组间USFT的差异采用Mann–Whitney U检验进行评估，三组STOP-BANG风险类别之间的差异采用Kruskal–Wallis检验进行评估。对于分类比较，“中位数（IQR）”列中的数值表示以毫米为单位的USFT；对于连续变量分析，数值表示相应的变量。统计学显著性定义为p < 0.05。BMI，体重指数；IQR，四分位距；USFT，脐部皮下脂肪厚度；U，Mann–Whitney U检验统计量；H，Kruskal–Wallis检验统计量；ρ，Spearman秩相关系数；n，参与者数量。
报告打鼾的参与者其USFT显著高于未报告打鼾者（U = 198.0，p = 0.026）。相比之下，USFT与日间疲劳（U = 471.0，p = 1.000）、高血压（U = 497.0，p = 0.930）、性别（U = 546.0，p = 0.653）或年龄（ρ = −0.067，p = 0.600）之间均未观察到显著关联。USFT与BMI（ρ = 0.663，p < 0.001）及颈围（ρ = 0.544，p < 0.001）呈正相关。USFT与STOP-BANG评分及其各组成部分之间的关联详见表2。
表2展示了超声脂肪厚度（USFT）与人口统计学、人体测量学及临床变量（包括总体STOP-BANG评分）之间关系的统计学评估结果。总样本量为 n = 64。分类分析包括STOP-BANG风险等级（低风险，0–2；中等风险，3–4；高风险，≥5）、二分类临床变量（打鼾、日间嗜睡、高血压，是/否）以及性别（女性/男性）。由于组间极度不平衡（“是”组 n = 1），观察到的呼吸暂停被排除在比较分析之外。对于非正态分布的连续变量，数据离散程度以中位数（四分位距，IQR）表示。连续变量（年龄、BMI、颈围和STOP-BANG评分）采用Spearman秩相关分析；三组STOP-BANG风险等级间的比较采用Kruskal–Wallis检验；二分类分类变量采用Mann–Whitney U检验。在适用情况下报告效应量。统计学显著性定义为 p < 0.05。
结局与 STOP-BANG 风险分类
根据 STOP-BANG 评分 ≥5，20 名参与者（31.3%）被归类为阻塞性睡眠呼吸暂停（OSA）高风险。该高风险分类与 图 1 和 表 2 中所示的最终风险组分布一致。
统计学分析
鉴于高风险病例数量有限，探索性多变量分析仅限于最小年龄调整模型和L2正则化逻辑回归模型。在最小年龄调整逻辑回归模型中，USFT与基于STOP-BANG的高阻塞性睡眠呼吸暂停（OSA）风险无显著关联（OR = 1.00，95% CI，0.95–1.06；p = 0.936）。L2正则化逻辑回归模型得出了一致的结果（OR = 0.98，95% CI，0.93–1.04；p = 0.472）。在64名参与者中，有20人（31.3%）接受了腹壁疝手术。
总体而言，超声测量的上气道脂肪组织厚度（USFT）与STOP-BANG评分或STOP-BANG风险分类无显著相关性。报告打鼾的受试者其USFT显著更高，且USFT与体重指数（BMI）和颈围呈正相关；然而，在探索性回归分析中，校正年龄因素后，USFT与基于STOP-BANG的高阻塞性睡眠呼吸暂停（OSA）风险无显著关联。这些结果不支持本研究的假设，即CT测量的上气道脂肪组织厚度增加会与更高的STOP-BANG评分及基于STOP-BANG的OSA风险增加相关。
数据可用性：
用于最终分析的去识别化参与者水平数据集已作为补充数据文件1随本文提供。本研究的数据集和分析代码也已存入Zenodo（DOI: 10.5281/zenodo.21969483）；目前对存档文件的访问受到限制。本文附带的补充数据集代表了用于报告分析的最终验证过的参与者水平数据集。
补充数据文件1：本研究分析所用的去标识化参与者水平数据集。 该文件包含最终分析中64名参与者的数据。变量包括年龄、性别、身高、体重、体重指数（BMI）、高血压状态、打鼾、疲劳、被观察到的呼吸暂停、颈围、二分类化的STOP-BANG颈围标准（>40 cm）、STOP-BANG评分以及脐部皮下脂肪厚度（USFT）。二分类变量的编码方式见各列标题所示。本数据集中所包含变量无缺失值。 请点击此处下载该文件。
讨论
在本项横断面观察性研究中，通过CT测量的皮下脂肪厚度（USFT）与STOP-BANG评分或基于STOP-BANG的阻塞性睡眠呼吸暂停（OSA）风险分类之间未观察到具有统计学意义的关联。在对年龄进行校正后，这种无关联性仍然存在，提示在本研究人群中，仅凭USFT可能不足以充分反映OSA风险。然而，USFT与体重指数（BMI）和颈围显著相关，支持其与总体脂及上体脂肪堆积之间的关系。与打鼾的关联也可能表明皮下脂肪堆积与OSA风险的个别组分之间存在关联，但该结果需谨慎解读。这些结果与OSA的多因素特性一致，即该疾病的危险性由解剖学、代谢和人口学因素共同决定，而非单一的脂肪堆积指标所能反映。本研究评估了两种间接测量指标之间的关联：基于CT的皮下脂肪厚度与基于问卷的OSA风险评分（STOP-BANG）。因此，研究结果应理解为反映了测量构念之间的重叠，而非对真实疾病的预测能力。
本研究未进行多导睡眠图（PSG）检查，阻塞性睡眠呼吸暂停（OSA）的评估采用STOP-BANG问卷。尽管STOP-BANG是一种广泛使用的筛查工具，在无法获取PSG的情况下可作为分诊评估手段，但其不应取代客观的睡眠检测。该问卷特异性有限，可能导致误分类，从而削弱超声测量颈项脂肪厚度（USFT）与客观诊断OSA之间关系的观察结果1,5,10。因此，当前研究结果应被理解为对USFT与STOP-BANG评分之间横断面关联的评估，而非USFT与客观诊断OSA之间存在关联的证据。在本研究中，USFT与体重指数（BMI）和颈围呈显著正相关，提示其可能主要反映与总体肥胖相关的特征，而非与OSA风险存在独立关联。既往研究同样报道了超声测量的颈部、胸部和腹部区域皮下脂肪厚度与人体测量学变量之间的相关性，而脐上2 cm处测得的腹部皮下脂肪组织厚度以及第二肋间水平测得的皮下脂肪组织厚度，在特定人群中已被证实与OSA相关风险存在关联8。
然而，内脏脂肪组织与皮下脂肪组织和阻塞性睡眠呼吸暂停（OSA）风险之间的关系并不一定等同。先前的研究表明，内脏脂肪堆积可能与OSA的风险和严重程度关系更为密切，而皮下脂肪堆积的作用可能较为有限11,12。已有证据提示，OSA高风险个体可能表现出更高的内脏脂肪含量。在本研究中，超声测量皮下脂肪厚度（USFT）与STOP-BANG评分之间缺乏显著关联，可能反映了仅评估了皮下脂肪厚度，而未评估内脏脂肪含量及其他解剖区域的脂肪分布情况。体重指数（BMI）和颈围是与OSA风险相关的既定人体测量参数，其中颈围还被报道与OSA严重程度相关13,14。在本研究中，USFT与BMI及颈围之间存在强相关性，提示这些与肥胖相关的测量指标之间可能存在共同变异和潜在的共线性，从而限制了USFT在现有STOP-BANG组分之外提供额外信息的能力。本研究发现，USFT与打鼾显著相关。然而，这一结果应谨慎解读，因为打鼾受多种因素影响，包括上气道解剖结构、咽部肌肉张力、鼻腔阻力以及遗传易感性。此外，打鼾信息为自我报告，可能引入报告偏倚，且相对较小的样本量可能限制了统计效能，从而影响对该关联强度的准确判断。
男性是阻塞性睡眠呼吸暂停（OSA）明确的危险因素1,3。这主要归因于男女之间的激素差异，这些差异也会影响脂肪分布模式。在男性中，脂肪组织倾向于主要积聚在内脏区域，而女性则表现出更高比例的皮下脂肪沉积3,4。与这些生理差异一致，既往研究报道，在体重指数（BMI）和腰围相当的情况下，男性的OSA严重程度高于女性1,3。然而，在本研究中，超声测量的皮下脂肪厚度（USFT）在不同性别之间未见显著差异。我们推测，这一结果可能由多种因素解释，包括样本量有限、仅测量了皮下脂肪厚度，以及未评估内脏脂肪——后者可能在OSA严重程度的性别差异中发挥更关键的作用。OSA也被认为是一种与年龄相关的睡眠障碍1,3。此外，在BMI较高的个体中，已有研究报道随着年龄增长，咽旁脂肪体积显著增加15。尽管有上述发现，本研究中USFT与年龄之间缺乏统计学显著关联，可能与测量仅聚焦于脐水平的皮下脂肪，以及样本量有限有关。
在本研究样本中，超声测量的皮下脂肪厚度（USFT）与高血压之间缺乏统计学意义上的显著关联，可能反映了文献中所述肥胖与高血压之间关系的复杂性。流行病学证据强烈支持肥胖是高血压的主要危险因素；然而，这种关系受到多种相互作用因素的影响，包括性别、人口学特征、遗传背景、神经激素机制以及环境因素16。既往研究表明，内脏脂肪指数和脂质蓄积指数与阻塞性睡眠呼吸暂停（OSA）风险增加相关，可能作为潜在的预测标志物17。特别是以内脏脂肪蓄积较多为特征的男性型肥胖，相较于女性型肥胖，与高血压的关联更为密切16。因此，本研究中未发现显著关联，可能部分原因在于我们仅测量了脐水平的皮下脂肪厚度，而未评估内脏脂肪蓄积情况。在肥胖个体中，USFT 增加是预期的结果3。白天嗜睡和被目击的呼吸暂停是 OSA 患者常见的症状18,19。因此，我们最初假设 USFT 会与这些临床表现相关。然而，我们的分析显示 USFT 与白天嗜睡之间无显著关联。这一结果可能归因于 OSA 症状的多因素性质，这些症状不仅受腹部皮下脂肪的影响，还受到内脏脂肪蓄积、上气道解剖结构、神经肌肉因素以及遗传易感性的影响。此外，白天嗜睡等主观参数依赖于患者的自我报告，可能使测量结果产生异质性。本研究相对较小的样本量以及仅关注脐部皮下脂肪测量，也可能导致未能发现显著关联。既往研究报道，内脏脂肪组织与 OSA 的关联更强，而皮下脂肪在反映这些临床症状方面作用较为有限。
本研究的局限性包括样本量相对较小以及研究仅在单一中心进行。此外，本研究未实施目前作为阻塞性睡眠呼吸暂停（OSA）诊断金标准的多导睡眠图（PSG），而STOP-BANG作为筛查工具的特异性有限，可能影响了超声测量腹部皮下脂肪厚度（USFT）与OSA之间关系的显著性。进一步地，CT测量仅限于脐水平的皮下脂肪组织，未评估内脏脂肪组织或其他身体部位的脂肪分布。尽管USFT与STOP-BANG之间缺乏关联，基于CT的偶然性肥胖评估在围手术期筛查研究中仍可能具有潜力。CT衍生指标，特别是内脏脂肪含量，可作为现有临床危险因素的补充标志物进行进一步探索。未来还需开展研究，以明确这些指标是否能独立于传统临床评估，与OSA风险相关。总之，CT测量的USFT与STOP-BANG评分或基于STOP-BANG的OSA风险分类均无显著关联，且在校正年龄后该结果依然成立。尽管USFT与肥胖相关参数（包括体重指数BMI和颈围）以及打鼾显著相关，但这些发现并未确立腹部皮下脂肪与客观诊断的OSA之间的直接关系。因此，仅凭USFT似乎不足以充分反映基于STOP-BANG的OSA风险。未来有必要开展样本量更大、采用PSG对OSA进行客观评估，并全面评估内脏和皮下脂肪组织分布的研究，以明确CT衍生的肥胖指标在OSA风险分层中的潜在作用。
披露
利益冲突：
作者声明不存在利益冲突。
致谢
作者感谢在论文撰写过程中使用 OpenAI 的 ChatGPT（GPT-5）协助进行英文语言编辑和语法校正。所有论文内容及科学解释均已由作者审阅并批准。本研究未获得任何经费支持。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 128层多排探测器CT扫描仪 | GE Healthcare | Revolution EVO EX/EL | RRID 不可用 |
| 软尺 | Lufkin | 50' x 3/8 | RRID 不可用 |
| matplotlib | Python 软件基金会 | 版本 3.7.1 | SCR_008624 |
| pandas | Python 软件基金会 | 版本 1.5.3 | SCR_018214 |
| ProHIMS PACS 查看器 | ProHIMS | 版本 2024.5.0 | RRID 不可用 |
| Python | Python 软件基金会 | 3.10.12 版本 | SCR_008394 |
| scipy | Python 软件基金会 | 版本 1.10.1 | SCR_008058 |
| seaborn | Python 软件基金会 | 版本 0.12.2 | SCR_018132 |
| statsmodels | Python 软件基金会 | 版本 0.14.0 | SCR_016074 |
| STOP-BANG问卷 | 多伦多大学（Chung F. 等） | N/A | RRID 不可用 |
| 研究数据集与分析代码 | Zenodo | DOI: 10.5281/zenodo.21969483 | RRID 不可用 |
参考文献
- Slowik JM, Sankari A, Collen JF. Obstructive sleep apnea. In: StatPearls [Internet]. StatPearls Publishing; Treasure Island (FL); 2025. Available from: https://www.ncbi.nlm.nih.gov/books/NBK459252/.
- Ojeda D, et al. STOP-BANG questionnaire as predictor of a difficult airway management during anesthesia. Rev Med Chil. 2022;150:450-457. doi:10.4067/S0034-98872022000400450.
- Bonsignore MR. Obesity and obstructive sleep apnea. Handb Exp Pharmacol. 2022;274:181-201. doi:10.1007/164_2021_558.
- Ryan S, et al. Adipose tissue as a key player in obstructive sleep apnoea. Eur Respir Rev. 2019;28:190006. doi:10.1183/16000617.0006-2019.
- Chen L, et al. Validation of the STOP-Bang questionnaire for screening of obstructive sleep apnea in the general population and commercial drivers: a systematic review and meta-analysis. Sleep Breath. 2021;25:1741-1751. doi:10.1007/s11325-021-02299-y.
- Chung F, et al. STOP questionnaire: a tool to screen patients for obstructive sleep apnea. Anesthesiology. 2008;108:812-821. doi:10.1097/ALN.0b013e31816d83e4.
- Neves Junior JAS, et al. Cutoff points in STOP-Bang questionnaire for obstructive sleep apnea. Arq Neuropsiquiatr. 2020;78:561-569. doi:10.1590/0004-282X20200086.
- Molnár V, et al. The predictive role of subcutaneous adipose tissue in the pathogenesis of obstructive sleep apnoea. Life (Basel). 2022;12:1504. doi:10.3390/life12101504.
- Pickhardt PJ, Summers RM, Garrett JW. Automated CT-based body composition analysis: a golden opportunity. Korean J Radiol. 2021;22:1934-1937. doi:10.3348/kjr.2021.0775.
- Nagappa M, et al. Validation of the STOP-Bang questionnaire as a screening tool for obstructive sleep apnea among different populations: a systematic review and meta-analysis. PLoS One. 2015;10:e0143697.
- Franco I, Reis R, Ferreira D, et al. The impact of neck and abdominal fat accumulation on the pathogenesis of obstructive sleep apnea. Rev Port Pneumol (2006). 2016;22:240-242.
- Ugur KS, et al. Subcutaneous fat tissue thickness of the anterior neck and umbilicus in patients with obstructive sleep apnea. Otolaryngol Head Neck Surg. 2011;145:505-510.
- Kollár B, et al. Anthropometric parameters and sleep apnea: correlations, and treatment implications in a sleep laboratory-based study. Bratisl Med J. 2025;126:1066-1077. doi:10.1007/s44411-025-00148-y.
- Ibrahim MIS, Mohamad H, Mohamad A, Mohamad I. Association between neck circumference and the severity of obstructive sleep apnea. Pol Ann Med. 2020;27(1):1-6. doi:10.29089/2020.20.00097.
- Gao F, et al. Upper airway morphological changes in obstructive sleep apnoea: effect of age on pharyngeal anatomy. J Laryngol Otol. 2020;134:354-361.
- Wolk R, Shamsuzzaman AS, Somers VK. Obesity, sleep apnea, and hypertension. Hypertension. 2003;42:1067-1074.
- Zhou T, et al. Association between obstructive sleep apnea and visceral adiposity index and lipid accumulation product: NHANES 2015-2018. Lipids Health Dis. 2024;23:100. doi:10.1186/s12944-024-02081-5.
- Howarth T, et al. Excessive daytime sleepiness is associated with relative delta frequency power among patients with mild OSA. Front Neurol. 2024;15:1367860. doi:10.3389/fneur.2024.1367860.
- Tang Y, et al. Prevalence of excessive daytime sleepiness (EDS) and its association with quality of life in patients with obstructive sleep apnea (OSA): data from a sleep-center in Shenzhen, a single-center cross-sectional study. J Thorac Dis. 2024;16:8216.