精准优化 “嗅探棒” 测试：破解嗅觉诊断难题

为解决 Sniffin’ Sticks 测试阈值不一致问题，研究人员统计修订该测试，确定新阈值等，助力临床诊断。

　　

嗅觉诊断的迷雾与探索：Sniffin’ Sticks 测试的优化之旅

在日常生活中，嗅觉虽常常被忽视，却与我们的生活质量息息相关。当嗅觉出现问题，如 anosmia（嗅觉丧失）或 hyposmia（嗅觉减退），不仅会影响我们对美食的享受，还可能预示着一些健康隐患。目前，Sniffin’ Sticks 测试是临床评估嗅觉功能的常用工具，它通过嗅觉阈值（T）、气味辨别（D）和气味识别（I）三个子测试的总分（TDI）来进行嗅觉诊断。然而，在实际应用中，TDI 分数的阈值和范围存在差异和不一致，这给准确诊断带来了挑战。为了拨开这些迷雾，来自匈牙利多所机构的研究人员开展了一项深入研究，相关成果发表在《Scientific Reports》上。

Sniffin’ Sticks 测试在临床应用中面临诸多问题。不同研究和临床诊断使用的 TDI 分数阈值各不相同，这使得诊断结果缺乏一致性。例如，对于 anosmia 的诊断，有的研究将 TDI ≤15 作为标准，有的则采用 TDI ≤16.5，还有的取值在这之间，导致一些 TDI 分数无法明确诊断，甚至出现同一分数可对应多种诊断的情况。此外，在测试的文化适应性方面，不同国家的改编版本在正确答案的频率、相邻正确答案对的频率以及正确答案的时间分布上存在不平衡，这可能影响测试结果的准确性。而且，现有的测试无法有效区分 anosmia 和功能性 anosmia，且对于 hyposmia 的亚分类研究较少。

为了解决这些问题，研究人员设定了多个目标。一是确定更准确的 TDI 分数临界值，以区分 anosmia 和 hyposmia；二是探究识别子测试中不同选项数量对 TDI 分数的影响；三是实现正确答案的多种平衡化，包括频率、相邻对频率和时间分布的平衡；四是对国际文化适应性的 Sniffin’ Sticks 识别测试进行统计评估。

在研究方法上，研究人员主要采用了模拟实验。他们在 MATLAB 软件中模拟 Sniffin’ Sticks 测试协议，通过设定不同的样本数量，如 100,000、1,000,000、10,000,000、100,000,000 和 1,000,000,000，来研究随机响应下的 TDI 分布。同时，改变识别子测试中可能的选项数量，从 2 到 10，分析其对 TDI 分数的影响。对于文化适应性测试，通过编写自定义程序进行完全枚举和筛选，以评估各种平衡条件。

研究结果方面：

• 确定 anosmia 阈值：目前常用的 anosmia 诊断分数临界值 16，对应的是模拟 TDI 分数的第 89 百分位数，这意味着误诊率为 11%，高于通常可接受的范围。研究人员建议提高 anosmia 阈值，以降低误诊率。例如，在 90% 置信水平下，anosmia 阈值应为≤16.75 分，hyposmia 阈值为≥17 分。此外，极低的 TDI 分数可能提示欺诈行为，如 TDI 分数低于 5 分的概率在 anosmic 患者中低于 0.5%，遇到这种情况建议进一步测试。
• 选项数量的影响：增加识别子测试中的选项数量可降低随机猜对答案的概率。研究发现，随着选项数量增加，随机选择的受试者得分预期降低，TDI 分数分布向低分移动，所有分位数的值也相应下降，但当选项数量增加到一定程度后，这种影响逐渐减小。
• 平衡化分析：在文化适应性的 Sniffin’ Sticks 气味识别测试中，部分国家的测试在正确答案频率、相邻正确答案对频率和正确答案时间分布上存在不平衡。研究人员确定了同时满足这三个平衡条件的正确答案顺序，找到 4 种本质不同的序列，这些序列可直接应用于实践，无需修改原始协议的其他元素。

研究结论和讨论部分指出，研究人员通过模拟实验，确定了更准确的 TDI 分数阈值，为临床诊断提供了更可靠的依据。提出的平衡化措施有助于消除测试中的不平衡因素，减少患者猜测正确答案的可能性。不过，研究也存在一些局限性，如仅使用模拟数据，缺乏与临床诊断病例分数的直接关联，且无法直接应用于笔数不同的其他测试版本。但总体而言，这项研究为 Sniffin’ Sticks 测试的优化和临床应用提供了重要参考，对提高嗅觉障碍的诊断准确性具有重要意义。它让我们在嗅觉诊断的道路上迈出了坚实的一步，有望为更多嗅觉障碍患者带来更精准的诊断和更好的治疗。