Cutoff-Wert des Phasenwinkels durch bioelektrische Impedanzanalyse bei der Aufnahme als prognostischer Faktor bei Patienten mit akuter Herzinsuffizienz

Summary

Dieses Protokoll enthält R-Codes für die Durchführung einer eingeschränkten kubischen Spline-Multivariablen-Cox-Regressionsanalyse zur Bestimmung des Cutoff-Werts des Phasenwinkels für die Prognose bei akuter Herzinsuffizienz sowie Codes für die Berechnung von Statistiken, die die Unterscheidungsfähigkeit jedes Modells messen und seine Anpassungsgüte bewerten.

Abstract

Akute Herzinsuffizienz ist die häufigste Ursache für eine Krankenhauseinweisung bei Patienten im Alter von > 65 Jahren, wobei Stauungen das vorherrschende Symptom sind. Es ist allgemein bekannt, dass Überlastung die Hauptursache für die Wiedereinweisung ist und dass sie mit schlechten Ergebnissen verbunden ist. Ziel dieser Studie war es, den Cutoff-Wert des Phasenwinkels mittels bioelektrischer Impedanzanalyse in den ersten 24 h nach der Aufnahme zur Vorhersage der Krankenhausmortalität und der Gesamtmortalität bzw. Rehospitalisierung 90 Tage nach der Entlassung bei Patienten mit akuter Herzinsuffizienz zu bestimmen.

Der für dieses Protokoll analysierte Datensatz umfasste 219 Patienten, die sich mit akuter Herzinsuffizienz in der Notaufnahme vorstellten, von denen 115 während des Krankenhausaufenthalts, 90 Tage nach der Entlassung starben oder im gleichen Zeitraum wieder aufgenommen wurden. Durch eine univariable Analyse unter Verwendung der Cox-Proportional-Hazard-Regressionsanalyse wurden potenzielle Prädiktoren identifiziert, und ein multivariables Cox-Proportional-Hazard-Modell wurde verwendet, um die signifikanten prognostischen Faktoren zu identifizieren, die mit dem Überleben der Patienten verbunden sind, und um Störvariablen zu kontrollieren. Die Analyse des Phasenwinkels, der durch verschiedene Prädiktoren mit eingeschränkten kubischen Splines angepasst wurde, zeigte, dass niedrigere Werte direkt mit dem Risiko einer 90-tägigen Wiederaufnahme oder eines Todes nach der Entlassung verbunden waren, insbesondere wenn der Cutoff-Wert von PhA <4,0° betrug. Alle entwickelten Modelle zeigten eine moderate Unterscheidungsfähigkeit (C-Statistik < 0,80); das Modell der stationären Mortalität zeigte jedoch die höchste Unterscheidungsfähigkeit (C-Statistik, 0,75).

Introduction

Die akute Herzinsuffizienz (AHF) ist die häufigste Ursache für eine Krankenhauseinweisung bei Patienten im Alter von > 65 Jahren, wobei Stauungen in den meisten Fällen das vorherrschende Symptom sowie der Hauptgrund für einen Krankenhausaufenthalt sind¹. Herzinsuffizienz (HF) kann durch verschiedene Mechanismen zu Mangelernährung führen, darunter Malabsorption aufgrund von Darmödemen, Hyperkatabolismus aufgrund anhaltender neurohormoneller Aktivierung und ständige Entzündungen ^2,3. Daher wirken sich Stauungen und Mangelernährung direkt auf die Körperzusammensetzung aus.

Die bioelektrische Impedanzanalyse (BIA) ist eine schnelle, nicht-invasive und sichere Methode, die sofortige und zuverlässige Messungen am Krankenbett zur Abschätzung der Körperzusammensetzung ermöglicht, indem ein konstanter elektrischer Wechselstrom mit niedrigem Pegel eingeführt wird, der die Impedanz (Z) oder den von menschlichen Zellen und Geweben erzeugten Widerstand/Widerstand misst. Die BIA umfasst zwei Parameter: Widerstand (R) und Reaktanz (Xc)⁴.

Darüber hinaus misst es die Verzögerung zwischen Strom und Spannung, die erforderlich ist, um die Zellmembran und die Gewebegrenzflächen zu durchdringen, bekannt als Phasenwinkel (PhA), der als Indikator für die Zellgesundheit, die Integrität der Zellmembran und die Vitalität angesehen wird, die aufgrund des spezifischen Widerstands des Gewebes und der elektrischen Eigenschaften durch Flüssigkeitsverteilung, Entzündungen und Unterernährung beeinflusst werden. Niedrigere PhA-Werte deuten auf Apoptose und reduzierte Bestandteile der zellulären Matrix hin, während höhere Werte eine größere Zellularität und eine bessere Zellfunktion widerspiegeln⁵. Verschiedene Studien haben durchweg die prognostische Rolle von PhA bei mehreren Endpunkten gezeigt, wie z. B. Mortalität, Rehospitalisierung, Dauer des Krankenhausaufenthalts und Risiko eines schlechten Ernährungszustands in verschiedenen klinischen Umgebungen, einschließlich Patienten mit HF ^6,7.

Ziel dieser Studie war es, die Schritte zur Durchführung einer multivariablen Cox-Regressionsanalyse mit bestraften Splines zu beschreiben, um den Cutoff-Wert von PhA durch BIA in den ersten 24 Stunden nach der Aufnahme zu bestimmen, um die Mortalität im Krankenhaus und die Gesamtmortalität oder Rehospitalisierung nach 90 Tagen nach der Entlassung bei Patienten mit AHF vorherzusagen.

Protocol

Diese Studie umfasst vier Schritte. Die in dieser Studie verwendeten Daten umfassten erwachsene Patienten (≥18 Jahre) mit AHF, die durch ein früheres Echokardiogramm gemäß den Leitlinien der Europäischen Gesellschaft für Kardiologie (ESC)⁸ bestätigt wurden, und mit erwartetem Krankenhausaufenthalt, wie von Klinikern beurteilt. Diese Studie wurde von der Kommission für Ethik und biomedizinische Forschung am Menschen des Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán genehmigt und nach den Grundsätzen der Deklaration von Helsinki durchgeführt. Eine schriftliche Einverständniserklärung wurde vom Patienten oder seinen nächsten Angehörigen eingeholt, wenn diese nicht in der Lage waren, ihre Einwilligung zu erteilen.

1. Datenerfassung und allgemeine Informationen

HINWEIS: BIA-Messungen erfordern eine spezielle Vorbereitung des Patienten, wie in einem separaten Protokoll^{beschrieben 9}. Sobald das BIA-Gerät die Messung abgeschlossen hat, werden auf dem Gerätebildschirm die folgenden Daten angezeigt: Impedanzwerte (Z) bei verschiedenen Frequenzen (5, 50, 100 und 200 kHz) sowie die Widerstands- und Reaktanzwerte bei 50 kHz.

1. Öffnen Sie nach BIA-Messungen die Software, um den Widerstand (R) und die Reaktanz (Xc) an die Körpergröße des Patienten anzupassen und die Werte für den Phasenwinkel (PhA) zu berechnen.
   HINWEIS: Die Analyse der BIA-Parameter mit BIVA sollte innerhalb von 24 Stunden nach der Aufnahme des Patienten durchgeführt werden.
2. Geben Sie die Ergebnisse in den Datensatz ein und speichern Sie ihn als .csv Datei zur Analyse in RStudio.
   HINWEIS: Die Daten des Patienten werden als Referenz in der ergänzenden Tabelle S1 angezeigt.

2. Installieren, Laden von Paketen und Datenaufbereitung

HINWEIS: Alle Verfahren wurden mit der R-Software unter Verwendung der Pakete survival, MASS und pspline durchgeführt.

1. Laden Sie R und RStudio herunter.
   1. Installieren Sie die R-Software (Version kann sich im Laufe der Zeit ändern) und RStudio und öffnen Sie es. Klicken Sie auf die Registerkarte Datei | Option Neue Datei | Wählen Sie das R-Skript aus. RStudio zeigt die Skriptdatei in der oberen linken Ecke über der Registerkarte Konsole an.
   2. Installieren Sie die Pakete, indem Sie die folgenden Befehle in der Skriptdatei ausführen:
      install.packages("Überleben")
      install.packages("MASSE")
      install.packages("pspline")
   3. Laden Sie die Pakete, indem Sie die folgenden Befehle ausführen
      Bibliothek(Überleben)
      Bibliothek(MASS)
      Bibliothek(PSPLINE)
   4. Importieren Sie das Dataset, indem Sie den folgenden Befehl ausführen. #Dataset ist der Name der Daten. Hier ist die Datei Akute Herzinsuffizienz Daten das Beispiel.
      Datensatz <-read.csv(".../Akute Herzinsuffizienz data.csv")

3. Modellbau

1. Bestimmen Sie das Cox-Regressionsmodell für proportionale Gefahren, das an potenzielle Störvariablen angepasst wurde, und berechnen Sie die 95 %-Konfidenzintervalle (95 %-KI) mit den folgenden Befehlen.
   Model_1 <- coxph (Surv (Survival_days, Ergebnis) ~ Faktor (Diabetes_mellitus) + Systolic_blood_pressure + Serum_sodium + Phase_angle, method="breslow")
   exp(confint(Model_1))
2. Berechnen Sie das Akaike-Informationskriterium (AIC), das Bayes'sche Informationskriterium (BIC), die C-Statistik und das 95 %-KI, indem Sie die folgenden Befehle ausführen.
   #Akaike Informationskriterium
   AIC(Model_1)
   #Bayesian Informationskriterium
   BIC(Model_1)
   C-Statistik
   Zusammenfassung(Model_1)$concordance[1]
   #Lower Intervall der C-Statistik
   Zusammenfassung(Model_1)$concordance[1]-(1.96*Zusammenfassung(Model_1)$concordance[2])
   #Upper Intervall der C-Statistik
   Zusammenfassung(Model_1)$concordance[1]+(1.96*Zusammenfassung(Model_1)$concordance[2])

4. Grafische Darstellung

1. Erstellen Sie das Überlebensobjekt mit der Funktion Surv().
   surv_1 <- Surv(Survival_days, Ergebnis)
2. Passen Sie das Cox-Regressionsmodell für proportionale Gefahren an, das in Schritt 3.1 entwickelt wurde. und sagen Sie die Werte für den angepassten Spline voraus, indem Sie die folgenden Befehle ausführen.
   fit_model_1 <- coxph(surv_1 ~ pspline(Phase_angle, df=2)+factor(Diabetes_mellitus)+ Systolic_blood_pressure + Serum_sodium)
   predicted_1 <- predict(fit_model_1, type="terms", se.fit=TRUE ,terms=1)
3. Zeichnen Sie das angepasste Modell und die entsprechenden Linien im Diagramm, indem Sie die folgenden Befehle ausführen. Identifizieren Sie den Grenzwert, an dem die adjustierte HR (Spline-Regression) größer als 1 ist, was darauf hindeutet, dass niedrigere PhA-Werte ein erhöhtes Risiko für die Mortalität im Krankenhaus und eine Wiederaufnahme oder den Tod nach 90 Tagen vorhersagen.
   plot(Phase_angle, exp(predicted_1$fit), type="n", xlab="Phasenwinkel", ylab="Angepasste HR (95% IC)", xlim=c(1.2,12), ylim= c(0,2.5), main="Alle klinischen Ergebnisse")
   lines(sm.spline(Phase_angle , exp(predicted_1$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 )
   text(4.27,1.12, "4.0°")
   abline(v=4.0,col="schwarz", lty= 2, lwd= 0.00001)

Results

Diese Studie umfasste 219 Patienten mit akuter Herzinsuffizienz (AHF), sowohl de novo als auch akute dekompensierte Herzinsuffizienz. Das mediane Alter der Patienten betrug 71 (p25. 60 - p75. 81) Jahre, 63% waren weiblich. Diabetes mellitus und Hypertonie waren die häufigsten Begleiterkrankungen (41,6 % bzw. 69,9 % der Patienten). Während einer medianen Nachbeobachtungszeit von 79 Tagen traten 115 Ereignisse (52,5 %) auf, von denen 32,2 % im Krankenhaus starben und 67,8 % innerhalb von 90 Tagen nach der Entlassu...

Discussion

Diese Studie zeigte, dass Patienten mit AHF, die in den ersten 24 Stunden nach der Aufnahme mit niedrigeren PhA-Werten in die Notaufnahme aufgenommen wurden, ein höheres Risiko für eine schlechte Prognose hatten, wie z. B. Tod oder Rehospitalisierung in den folgenden 90 Tagen nach der Entlassung, die anstieg, wenn die PhA-Werte unter 4,0° lagen, unabhängig von Serumnatrium, SBP und Diabetes mellitus. oder Sex. In ähnlicher Weise sagten niedrigere PhA-Werte die Mortalität im Krankenhaus ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BIVA Toleranz R-Xc Software			Verbunden mit der BIA-Ausrüstung
Computersystem	Microsoft	Windows 10	Windows 10 oder höher
Quadscan 4000  Gerät	BodyStat	BS-4000	Impedanzmessbereich: 20 - 1300 Ω Ohm Prüfstrom: 620 μ A Frequenz: 5, 50, 100, 200 kHz Genauigkeit: Impedanz 5 kHz: +/- 2 Ω   Impedanz 50 kHz: +/- 2 Ω   Impedanz 100 kHz: +/- 3 Ω   Impedanz 200 kHz: +/- 3 Ω   Widerstand 50 kHz: +/- 2 Ω   Reaktanz 50 kHz: +/- 1 Ω   Phasenwinkel 50 kHz: +/- 0,2 Grad; Kalibrierung: Von Zeit zu Zeit wird ein Widerstand zur unabhängigen Überprüfung mitgeliefert. Der Impedanzwert sollte zwischen 496 und 503 Ω liegen.
R Software	Keine	Nicht zutreffend	Version 3.6.2 oder höher
RStudio	Keine	Nicht zutreffend	Fassung 2022.07.2+576