入院时生物电阻抗分析相位角的临界值作为急性心力衰竭患者预后因素

摘要

该协议提供了用于执行受限三次样条多变量 Cox 回归分析以确定急性心力衰竭预后的相位角截止值的 R 代码，以及用于计算测量每个模型的判别能力并评估其拟合优度的统计数据的代码。

摘要

急性心力衰竭是 65 >患者最常见的入院原因，其中充血是主要症状。众所周知，充血是再入院的主要原因，并且它与不良结果有关。本研究旨在使用生物电阻抗分析确定入院后前 24 h 相位角的临界值，以预测急性心力衰竭患者出院后 90 天的院内死亡率和全因死亡率或再住院。

为该方案分析的数据集包括 219 名因急性心力衰竭到急诊科就诊的患者，其中 115 名在住院期间、出院后 90 天死亡或在同一时期再次入院。通过使用 Cox 比例风险回归分析的单变量分析，确定了潜在的预测因子，并使用多变量 Cox 比例风险模型来确定与患者生存相关的重要预后因素并控制混杂变量。使用受限三次样条对不同预测因子调整的相位角分析显示，较低的值与 90 天再入院或出院后死亡的风险直接相关，尤其是当 PhA 的临界值为 <4.0° 时。所有开发的模型均显示出中等的判别能力 （C 统计量< 0.80）;然而，院内死亡率模型显示出最高的鉴别能力 （C 统计量，0.75）。

引言

急性心力衰竭 （AHF） 是 65 >患者最常见的住院原因，充血是大多数病例的主要症状，也是住院的主要原因¹。心力衰竭 （HF） 可通过不同的机制导致营养不良，包括肠道水肿引起的吸收不良、持续神经激素激活引起的高分解代谢和持续炎症 ^2,3。因此，充血和营养不良直接影响身体成分。

生物电阻抗分析 （BIA） 是一种快速、无创且安全的方法，通过引入恒定的低水平交流电来测量人体细胞和组织产生的阻抗 （Z） 或电阻/反对，从而提供即时的床边和可靠的测量来估计身体成分。BIA 涉及两个参数：电阻 （R） 和电抗 （Xc）⁴。

此外，它还测量穿透细胞膜和组织界面所需的电流和电压之间的延迟，称为相位角 （PhA），这被认为是细胞健康、细胞膜完整性和活力的指标，这些指标受液体分布、炎症和营养不良的影响由于组织电阻率和电特性。较低的 PhA 值表示细胞凋亡和细胞基质成分减少，而较高的值反映更大的细胞结构和更好的细胞功能⁵。不同的研究一致证明 PhA 在多种结局中的预后作用，例如死亡率、再住院、住院时间和不同临床环境中营养状况不佳的风险，包括 HF 患者 ^6,7。

本研究旨在描述使用惩罚样条进行多变量 Cox 回归分析的步骤，以确定 BIA 在入院后前 24 小时内 PhA 的截断值，以预测 AHF 患者出院后 90 天后的院内死亡率和全因死亡率或再住院。

方案

本研究包括四个步骤。本研究中使用的数据包括根据欧洲心脏病学会 （ESC） 指南⁸ 的既往超声心动图证实的 AHF 成年患者 （≥18 岁），并且根据临床医生的判断，预期住院。这项研究得到了萨尔瓦多·祖比兰国家科学和营养研究所伦理与人类生物医学研究委员会的批准，并根据赫尔辛基宣言的原则进行。如果患者或其近亲无法提供同意，则获得患者的书面知情同意。

1. 数据采集和一般信息

注意：BIA 测量需要特定的患者准备，如单独的方案⁹ 中所述。BIA 设备完成测量后，设备屏幕将显示以下数据：不同频率（5、50、100 和 200 kHz）的阻抗值 （Z），以及 50 kHz 时的电阻和电抗值。

1. BIA 测量后，打开软件，根据患者的身高调整电阻 （R） 和电抗 （Xc） 并计算相位角 （PhA） 值。
   注意：使用 BIVA 的 BIA 参数分析应在患者入院后 24 小时内进行。
2. 将结果输入数据集并将其另存为 .csv 文件，以便在 RStudio 中进行分析。
   注意：患者的数据在 补充表 S1 中显示为参考。

2. 安装、加载包和数据准备

注意：所有程序均使用 R 软件使用 survival、 MASS 和 pspline 软件包执行。

1. 下载 R 和 RStudio。
   1. 安装 R 软件（版本可能会随时间变化）和 RStudio 并打开它。单击 File 选项卡 |新建文件 选项 |选择 R 脚本。RStudio 将在左上角显示脚本文件，位于 Console （控制台） 选项卡上方。
   2. 通过在脚本文件中执行以下命令来安装软件包：
      install.packages（“生存”）
      install.packages（“MASS”）
      install.packages（“pspline”）
   3. 通过运行以下命令加载软件包
      图书馆（生存）
      图书馆（MASS）
      库 （PSPLin）
   4. 通过执行以下命令导入数据集。#Dataset 将是数据的名称。此处的文件 Acute heart failure data 就是示例。
      数据集 <-read.csv（“.../Acute heart failure data.csv”）

3. 模型构建

1. 确定针对潜在混杂变量进行调整的 Cox 比例风险回归模型，并通过以下命令计算 95% 置信区间 （95% CI）。
   Model_1 <- coxph （Surv （Survival_days， Outcome） ~ 因子 （Diabetes_mellitus） + Systolic_blood_pressure + Serum_sodium + Phase_angle， method=“breslow”）
   exp（confint（Model_1））
2. 通过运行以下命令计算 Akaike 信息准则 （AIC）、贝叶斯信息准则 （BIC）、C 统计量和 95% CI。
   #Akaike 信息标准
   AIC（Model_1）
   #Bayesian 信息标准
   BIC（Model_1）
   C 统计量
   摘要（Model_1）$concordance[1]
   C 统计量的 #Lower 区间
   摘要（Model_1）$concordance[1]-（1.96*摘要（Model_1）$concordance[2]）
   C 统计量的 #Upper 区间
   摘要（Model_1）$concordance[1]+（1.96*摘要（Model_1）$concordance[2]）

4. 图形表示

1. 使用 Surv（） 函数创建 survival 对象。
   surv_1 <- Surv（Survival_days，结果）
2. 拟合在步骤 3.1 上开发的 Cox 比例风险回归模型。，然后通过执行以下命令来预测拟合样条的值。
   fit_model_1 <- coxph（surv_1 ~ pspline（Phase_angle， df=2）+因子（Diabetes_mellitus）+ Systolic_blood_pressure + Serum_sodium）
   predicted_1 <- predict（fit_model_1， type=“terms”， se.fit=TRUE ，terms=1）
3. 通过执行以下命令，在图形上绘制拟合模型和相应的线条。确定 HR 校正 （样条回归）大于 1 的截止点，这表明较低的 PhA 值预示着住院死亡率和 90 天再入院或死亡的风险增加。
   plot（Phase_angle， exp（predicted_1$fit）， type=“n”， xlab=“相位角”， ylab=“调整心率（95% IC）”， xlim=c（1.2,12）， ylim= c（0,2.5）， main=“所有临床结果”）
   lines（sm.spline（Phase_angle ， exp（predicted_1$fit）） ， col = “#b23500” ， lty = 1， lwd=2 ）
   lines（sm.spline（Phase_angle ， exp（predicted_1$fit + 1.96 * predicted_1$se）） ， col = “#b23500” ， lty = 2，lwd=1.2）
   lines（sm.spline（Phase_angle ， exp（predicted_1$fit - 1.96 * predicted_1$se）） ， col = “#b23500” ， lty = 2， lwd = 1.2）
   abline（h=1.0，col=“#050505”， lty= 2， lwd= 0.00001 ）
   文本（4.27,1.12， “4.0°”）
   abline（v=4.0，col=“黑色”， lty= 2， lwd= 0.00001）

结果

这项研究包括 219 名急性心力衰竭 （AHF） 患者，包括 新发 心力衰竭和急性失代偿性心力衰竭。患者的中位年龄为 71 岁 （p25th 60 - p75th 81） 岁，其中 63% 为女性。糖尿病和高血压是最常见的合并症 （分别为 41.6% 和 69.9%） 患者。在中位随访 79 天期间，发生了 115 例事件 （52.5%），其中 32.2% 在医院死亡，67.8% 再次入院或在出院后 90 天内死亡。

入院时的患者特征见 表 1。关于 BIA 参数的比较，在观察到事件的患者中，PhA 、血红蛋白和血清钠的值显着降低。相比之下，在观察到非事件的患者中，全身水分 （TBW） 、细胞外水分 （ECW） 和脑利钠肽 （BNP） 水平显着降低。此外，与幸存者相比，在医院死亡的患者收缩压 （SBP） 、舒张压 （DBP）、PhA 和 BNP 水平显著降低

表 1

讨论

本研究表明，入院后前 24 小时内 PhA 值较低的 AHF 患者预后不良风险较高，例如出院后 90 天内死亡或再住院，当 PhA 值低于 4.0°C 时，预后不良风险增加，与血清钠、 SBP、糖尿病的存在无关， 或性。同样，在调整性别、 SBP、血清钾水平和 HF 类型后，较低的 PhA 值可预测院内死亡率。目前，有证据表明低 PhA 值与不同疾病的不良结果之间存在关联⁷。此外，一些研究已经确定了从 4.2° 到 5.0°10,11,12 的不同临界值，以检测慢性 HF 和 AHF 中预后不良的高危患者。

根据以往的研究，院内死亡率大多在 4% 到 8% 之间;然而，在这项研究中，它更高 （16.83%）13,14,15。^<...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
BIVA公差R-Xc软件			与BIA设备联动
计算机系统	Microsoft	Windows 10	Windows 10 或更高版本
Quadscan 4000  设备	BodyStat	BS-4000	阻抗测量范围：20 - 1300 Ω欧姆 测试电流：620 μA 频率：5、50、100、200 kHz 精度：阻抗 5 kHz：+/- 2 Ω  阻抗 50 kHz：+/- 2 Ω  阻抗 100 kHz：+/- 3 Ω  阻抗 200 kHz：+/- 3 Ω  电阻 50 kHz：+/- 2 Ω  电抗 50 kHz：+/- 1 Ω  相位角 50 kHz：+/- 0.2° 校准：不时提供电阻器用于独立验证。阻抗值应在 496 和 503 Ω 之间。
R软件	无	不适用	版本 3.6.2 或更高版本
RStudio	无	不适用	版本 2022.07.2+576