入院时通过生物电阻抗分析测得的相位角截断值作为急性心力衰竭患者预后因素的研究

本研究通过确定相位角在急性心力衰竭中的最佳截断值，并结合限制性样条进行多变量模型配置以评估其预后价值。该领域的最新进展包括采用生物电阻抗向量分析（BIVA）精确评估水合状态和细胞膜完整性，同时结合由电阻抗衍生的生物标志物构建多变量生存模型，以提高对高危患者的早期识别能力。

目前面临的挑战包括在住院期间确保生物电阻抗矢量分析（BIVA）测量的准确性和可靠性，控制不同患者群体中的混杂因素，以及为预后模型中的准确估计获得足够的样本量。我们致力于弥补现有研究中相位角作为预后指标缺乏精确截断值的空白，并解决需要可靠且准确的统计方法以实现对死亡率和再住院率进行精确预测的问题。本方案采用一种无创、快速、可在床旁实施的方法，结合Cox回归分析识别危险因素，并图形化展示经调整的风险阈值，以实现对急性心力衰竭患者风险的精准预测。

[讲师] 在计算机上安装 R 和 R Studio 后，打开 R Studio。单击文件选项卡，进入新建文件，选择 R 脚本，以在控制台选项卡上方的左上角显示脚本文件。在新的脚本文件中，安装所需的 survival、MASS 和 pspline 包。通过键入并执行 survival、MASS 和 pspline 的 library 函数来加载这些包。通过在命令中指定数据文件的名称和路径，将数据集导入并赋值给名为 dataset 的对象。

使用Breslow方法确定校正了糖尿病、收缩压、血清钠和相位角的Cox比例风险回归模型，并计算模型系数的95%置信区间。然后，计算赤池信息准则（AIC）、贝叶斯信息准则（BIC）以及C统计量及其95%置信区间。在图形表示方面，使用surv函数以生存天数和结局作为输入创建生存对象。利用该生存对象拟合Cox比例风险回归模型，并对糖尿病、收缩压、血清钠以及具有两个自由度的相位角惩罚样条进行校正。随后，利用该模型预测拟合样条的值及其标准误。最后，使用预测值在图上绘制拟合模型，以可视化相位角的校正风险比。在拟合曲线的上方和下方添加相应的线条，表示预测区间的上限和下限。确定校正风险比超过1的截断点，表明较低的相位角值与住院期间死亡以及90天内再入院或死亡的风险增加相关。该表格总结了使用多变量Cox回归模型评估各种临床和生物阻抗参数的预后价值，结局包括住院期间死亡以及90天内再入院或死亡。在模型一（不良事件）中，较低的相位角独立地与风险增加相关。在包含不同变量的模型二中，较低的相位角仍然是不良结局的显著预测因子。模型一的C统计量表明其对不良事件具有中等预测能力。在住院死亡模型中，较低的相位角是死亡的极显著预测因子。较低的收缩压也与住院死亡显著相关。住院死亡模型在所有模型中具有最高的区分能力。