Article de méthode

Valeur seuil de l’angle de phase par analyse d’impédance bioélectrique à l’admission comme facteur pronostique chez les patients atteints d’insuffisance cardiaque aiguë

DOI :

10.3791/68203

⸱

10 juin 2025

 ,  ,  ,  , 
1Clinical Nutrition Service, Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán, 2Critical Care Division, Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán, 3Facultad de Estudios Superiores Zaragoza, Universidad Nacional Autónoma de México

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce protocole présente des codes R pour effectuer une analyse de régression de Cox multivariée à spline cubique restreinte afin de déterminer la valeur seuil de l’angle de phase pour le pronostic de l’insuffisance cardiaque aiguë, ainsi que des codes pour calculer des statistiques qui mesurent la capacité discriminante de chaque modèle et évaluent sa qualité d’ajustement.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’insuffisance cardiaque aiguë est la cause la plus fréquente d’admission à l’hôpital chez les patients âgés de > 65 ans, la congestion étant le symptôme prédominant. Il est bien connu que la congestion est la principale cause de réadmission et son association avec de mauvais résultats. Cette étude visait à déterminer la valeur seuil de l’angle de phase à l’aide d’une analyse d’impédance bioélectrique dans les 24 premières heures après l’admission pour la prédiction de la mortalité à l’hôpital et de la mortalité toutes causes confondues ou de la réhospitalisation 90 jours après la sortie chez les patients atteints d’insuffisance cardiaque aiguë.

L’ensemble de données analysé pour ce protocole comprenait 219 patients qui se sont présentés au service des urgences avec une insuffisance cardiaque aiguë, dont 115 sont décédés pendant l’hospitalisation, 90 jours après le congé ou ont été réadmis au cours de la même période. L’analyse univariée à l’aide de l’analyse de régression à risques proportionnels de Cox a permis d’identifier des prédicteurs potentiels et d’utiliser un modèle multivarié à risques proportionnels de Cox pour identifier les facteurs pronostiques significatifs associés à la survie des patients et pour contrôler les variables confondantes. L’analyse de l’angle de phase ajusté par différents prédicteurs à l’aide de splines cubiques restreintes a révélé que des valeurs plus faibles étaient directement associées au risque de réadmission à 90 jours ou de décès après la sortie, en particulier lorsque la valeur seuil de PhA était de <4,0°. Tous les modèles développés ont montré une capacité de discrimination modérée (statistique C < 0,80) ; cependant, le modèle de mortalité à l’hôpital a démontré la capacité de discrimination la plus élevée (statistique C, 0,75).

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’insuffisance cardiaque aiguë (AHF) est la cause la plus fréquente d’admission à l’hôpital chez les patients âgés de > 65 ans, la congestion étant le symptôme prédominant dans la majorité des cas ainsi que le principal motif d’hospitalisation1. L’insuffisance cardiaque (IC) peut entraîner une malnutrition par différents mécanismes, notamment la malabsorption due à un œdème intestinal, l’hypercatabolisme dû à une activation neurohormonale soutenue et une inflammation constante 2,3. Par conséquent, la congestion et la malnutrition influencent directement la composition corporelle.

L’analyse d’impédance bioélectrique (BIA) est une méthode rapide, non invasive et sûre qui fournit des mesures immédiates et fiables au chevet du patient pour estimer la composition corporelle en introduisant un courant électrique alternatif constant de faible niveau qui mesure l’impédance (Z) ou la résistance/opposition générée par les cellules et les tissus humains. Le BIA implique deux paramètres : la résistance (R) et la réactance (Xc)4.

De plus, il mesure le délai entre le courant et la tension nécessaires pour pénétrer la membrane cellulaire et les interfaces tissulaires, connu sous le nom d’angle de phase (PhA), qui a été suggéré comme un indicateur de la santé cellulaire, de l’intégrité de la membrane cellulaire et de la vitalité, qui sont affectés par la distribution des fluides, l’inflammation et la malnutrition en raison de la résistivité des tissus et des propriétés électriques. Des valeurs PhA plus faibles indiquent une apoptose et une réduction des composants de la matrice cellulaire, tandis que des valeurs plus élevées reflètent une plus grande cellularité et une meilleure fonction cellulaire5. Différentes études ont démontré de manière cohérente le rôle pronostique de la PhA dans de multiples critères de jugement, tels que la mortalité, la réhospitalisation, la durée du séjour à l’hôpital et le risque de mauvais état nutritionnel dans différents contextes cliniques, y compris chez les patients atteints d’IC 6,7.

Cette étude visait à décrire les étapes de la réalisation d’une analyse de régression de Cox multivariée avec des splines pénalisées afin de déterminer la valeur seuil de PhA par BIA dans les 24 premières heures après l’admission afin de prédire la mortalité à l’hôpital et la mortalité toutes causes confondues ou la réhospitalisation après 90 jours après la sortie chez les patients atteints de FHA.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude comprend quatre étapes. Les données utilisées dans cette étude comprenaient des patients adultes (≥18 ans) atteints d’une FHA confirmée par un échocardiogramme antérieur selon les directives de la Société européenne de cardiologie (ESC)8 et avec une hospitalisation prévue, selon l’évaluation des cliniciens. Cette étude a été approuvée par le Comité d’éthique et de recherche biomédicale humaine de l’Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán et a été menée conformément aux principes de la Déclaration d’Helsinki. Le consentement éclairé écrit a été obtenu du patient ou de son plus proche parent s’il n’a pas été en mesure de donner son consentement.

1. Acquisition de données et informations générales

REMARQUE : Les mesures BIA nécessitent une préparation spécifique du patient, comme décrit dans un protocole distinct9. Une fois que l’équipement BIA a terminé la mesure, l’écran de l’équipement affichera les données suivantes : les valeurs d’impédance (Z) à différentes fréquences (5, 50, 100 et 200 kHz), ainsi que les valeurs de résistance et de réactance à 50 kHz.

  1. Après les mesures BIA, ouvrez le logiciel pour ajuster la résistance (R) et la réactance (Xc) en fonction de la taille du patient et pour calculer les valeurs de l’angle de phase (PhA).
    REMARQUE : L’analyse des paramètres BIA à l’aide de BIVA doit être effectuée dans les 24 heures suivant l’admission du patient.
  2. Entrez les résultats dans l’ensemble de données et enregistrez-les en tant que fichier .csv pour analyse dans RStudio.
    REMARQUE : Les données du patient sont présentées à titre de référence dans le tableau supplémentaire S1.

2. Installation, chargement des packages et préparation des données

REMARQUE : Toutes les procédures ont été effectuées à l’aide du logiciel R à l’aide des packages survival, MASS et pspline.

  1. Téléchargez R et RStudio.
    1. Installez le logiciel R (la version peut changer au fil du temps) et RStudio et ouvrez-le. Cliquez sur l’onglet Fichier | Nouvelle option Fichier | sélectionnez le script R. RStudio affichera le fichier de script dans le coin supérieur gauche, positionné au-dessus de l’onglet Console.
    2. Installez les packages en exécutant les commandes suivantes dans le fichier de script :
      install.packages(« survie »)
      install.packages(« MASS »)
      install.packages(« pspline »)
    3. Chargez les packages en exécutant les commandes suivantes
      Bibliothèque(Survie)
      bibliothèque (MASS)
      Bibliothèque(pspline)
    4. Importez le jeu de données en exécutant la commande suivante. #Dataset sera le nom des données. Ici, le fichier Données sur l’insuffisance cardiaque aiguë est l’exemple.
      Jeu de données <-read.csv(« .../Insuffisance cardiaque aiguë data.csv »)

3. Construction du modèle

  1. Déterminez le modèle de régression à risques proportionnels de Cox ajusté pour tenir compte des variables confusionnelles potentielles et calculez les intervalles de confiance à 95 % (IC à 95 %) à l’aide des commandes suivantes.
    Model_1 <- coxph (Surv (Survival_days, Outcome) ~ facteur (Diabetes_mellitus) + Systolic_blood_pressure + Serum_sodium + Phase_angle, method="breslow »)
    exp(confint(Model_1))
  2. Calculez le critère d’information d’Akaike (AIC), le critère d’information bayésien (BIC), la statistique C et l’IC à 95 % en exécutant les commandes suivantes.
    #Akaike critère d’information
    CIA(Model_1)
    #Bayesian Critère d’information
    BIC(Model_1)
    Statistique C
    Résumé(Model_1)$concordance[1]
    #Lower intervalle de la statistique C
    Résumé(Model_1)$concordance[1]-(1.96*Résumé(Model_1)$concordance[2])
    #Upper intervalle de la statistique C
    Résumé(Model_1)$concordance[1]+(1.96*Résumé(Model_1)$concordance[2])

4. Représentation graphique

  1. Créez l’objet de survie à l’aide de la fonction Surv( ).
    surv_1 <- Surv(Survival_days, Issue)
  2. Ajustez le modèle de régression à risques proportionnels de Cox développé à l’étape 3.1. et prédire les valeurs de la spline ajustée en exécutant les commandes suivantes.
    fit_model_1 <- coxph(surv_1 ~ pspline(Phase_angle, df=2)+facteur(Diabetes_mellitus)+ Systolic_blood_pressure + Serum_sodium)
    predicted_1 <- predict(fit_model_1, type="termes », se.fit=VRAI ,termes=1)
  3. Tracez le modèle ajusté et les lignes correspondantes sur le graphique en exécutant les commandes suivantes. Identifiez le point limite où la FC ajustée (régression spline) est supérieure à 1, ce qui suggère qu’une valeur PhA plus faible prédit un risque accru de mortalité à l’hôpital et de réadmission ou de décès à 90 jours.
    plot(Phase_angle, exp(predicted_1$fit), type="n », xlab="Angle de phase », ylab="FC ajusté (IC à 95 %) », xlim=c(1.2,12), ylim= c(0,2.5), main="Tous les résultats cliniques »)
    lines(sm.spline(Phase_angle , exp(predicted_1$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 )
    texte(4.27,1.12, « 4.0° »)
    abline(v=4.0,col="noir », lty= 2, lwd= 0,00001)

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude a porté sur 219 patients atteints d’insuffisance cardiaque aiguë (AHF), à la fois d’insuffisance cardiaque de novo et d’insuffisance cardiaque aiguë décompensée. L’âge médian des patients était de 71 ans (p25th 60 - p75th 81) ans, et 63 % étaient des femmes. Le diabète sucré et l’hypertension étaient les comorbidités les plus courantes (41,6 % et 69,9 % des patients, respectivement). Au cours d’un suivi médian de 79 jours, 115 événements (52,5 %) se sont produits, dont 32,2 % sont décédés à l’hôpital...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude a démontré que les patients atteints de FHA admis au service d’urgence avec des valeurs PhA plus faibles dans les 24 premières heures suivant l’admission présentaient un risque plus élevé de mauvais pronostic, comme le décès ou une réhospitalisation dans les 90 jours suivant la sortie, qui augmentait lorsque les valeurs PhA étaient inférieures à 4,0°, indépendamment du sodium sérique, de la TAS, de la présence de diabète sucré, ou le sexe. De même, des valeurs PhA plus faibl...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs tiennent à remercier le(s) Prof.(s). Piccoli et Pastori du Département des sciences médicales et chirurgicales de l’Université de Padoue (Italie), pour la fourniture du logiciel BIVA. Cette recherche n’a pas reçu de subventions spécifiques d’organismes de financement des secteurs public, commercial ou sans but lucratif.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Tolérance BIVA LogicielRelié à l’équipement BIA
Système informatiqueMicrosoft  ; Windows 10Windows 10 ou supérieur
Equipement Quadscan 4000  ;BodyStatBS-4000Plage de mesure d’impédance : 20 - 1300 &Omega ; ohms
Courant de test : 620 &mu ; A
Fréquence : 5, 50, 100, 200 kHz
Précision : impédance 5 kHz : +/- 2 & oméga ;
  ; Impédance 50 kHz : +/- 2 & Omega ;
  ; Impédance 100 kHz : +/- 3 & Omega ;
  ; Impédance 200 kHz : +/- 3 & Omega ;
  ; Résistance 50 kHz : +/- 2 & Omega ;
  ; Réactance 50 kHz : +/- 1 & Omega ;
  ; Angle de phase 50 kHz : +/- 0,2 ° ;
Étalonnage : Une résistance est fournie de temps en temps pour une vérification indépendante. La valeur d’impédance doit être comprise entre 496 et 503 &Omega ;.
R software  ;Aucun  ;Sans objet  ;Version 3.6.2 ou ultérieure
RStudioAucun  ;Sans objet  ;Version 2022.07.2+576
R-Xc

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Boorsma, E. M., et al. Congestion in heart failure: A contemporary look at physiology, diagnosis, and treatment. Nat Rev Cardiol. 17 (10), 641-655 (2020).
  2. Rahman, A., et al. Malnutrition and cachexia in heart failure. J Parenter Enteral Nutr. 40 (4), 475-486 (2016).
  3. Sze, S., Pellicori, P., Zhang, J., Weston, J., Clark, A. L. The impact of malnutrition on short-term morbidity and mortality in ambulatory patients with heart failure. Am J Clin Nutr. 113 (3), 695-705 (2021).
  4. Lukaski, H. C., et al. Classification of hydration in clinical conditions: Indirect and direct approaches using bioimpedance. Nutrients. 20 (4), 330-339 (2019).
  5. Lukaski, H. C., Kyle, U. G., Kondrup, J. Assessment of adult malnutrition and prognosis with bioelectrical impedance analysis: phase angle and impedance ratio. Curr Opin Clin Nutr Metab Care. 20 (5), 330-339 (2017).
  6. Norman, K., Stobäus, N., Pirlich, M., Bosy-Westphal, A. Bioelectrical phase angle and impedance vector analysis - Clinical relevance and applicability of impedance parameters. Clin Nutr. 31 (6), 854-861 (2012).
  7. Lima, J., Eckert, I., Gonzalez, M. C., Silva, F. M. Prognostic value of phase angle and bioelectrical impedance vector in critically ill patients: A systematic review and meta-analysis of observational studies. Clin Nutr. 41 (12), 2801-2816 (2022).
  8. McDonagh, T. A., et al. 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur Heart J. 42 (36), 3599-3726 (2021).
  9. Castillo-Martínez, L., Bernal-Ceballos, F., Reyes-Paz, Y., Hernández-Gilsoul, T. Evaluation of fluid overload by bioelectrical impedance vectorial analysis. J Vis Exp. (186), e64331(2022).
  10. Colín-Ramírez, E., et al. Bioelectrical impedance phase angle as a prognostic marker in chronic heart failure. Nutrition. 28 (9), 901-905 (2012).
  11. Alves, F. D., Souza, G. C., Clausell, N., Biolo, A. Prognostic role of phase angle in hospitalized patients with acute decompensated heart failure. Clin Nutr. 35 (6), 1530-1534 (2016).
  12. Scicchitano, P., Massari, F. The role of bioelectrical phase angle in patients with heart failure. Rev Endocr Metab Disord. 24 (3), 465-477 (2023).
  13. Arrigo, M., et al. Acute heart failure. Nat Rev Dis Primers. 6 (1), 16(2020).
  14. Elbadawi, A., et al. Age-specific trends and outcomes of hospitalizations with acute heart failure in the United States. Int J Cardiol. 330, 98-105 (2021).
  15. Khan, M. S., et al. Trends in 30- and 90-Day Readmission Rates for Heart Failure. Circ Heart Fail. 14 (4), e008335(2021).
  16. Gracia, E., et al. The vulnerable phase of heart failure. Am J Ther. 25 (4), e456-e464 (2018).
  17. Santarelli, S., et al. Prognostic value of decreased peripheral congestion detected by Bioelectrical Impedance Vector Analysis (BIVA) in patients hospitalized for acute heart failure: BIVA prognostic value in acute heart failure on behalf of the GREAT network. Eur Heart J Acute Cardiovasc Care. 6 (4), 339-347 (2017).
  18. Jiang, N., Wu, Y., Li, C. Limitations of using COX proportional hazards model in cardiovascular research. Cardiovasc Diabetol. 23, 219(2024).
  19. Shih, W. Problems in dealing with missing data and informative censoring in clinical trials. Curr Control Trials Cardiovasc Med. 3 (1), (2002).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Phase AngleAcute Heart FailureBioelectrical ImpedancePrognostic FactorCox RegressionIn Hospital Mortality90 Day ReadmissionSurvival AnalysisHydration StatusCell Membrane Integrity

Articles connexes