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

Cette étude évalue l’utilité pronostique de l’angle de phase dans l’insuffisance cardiaque aiguë en identifiant une valeur seuil optimale et en évaluant les performances du modèle par une configuration multivariable avec des splines restreintes. Parmi les développements récents dans ce domaine, citons l’utilisation de l’analyse vectorielle d’impédance bioélectrique, ou BIVA, pour l’évaluation précise de l’état d’hydratation et de l’intégrité de la membrane cellulaire, ainsi que des modèles de survie multivariables, incorporés par des biomarqueurs dérivés de l’impédance électrique pour améliorer l’identification précoce des patients à haut risque.

Les défis actuels consistent à assurer des mesures BIVA précises et fiables pendant l’hospitalisation, à contrôler les facteurs de confusion dans diverses populations de patients et à obtenir une taille d’échantillon adéquate pour des estimations précises dans la modélisation pronostique. Nous abordons l’écart dans le manque de valeurs seuils précises pour l’angle de phase comme marqueur pronostique et la nécessité de méthodes statistiques fiables et précises pour fournir des prédictions précises de la mortalité et de la réhospitalisation. Ce protocole utilise une méthode non invasive, rapide et au chevet du patient, en appliquant la régression de Cox pour identifier les facteurs de risque et afficher graphiquement le seuil ajusté pour une prédiction précise du risque d’insuffisance cardiaque aiguë.

[Instructeur] Après avoir installé R et R Studio sur l’ordinateur, ouvrez R Studio. Cliquez sur l’onglet Fichier, accédez à Nouveau fichier et sélectionnez Script R pour afficher le fichier de script dans le coin supérieur gauche au-dessus de l’onglet Console. Dans le nouveau fichier de script, installez les packages de survie, MASS et pspline requis. Chargez les packages en tapant et en exécutant les fonctions de bibliothèque pour survival, MASS et pspline. Importez le jeu de données en spécifiant le nom et le chemin d’accès du fichier de données dans la commande et attribuez-le à un objet appelé jeu de données.

Déterminez le modèle de régression à risques proportionnels de Cox, ajusté pour le diabète sucré, la pression artérielle systolique, le sodium sérique et l’angle de phase à l’aide de la méthode de Breslow et calculez les intervalles de confiance à 95 % pour les coefficients du modèle. Ensuite, calculez le critère d’information Akaike, le critère d’information bayésien et la statistique C, ainsi que son intervalle de confiance à 95 %. Pour la représentation graphique, créez l’objet de survie à l’aide de la fonction surv avec les jours de survie et le résultat comme entrées. Ajustez le modèle de régression des risques proportionnels de Cox à l’aide de l’objet de survie et ajustez-le pour le diabète sucré, la pression artérielle systolique, le sodium sérique et une spline pénalisée de l’angle de phase avec deux degrés de liberté. Ensuite, prédisez les valeurs de la spline ajustée et leurs erreurs standard à l’aide du modèle. Enfin, tracez le modèle ajusté sur un graphique à l’aide des valeurs prédites pour visualiser le rapport de risque ajusté pour l’angle de phase. Ajoutez les lignes correspondantes au-dessus et en dessous de la courbe ajustée pour représenter les limites supérieure et inférieure de l’intervalle de prédiction. Identifiez le point limite où le rapport de risque ajusté dépasse un, indiquant que des valeurs d’angle de phase inférieures sont associées à un risque accru de mortalité à l’hôpital et de réadmission ou de décès dans les 90 jours. Ce tableau résume la valeur pronostique de divers paramètres cliniques et de bioimpédance à l’aide de modèles de régression de Cox multivariables, avec des critères de jugement comprenant la mortalité à l’hôpital et la réadmission ou le décès dans les 90 jours. Dans le premier modèle pour les événements indésirables, un angle de phase plus faible était indépendamment associé à un risque accru. Dans le deuxième modèle, qui comprenait différentes variables, un angle de phase plus faible restait un prédicteur significatif des résultats indésirables. La statistique C du premier modèle indiquait une capacité prédictive modérée des événements indésirables. Dans le modèle de mortalité à l’hôpital, un angle de phase plus faible était un prédicteur très significatif de décès. Une pression artérielle systolique plus basse était également associée de manière significative à la mortalité à l’hôpital. Le modèle de mortalité à l’hôpital présentait le plus grand pouvoir de discrimination parmi tous les modèles.