Valor de corte del ángulo de fase por análisis de impedancia bioeléctrica al ingreso como factor pronóstico en pacientes con insuficiencia cardíaca aguda

Este estudio evalúa la utilidad pronóstica del ángulo de fase en la insuficiencia cardíaca aguda mediante la identificación de un valor de corte óptimo y la evaluación del rendimiento del modelo a través de una configuración multivariable con splines restringidos. Los desarrollos recientes en este campo incluyen el uso del análisis de vectores de impedancia bioeléctrica, o BIVA, para una evaluación precisa del estado de hidratación y la integridad de la membrana celular junto con modelos de supervivencia multivariables, incorporados por biomarcadores derivados de impedancia eléctrica para mejorar la identificación temprana de pacientes de alto riesgo.

Los desafíos actuales incluyen garantizar mediciones precisas y confiables de BIVA durante la hospitalización, controlar los factores de confusión en diversas poblaciones de pacientes y asegurar un tamaño de muestra adecuado para estimaciones precisas en el modelado pronóstico. Abordamos la brecha en la falta de valores de corte precisos para el ángulo de fase como marcador pronóstico y la necesidad de métodos estadísticos confiables y precisos para proporcionar predicciones precisas de mortalidad y rehospitalización. Este protocolo utiliza un método no invasivo, rápido y de cabecera, aplicando la regresión de Cox para identificar factores de riesgo y mostrar gráficamente el umbral ajustado para una predicción precisa del riesgo en insuficiencia cardíaca aguda.

[Instructor] Después de instalar R y R Studio en el equipo, abra R Studio. Haga clic en la pestaña de archivo, vaya a nuevo archivo y seleccione Script de R para mostrar el archivo de script en la esquina superior izquierda sobre la pestaña de la consola. En el nuevo archivo de script, instale los paquetes de supervivencia, MASS y pspline necesarios. Cargue los paquetes escribiendo y ejecutando las funciones de biblioteca para supervivencia, MASS y pspline. Importe el conjunto de datos especificando el nombre y la ruta del archivo de datos en el comando y asígnelo a un objeto denominado conjunto de datos.

Determinar el modelo de regresión de riesgos proporcionales de Cox, ajustado por diabetes mellitus, presión arterial sistólica, sodio sérico y ángulo de fase utilizando el método de Breslow y calcular los intervalos de confianza del 95% para los coeficientes del modelo. Luego, calcule el criterio de información de Akaike, el criterio de información bayesiano y la estadística C, junto con su intervalo de confianza del 95%. Para la representación gráfica, cree el objeto de supervivencia utilizando la función surv con días de supervivencia y resultado como entradas. Ajuste el modelo de regresión de riesgos proporcionales de Cox utilizando el objeto de supervivencia y ajuste la diabetes mellitus, la presión arterial sistólica, el sodio sérico y una spline penalizada del ángulo de fase con dos grados de libertad. A continuación, prediga los valores de la spline ajustada y sus errores estándar utilizando el modelo. Finalmente, trace el modelo ajustado en un gráfico utilizando los valores predichos para visualizar la razón de riesgo ajustada para el ángulo de fase. Agregue las líneas correspondientes por encima y por debajo de la curva ajustada para representar los límites superior e inferior del intervalo de predicción. Identifique el punto de corte donde el cociente de riesgo ajustado excede uno, lo que indica que los valores más bajos del ángulo de fase se asocian con un mayor riesgo de mortalidad hospitalaria y reingreso o muerte a los 90 días. Esta tabla resume el valor pronóstico de varios parámetros clínicos y de bioimpedancia utilizando modelos de regresión de Cox multivariables, con resultados que consisten en mortalidad intrahospitalaria y reingreso o muerte a los 90 días. En el modelo uno para eventos adversos, un ángulo de fase más bajo se asoció de forma independiente con un mayor riesgo. En el modelo dos, que incluía diferentes variables, un ángulo de fase más bajo siguió siendo un predictor significativo de resultados adversos. El estadístico C para el modelo uno indicó una capacidad predictiva moderada para eventos adversos. En el modelo de mortalidad intrahospitalaria, un ángulo de fase más bajo fue un predictor de muerte altamente significativo. La presión arterial sistólica más baja también se asoció significativamente con la mortalidad hospitalaria. El modelo de mortalidad intrahospitalaria tuvo la mayor capacidad discriminatoria entre todos los modelos.