JP7333918B2 - 睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法 - Google Patents

Description

本発明は、睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法に関するものである。

従来、睡眠時無呼吸を診断する簡易的な方法、装置がいくつか知られている（特許文献１、２）。しかし、十分に診断できていない。そのため、現状では、簡易的な診断として、質問形式の診断がされている。エプワース眠気尺度、ＳＴＯＰ－Ｂａｎｇアンケート、Ｅｐｗｏｒｔｈ眠気スケール、ベルリン質問票、およびＳＴＯＰアンケートなど、多くの種類の質問票がある。

特開２０１７－１８３８４号公報 特開２０１３－５３３７５７号公報

しかし、これらの質問票では、質問事項が多く、睡眠時無呼吸を簡単に診断できない。

よって、本願の課題は、睡眠時無呼吸を診断するために、質問数が少ない質問票とそれを使用した予備調査方法を提供することである。

上記課題を解決するために、項目数が６６項目より少ない項目であり、年齢、性別、ＢＭＩ、いびき頻度、いびき音量、いびきの変化、身体的影響、活力、感情の影響、咳による覚醒、胸痛による覚醒、息切れによる覚醒、高血圧、夜間頻尿、を項目に含む睡眠時無呼吸を診断するための質問票を用いる。

また、上記質問票を使用し、事前チェックすることで、医療施設に行く必要がなくなる予備調査方法を用いる。

本発明の睡眠時無呼吸を診断するための質問票とそれを使用した予備調査方法によれば、少ない質問を有する質問票により簡単に睡眠時無呼吸を診断でき、予備的に判断できる。

実施の形態の１８項目のＣＦＡモデルを示す図 実施の形態の診断されていないがＯＳＡ（ＵＯ）である因子と、他の因子との関係を明確に示す図 実施の形態の診断されていないＯＳＡ（ＵＯ）解析の構造モデルを示す図 実施の形態の日と当てはまる項目数との関係を示す図

まず、精度がよい睡眠時無呼吸を診断するための質問票を作成する。質問票には、いくつかの項目がある。項目を抽出する。
＜１：データセット＞
分析用のデータは、Ｓｌｅｅｐ Ｈｅａｒｔ Ｈｅａｌｔｈ Ｓｔｕｄｙ（ＳＨＨＳ）（米国の大規模な観察研究）のデータベースから取得した。
ＰＳＧ（ポリソムノグラフィー（Ｐｏｌｙｓｏｍｎｏｇｒａｐｈｙ）という正確に睡眠時無呼吸を診断する検査装置）の収集に基づく無呼吸－呼吸低下指数（ＡＨＩ）データと自己評価アンケートデータが含まれている。全５４０８人の参加者の中で３９３１人がすべてのデータ収集を完了した。この人々には、ＯＳＡ（睡眠時無呼吸）の診断歴はない。表１は、３９３１人の対象者の情報を示している。

ＡＨＩ（１分間あたりの無呼吸回数）≧５は、睡眠時無呼吸の指標（睡眠時無呼吸と判断する基準）である。今回の実施の形態では、合計７０％の被験者のＡＨＩが５以上であった（３９３１人の対象者、１８６３人の男性、２０６８女性、平均年齢６３．７±１１．３歳）。つまり、７０％の人が、睡眠時無呼吸症者と想定される人であった。

さらに、人体測定（６項目）、健康面接（１１項目）、睡眠の習慣と質（４１項目）、ＳＦ＿３６アンケート（８計算項目）など、６６の項目が自己評価アンケートとして実施された。
ここで、ＳＦ＿３６アンケートは、健康関連ＱＯＬ（ＨＲＱＯＬ： Ｈｅａｌｔｈ Ｒｅｌａｔｅｄ Ｑｕａｌｉｔｙ ｏｆ Ｌｉｆｅ））を測定するための、科学的で信頼性・妥当性を持つ尺度である。６６の項目が自己評価アンケートとして実施された。ＳＦ＿３６アンケートは、米国で作成され、概念構築の段階から計量心理学的な評価に至るまで十分な検討を経て、現在、１７０カ国語以上に翻訳されて国際的に広く使用されている。

さらに、ＡＨＩ≧５であるか否かを、ＥＦＡ（以下で説明）手順への６７番目の入力項目とした。この目的は、ＯＳＡと判断されるべき人々を自己評価アンケートへの回答から特定するためである。そのため、６７番目の入力項目としての「ＡＨＩ≧５であるか否か）」は、ＳＨＨＳ調査研究においてＯＳＡ（睡眠時無呼吸症候群）と判断される場合を意味する。ＯＳＡであるかどうかの予測モデルの作成時に、この項目は必要であるが、運用時（作成したモデルを適用して自己評価アンケートへの回答からＯＳＡかどうかを推定する際）には不要である。

＜２：探索的因子分析（ＥＦＡ）＞
ＥＦＡの前に、項目分析の結果が悪い６つの項目が、元のデータセットから削除された。その後、最後に、６１項目がＥＦＡに入力された。
ここで、項目分析（Ｉｔｅｍ Ａｎａｌｙｓｉｓ）と呼ばれる手法がある。この手法を用いると、因子分析にかける項目の数を絞ることができる。具体的には、各項目について、その項目を除くすべての項目の尺度得点の総和との相関が計算し、その相関係数の絶対値が小さい項目を分析対象から除外する。
「項目分析の結果」とはこのような相関係数計算の結果とそれに基づく項目の選別を意味する。項目分析により処理する項目数を限定できるため、この探索的因子分析（ＥＦＡ）が効率化される。

探索的因子分析（ｅｘｐｌｏｒａｔｏｒｙ ｆａｃｔｏｒ ａｎａｌｙｓｉｓ： ＥＦＡ）は、因子と観測変数の間の関係に付いて、先行する仮説や制約を分析時には考えずに、あくまで観測によって自分が得られた観測変数（データ）のみから相関係数を計算し、観測変数間に相関関係をもたらす因子は何かを推定する手法のことである。しかし、全く仮説をおかずに実験や観測を行う訳ではない。観測変数の間にどのような関係性があるか想定して関連がありそうな観測変数をそろえなければ因子を推定できなくなってしまうからである。「どんな関係性があるかは分からないが、何かしら関係はしていそう」な観測変数を選ぶということである。この探索的因子分析では、とりあえず分析内の全ての環境変数と因子が関連するというモデルを想定して分析する。そして得られた推定値を考えて、本当に関連している因子は何かを解釈する。
ＥＦＡで、６１項目を使用して、６因子（症状）に属する１８項目（質問事項）を抽出した。表２にＥＦＡの結果を示す。
表２の略語の意味は次のとおりである。1行目（６症状）において、Ｓｎ：いびき、ＳＣ：睡眠障害、Ｈｅ：健康、ＨＢＮ：夜の息苦しさ、ＵＤ：基礎疾患、ＵＯ：診断されていないがＯＳＡ、1列目（項目）において、Ｇｅ：性別、ＨｏＳ：頻度いびき、ＨＬＤ：いびきの音量、ＣＳ：いびきの変化、ＴＦＡ：不安により睡眠するか、ＷＮ：夜に目覚める、ＷＥ：早起きする、ＲＰ：身体的影響、ＶＴ：活力、ＲＥ：感情の影響、ＷＣ：咳による覚醒、ＣＰ：胸痛による覚醒、ＳｏＢ：息切れによる覚醒、Ｈｙ：高血圧、Ｎｕ：夜間頻尿、ＡＨＩ：ＡＨＩに関する項目（上記で説明した６７番目の入力項目）である。
１８項目での合計の分散は、６２．３３％で、Ｋａｉｓｅｒ－Ｍｅｙｅｒ－Ｏｌｋｉｎ（ＫＭＯ）検定値では０．７２である。

表２は、ＥＦＡが１８の項目を６つの因子に分類し、すべての変数の依存性が、ある１つの因子のみに対して、０．３より高いこと示している。
６つの因子－１８項目の結果により、次のセクションで示す検証的因子分析モデルが構築される。

＜３検証的因子分析（ＣＦＡ）＞
検証的因子分析（ｃｏｎｆｉｒｍａｔｏｒｙ ｆａｃｔｏｒ ａｎａｌｙｓｉｓ： ＣＦＡ）とは、確率的因子分析とも呼ばれる。先行する理論を元に、因子の数や意味、因子と環境変数の関係をあらかじめ、規定しておいた仮説を作っておき、その仮説が本当に正しいか検証する為に、得られた観測変数を分析する手法のこと。「観測変数間の相関関係は仮定した因子構造と一致するか否か」という問いに答える為に分析を行い、データと仮説の当てはまり具合を検証する。探索的因子分析とは異なり、想定される因子は全ての観測変数に関連するとは見なさずに因子と関連が強い観測変数にのみ焦点を当てている。
ＥＦＡの結果を考慮して、因子間の関係の仮説に従って、６つの因子間の合理的な論理パスを描画した。
診断されていないがＯＳＡ（ＵＯ）に対する他の因子の影響を分析するために、ＡＨＩに関する項目（ＡＨＩ）を、結果変数とした。ＥＦＡにせよＣＦＡにせよ、因子分析では観測変数と潜在変数（共通因子）の関係がデータから統計的に推定される。ここでの結果変数は、前者の観測変数に対応する。観測変数はアンケートなり実験計測なりで値が測定されている項目である。一方、潜在変数とは、測定されていない架空の因子である。ＡＨＩに関する項目を観測変数の一つにしたというのが、意味するところである。この場合、ＡＨＩは、実際の質問事項ではない。
一方、いびきＳｎと基礎疾患ＵＤは、診断されていないがＯＳＡ（ＵＯ）あるかどうかに、強い直接的な影響を及ぼす。したがって、仮説では、他の３つの因子がいびきＳｎと基礎疾患ＵＤを介して、診断されていないがＯＳＡ（ＵＯ）であるかに影響することも考慮している。図１は、１８項目のＣＦＡモデルを示している。

この実施の形態では、最尤推定を使用して、対応する因子に対するマニフェスト変数の因子依存性と２つの因子間の回帰係数とを推定している。図１に示すように、基礎疾患ＵＤに対する夜間頻尿Ｎｕの因子依存性は０．３より低く、これは好ましくない。
表３および表４は、モデルから夜間多尿Ｎｕを削除した後の、最終的な因子依存性量とモデルのフィッティング結果を示している。

表３では、対応する因子に属する１７項目の因子依存性はすべて０．３を超えている。さらに、適合度指数（ＧＦＩ）、調整済み適合度指数（ＡＧＦＩ）、比較適合度指数（ＣＦＩ）、近似の二乗平均平方根誤差（ＲＭＳＥＡ）などのいくつかの指数を使用して、モデルの適合度をテストした。次のＳＥＭ分析では、可能な限り多くのデータ母集団が推奨される。
一般的に使用されるモデル評価指標であるカイ２乗は、この状況では有効性を失う。この実施の形態には、３９３１人の被験者のデータがあるため、ここではカイ二乗は評価指標ではない。

優れたフィッティングモデルには、ＧＦＩ＞０．９、ＡＧＦＩ＞０．９、ＣＦＩ＞０．９、およびＲＥＳＥＡ＜０．０８が必要である。表４に示すように、提案されたＣＦＡモデルは許容可能なフィッティング結果を持っている。つまり、仮説は妥当である。
図２は、最終的なＣＦＡモデルを示している。図１と比較すると、夜間頻尿Ｎｕを削除しても、回帰係数の大きさが小さいため、因子間の因子依存性の変化はほとんどない。
因子の依存性が低すぎると、モデルのフィッティングに役立たなくなる。たとえば、いびきＳｎと睡眠障害ＳＣの間の依存性は－０．０２である。その結果、次のセクションで説明するように、モデルを完全な状態に保ち、適切な結果を得るという前提の下で、因子間のパスの一部が削除され、ＳＥＭ分析のモデルになる。

＜４：構造方程式モデリング（ＳＥＭ）＞
ＳＥＭとは「構造方程式モデリング」または「共分散構造分析」と呼ばれ、重回帰分析や因子分析、パス解析などの機能を併せ持つ統合手法として、従来の多変量解析を超えた一歩進んだ解析手法である。現在マーケティングや社会調査、心理学などの分野でよく利用されている。技術開発や製造工程のデータ分析、新商品開発における「意識調査分析」「品質改善活動」など、ものづくりや理工学系の研究や教育においても有効な手法である。構造方程式モデリングでは、パス図を用いて変数間の因果関係を表す。矢線で表したパス図により、難しい統計モデルの構造をビジュアルでわかりやすく表現することができる。潜在変数と観測変数との間の因果関係を同定することにより社会現象や自然現象を理解するための統計的アプローチである。今回、この方法を用いた。
図３は、診断されていないＯＳＡ（ＵＯ）解析の構造モデルを示す。Ｓｎｏｒｅは、いびきＳｎ、Ｕｎｄｅｒｌｙｉｎｇ Ｄｉｓｅａｓｅは、基礎疾患ＵＤ、Ｕｎｄｉａｇｎｏｓｅｄ ＯＳＡは、ＵＯ、診断されていないがＯＳＡは、ＵＯ、Ｈｅａｌｔｈは、健康Ｈｅ、Ｈａｒｄ Ｂｒｅａｔｈ ａｔ Ｎｉｇｈｔは、夜の息苦しさＨＢＮ、Ｓｌｅｅｐ Ｃｏｍｐｌａｉｎは、睡眠障害ＳＣである。
構造モデルで、適合度も取得した。表５に示す。

図３は、診断されていないがＯＳＡ（ＵＯ）である因子と、他の因子との関係を明確に示している。
基礎疾患ＵＤといびきＳｎは、それぞれ０．４５と０．４の因子依存性で、診断されていないがＯＳＡ（ＵＯ）である因子に直接作用する。

夜間の息苦しさＨＢＮと健康ＨＴとは、潜在疾患ＵＤを介して、診断されていないがＯＳＡ（ＵＯ）である因子に間接的に作用する。さらに、他のすべての因子との関係が弱いため、睡眠障害ＳＣには、未診断であるがＯＳＡ（ＵＯ）である因子を予測する十分な能力がない。
ＯＳＡ（ＵＯ）と他の因子との関係を確認した後、予測モデルを訓練するために、対応する因子に属するマニフェスト変数（潜在変数）を収集する。ＳＥＭによって抽出された項目を表６に示す。表６でモデルの予測に使用される項目を示す。
なお、１列の項目は、年齢、Ｇｅ：性別、ＢＭＩ、ＨｏＳ：頻度いびき、ＨＬＤ：いびきの音量、ＣＳ：いびきの変化、ＷＣ：咳による覚醒、ＣＰ：胸痛による覚醒、ＳｏＢ：息切れによる覚醒、Ｈｙ：高血圧、ＲＰ：身体的影響、ＲＥ：感情の影響、ＶＴ：活力、ＡＨＩ≧５（ＵＯ）である。
表６の項目は、ＯＳＡ予測モデルを訓練するための提案手法の推奨特性である。次のセクションでは、提案された方法（表２の１８項目、表６の１４項目）を、最初に収集された６７項目（全項目）と比較する。さらに、ＥＦＡ結果からの１８項目とも比較する。なお、各項目で具体的な内容でない項目には、基準を設け、当てはまるかどうか判断される。

２種類の実験がされた。
１つは、提案された方法によって抽出された上記項目がＯＳＡを予測するのに十分な能力を持っているかどうかをテストするためのものである。
もう１つは、コンピュータから出力される計算時間を使用して、データ次数削減による効率を評価することである。同じコンピュータ上でＭａｔｌａｂにより、すべての計算処理を実行する。予測モデルの育成に使用されるデータセットは、一貫性を保つためにＳＥＭ分析と同じである。すべてのモデルで、学習ターゲットは、ＡＨＩ≧５が陽性としてラベル付けされた診断されていないＯＳＡ（ＵＯ）である。
作成するＯＳＡ予測モデル（質問票）は、アンケート項目への回答を入力データとして、ＯＳＡであるか、または、ＯＳＡでないか、を出力する。このモデルの内部パラメータを機械学習アルゴリズムにより推定するには、正解の出力が明らかなデータが必要である。そのため、ＡＨＩ≧５の場合に、ＯＳＡである、ＡＨＩ＜５の場合に、ＯＳＡでない、というラベルを正解出力として付したデータセットが学習ターゲットとして、使用される。

＜５：機械学習の結果＞
アンサンブルディシジョンツリー（ＥＤＴ）、サポートベクターマシン（ＳＶＭ）、２次判別分析（ＱＤＡ）、およびディシジョンツリー（ＤＴ）の４つの機械学習手法を利用した。４つの方法はすべて、２項分類の強みがある。
特に、アンサンブルディシジョンツリーの場合、すべてのテストの入力として、３００計算サイクルのバギングメソッドが使用された。他の３つの方法では、コンピュータによって初期パラメータが設定された。

さらに、すべての出力は５分割交差検証の予測結果である。５つのサブセットは、コンピュータによってランダムに分類された。ここで交差検証（ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ）とは、機械学習においてモデル作成法の妥当性を検証するための手法の一つである。機械学習では、モデルのパラメータを推定（学習）するための訓練データ（ｔｒａｉｎｉｎｇ ｄａｔａ）と、学習が済んだモデルを評価するためのテストデータ（ｔｅｓｔ ｄａｔａ）にデータセットを分割する必要がある。この分割の仕方にモデルの性能が影響を受けるため、分割の仕方を変えたデータセットを何個も用意して、平均的に性能のよいモデル作成法を見極める。さらに、複雑なモデルになればなるほどたくさんのパラメータを推定する必要がある。そのために大量の訓練データを必要とする。限られたデータのできるだけ多くを訓練データに使用したいが、そうすると検証に用いるデータが少なくなってしまい、妥当性を適切に評価できない。

そこで、データセットをｎ個のブロック（サブセット）に分割し、それらの内の１つを検証データにし、残りのｎ－１個を訓練データにするデータ割り当てをｎ通り用意して、ｎ回実施した「モデルの学習＆検証」の結果の平均（および分散）を使ってモデル作成法を評価する。これがｎ分割交差検証と呼ばれる手法である。ｎ個のサブセットへのデータセットの分割は通常乱数を使って自動処理される。
＜精度＞
まず、表７、表８、表９にパフォーマンスの比較を示す。表８および表９のインデックスは、表７の値である（表７の値との差を示す）。
表７～９は、それぞれ、は、６７項目、１８項目、１４項目を使用した４つの方法のパフォーマンスを示す。
アンサンブルディシジョンツリー方式を除いて、他の３つの方式の精度と平均Ｆ＿１スコアとは、６７項目（表７）をすべての入力データセットと比較して、さらに増加した。
ＥＦＡとＳＥＭの後続の手順が、予測対象、診断されていないＯＳＡに関連する、どんな抽出された変数と因子を目的としても、結果としては、抽出後の特性は、放棄された変数と比較してより強力な予測能力を持っている。

予測した結果が示しているのは、次元の中で除去された部分がＯＳＡの予測に対してより悪い影響をもたらすものでさえあったということである。
アンサンブルツリーの精度の低下はわずか０．３％で、非常に低い。また、アンサンブルディシジョンツリーの機能の１つは、データディメンションが高いほど、予測精度も高くなることである。したがって、ここでの精度のわずかな低下はほとんど無視できる。
さらに、表９と表８のパフォーマンスインデックスを比較すると、インデックスは基本的に変更されていない。

構造モデルは、４つの項目をさらに減らすのに役立つが、モデル予測の精度にはほとんど影響しない。データの潜在的な構造を分析するために構造モデルを利用すると、ＥＦＡと比較してデータディメンションをさらに簡略化できることがわかる。
＜計算時間＞
また、計算時間の比較を表１０に示す。１８項目と１４項目のデータは、６７項目の値である（±６７項目との差）。
表１０に示すように、４つの方法の中で、１４項目の計算時間が最短である。データ次元の削減により、計算効率が向上する。本論文では高度な機械学習手法を選択していないため、計算時間は比較的短い。
ただし、より多くのデータ対象がある場合、またはより高度な機械学習手法を使用している場合、計算時間は重要な評価指標である。すべての研究において、計算速度は速い方が望ましい。

＜議論＞
提示された論文は、機械学習法を実施する前にデータ数（問い数）を削減するための構造方程式モデリングの新しいアプリケーションを示している。
ＥＦＡやＰＣＡなどのアクセス可能なコンポーネント抽出方法と比較して、構造モデルは、観測された変数の背後に隠された潜在的な関係を分析する。さらに、研究対象との弱い関係に属する変数をさらに削除できる。

予測モデルを作成するとき、社会、医療、経済などの研究のように、研究対象と観測された変数との関係を見つけるのが難しい場合がある。
潜在因子は、密接な関係を持つ観測変数の抽象的な概念を抽出する。構造モデルは、潜在因子間のこれらの関係を分析するのに適している。
したがって、入力データに対して実行される前処理手段としてＳＥＭ分析を機械学習フィールドに導入することは、次の２つの側面に特化している。

一方の側面では、単純化された入力データ構造は、提示された作業が示すように、精度に影響を与えることなく計算効率を向上させる。
他方の側面では、入力データが保持する特性間の関係を明確にすることで、機械学習法のショートカットがサポートされ、意思決定ルールの作成やモデル構造の学習が可能になる。
＜結論＞
この実施の形態では、予測モデルを作成する前にデータディメンションを簡略化するために、構造方程式モデリングを機械学習フィールドに導入した。ＳＥＭは、社会調査のトピックでデータ分析に一般的に使用される方法である。このアプローチは、ＳＥＭのアプリケーション範囲を拡大し、機械学習の問題における次元の単純化に対して、データの新しい方法を提供した
実験結果は、簡略化が有効であり、構造モデル分析が従来のデータ抽出手段であるＥＦＡより優れていることを示した。
なお、１８項目と１４項目のデータは、比較のためのＡＨＩ（≧５）を含んでいる。そのため、実際に使用する場合、質問票は、１７項目と１３項目のデータである。

＜応用＞
睡眠時無呼吸症であるかどうかを、上記因子を含む質問票を用いて、チェックすることで、病院などの施設に行かなくともよい。
たとえば、会社や各種団体、個人家庭で、上記質問票を用いて、睡眠時無呼吸症であるかどうかを、正確に判断できる。判断の結果、必要に応じて、病院など医療機関に行く。
なお、この応用は、医療行為でなく、医療行為の前段階の健康チェックである。
また、この質問票にスマートホン、情報機器などで回答し、睡眠時無呼吸症を判断できる。また、定期的に質問票に回答することで、睡眠時無呼吸症へ進んでいるか、進んでいないかを判断できる。進んでいる場合は、対策を講じることができる。図４は、日と質問で当てはまる項目数との関係を示す。要注意ラインを超えると、医療施設に相談するとか、対策を積極的するなどをする。当然、要注意ラインに近づかないように対策をすべきである。
毎年の健康診断時に、質問票を使用してもよい。長期間の傾向を確認し必要に応じて対策ができる。睡眠時無呼吸にならないようにできる。各自家庭で、定期的に実施してもよい。
さらに、診断の結果とともに、図３のような、各症状間の関係性を提供してもよい。各症状間の関係とは、各症状間の依存性である。または、図１，２のように、症状と質問との依存性を提供してもよい。提供された人は、対策を検討することがしやすい。
また、問題の質問ごとに、その対策案を提案するようにしてもよい。質問ごとに複数の対策案をデータとしてもち、その質問が問題（当てはまる）である場合に、その対策を提案する。なお、質問ごとの寄与度から、寄与度が高い他の質問の対策も提案してもよい。

本発明の質問票とそれを使用した予備調査方法は、会社や各種団体、個人家庭で、睡眠時無呼吸症であるかどうか判断するために利用できる。

Ｓｎ いびき
ＳＣ 睡眠障害
Ｈｅ 健康
ＨＢＮ 夜の息苦しさ
ＵＤ 基礎疾患
ＵＯ 診断されていないがＯＳＡ
Ｇｅ 性別
ＨｏＳ 頻度いびき
ＨＬＤ いびきの音量
ＣＳ いびきの変化
ＴＦＡ 不安により睡眠するか
ＷＮ 夜に目覚める
ＷＥ 早起きする
ＲＰ 身体的影響
ＶＴ 活力
ＲＥ 感情の影響
ＷＣ 咳による覚醒
ＣＰ 胸痛による覚醒
ＳｏＢ 息切れによる覚醒
Ｈｙ 高血圧
Ｎｕ 夜間頻尿

Claims (2)

1. 年齢、性別、ＢＭＩ、いびき頻度、いびき音量、いびきの変化、ＳＦ＿３６のrole-physical、ＳＦ＿３６の活力、ＳＦ＿３６のrole-emotion、咳による覚醒、胸痛による覚醒、息切れによる覚醒、高血圧、夜間頻尿、不安による睡眠の影響、夜に目覚めること、早起きを含む１７項目のみの質問票を使用し、睡眠時無呼吸を事前チェックすることで、医療施設に行く必要がなくなる睡眠時無呼吸の予備調査方法。
2. 年齢、性別、ＢＭＩ、いびき頻度、いびき音量、いびきの変化、ＳＦ＿３６のrole-physical、ＳＦ＿３６の活力、ＳＦ＿３６のrole-emotion、咳による覚醒、胸痛による覚醒、息切れによる覚醒、高血圧、夜間頻尿の１４項目のみの質問票を使用し、睡眠時無呼吸を事前チェックすることで、医療施設に行く必要がなくなる睡眠時無呼吸の予備調査方法。