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

Diese Studie evaluiert den prognostischen Nutzen des Phasenwinkels bei akuter Herzinsuffizienz, indem sie einen optimalen Cutoff-Wert identifiziert und die Modellleistung durch multivariable Konfiguration mit eingeschränkten Splines bewertet. Zu den jüngsten Entwicklungen auf diesem Gebiet gehört die Verwendung der bioelektrischen Impedanzvektoranalyse (BIVA) zur präzisen Beurteilung des Hydratationsstatus und der Zellmembranintegrität sowie multivariabler Überlebensmodelle, die mit von der elektrischen Impedanz abgeleiteten Biomarkern integriert werden, um die Früherkennung von Hochrisikopatienten zu verbessern.

Zu den aktuellen Herausforderungen gehören die Sicherstellung genauer, zuverlässiger BIVA-Messungen während des Krankenhausaufenthalts, die Kontrolle von Störfaktoren in verschiedenen Patientenpopulationen und die Sicherstellung einer angemessenen Stichprobengröße für genaue Schätzungen in der prognostischen Modellierung. Wir befassen uns mit der Lücke im Mangel an präzisen Cutoff-Werten für den Phasenwinkel als prognostischem Marker und dem Bedarf an zuverlässigen und genauen statistischen Methoden, um genaue Vorhersagen von Mortalität und Rehospitalisierung zu treffen. Dieses Protokoll verwendet eine nicht-invasive, schnelle und bettseitige Methode, die die Cox-Regression anwendet, um Risikofaktoren zu identifizieren und den angepassten Schwellenwert für eine präzise Risikovorhersage bei akuter Herzinsuffizienz grafisch darzustellen.

[Dozent] Öffnen Sie nach der Installation von R und R Studio auf dem Computer R Studio. Klicken Sie auf die Registerkarte Datei, wechseln Sie zu neuer Datei, und wählen Sie R-Skript aus, um die Skriptdatei in der oberen linken Ecke über der Registerkarte Konsole anzuzeigen. Installieren Sie in der neuen Skriptdatei die erforderlichen Überlebens-, MASS- und PSPLINE-Pakete. Laden Sie die Pakete, indem Sie die Bibliotheksfunktionen für survival, MASS und pspline eingeben und ausführen. Importieren Sie das Dataset, indem Sie den Namen und den Pfad der Datendatei im Befehl angeben und es einem Objekt namens dataset zuweisen.

Bestimmen Sie das Cox-Regressionsmodell für proportionale Gefahren, angepasst an Diabetes mellitus, systolischen Blutdruck, Serumnatrium und Phasenwinkel mit der Breslow-Methode, und berechnen Sie die 95 %-Konfidenzintervalle für die Modellkoeffizienten. Berechnen Sie dann das Akaike-Informationskriterium, das Bayes'sche Informationskriterium und die C-Statistik zusammen mit dem Konfidenzintervall von 95 %. Für die grafische Darstellung erstellen Sie das Überlebensobjekt mit der Funktion surv mit den Eingaben Überlebenstage und Ergebnis. Passen Sie das Cox-Regressionsmodell für proportionale Gefahren unter Verwendung des Überlebensobjekts an und passen Sie es an Diabetes mellitus, systolischen Blutdruck, Serumnatrium und einen bestraften Spline des Phasenwinkels mit zwei Freiheitsgraden an. Sagen Sie dann die Werte für den angepassten Spline und deren Standardfehler mithilfe des Modells voraus. Zeichnen Sie abschließend das angepasste Modell in einem Diagramm mit den vorhergesagten Werten, um die angepasste Hazard Ratio für den Phasenwinkel zu visualisieren. Fügen Sie die entsprechenden Linien oberhalb und unterhalb der angepassten Kurve hinzu, um die oberen und unteren Grenzen des Vorhersageintervalls darzustellen. Identifizieren Sie den Grenzwert, an dem die angepasste Hazard Ratio eins überschreitet, was darauf hinweist, dass niedrigere Phasenwinkelwerte mit einem erhöhten Risiko für Mortalität im Krankenhaus und 90-tägige Wiederaufnahme oder Tod verbunden sind. Diese Tabelle fasst den prognostischen Wert verschiedener klinischer und Bioimpedanzparameter unter Verwendung multivariabler Cox-Regressionsmodelle zusammen, wobei die Ergebnisse aus der Mortalität im Krankenhaus und der 90-Tage-Wiederaufnahme oder dem Tod bestehen. Im ersten Modell für unerwünschte Ereignisse war ein niedrigerer Phasenwinkel unabhängig voneinander mit einem erhöhten Risiko verbunden. In Modell zwei, das verschiedene Variablen umfasste, blieb ein niedrigerer Phasenwinkel ein signifikanter Prädiktor für unerwünschte Ergebnisse. Die C-Statistik für Modell eins zeigte eine moderate Vorhersagefähigkeit für unerwünschte Ereignisse. Im Mortalitätsmodell im Krankenhaus war ein niedrigerer Phasenwinkel ein hochsignifikanter Prädiktor für den Tod. Ein niedrigerer systolischer Blutdruck war auch signifikant mit der Mortalität im Krankenhaus verbunden. Das Modell der Krankenhausmortalität wies unter allen Modellen die höchste Unterscheidungsfähigkeit auf.