Valore di cutoff dell'angolo di fase mediante analisi dell'impedenza bioelettrica al momento del ricovero come fattore prognostico nei pazienti con insufficienza cardiaca acuta

Questo studio valuta l'utilità prognostica dell'angolo di fase nell'insufficienza cardiaca acuta identificando un valore di cutoff ottimale e valutando le prestazioni del modello attraverso una configurazione multivariabile con scanalature ristrette. I recenti sviluppi in questo campo includono l'uso dell'analisi del vettore di impedenza bioelettrica, o BIVA, per una valutazione precisa dello stato di idratazione e dell'integrità della membrana cellulare insieme a modelli di sopravvivenza multivariabili, incorporati da biomarcatori derivati dall'impedenza elettrica per migliorare l'identificazione precoce dei pazienti ad alto rischio.

Le sfide attuali includono la garanzia di misurazioni BIVA accurate e affidabili durante l'ospedalizzazione, il controllo dei fattori confondenti in diverse popolazioni di pazienti e la garanzia di una dimensione del campione adeguata per stime accurate nella modellazione prognostica. Affrontiamo il divario nella mancanza di valori di cutoff precisi per l'angolo di fase come marcatore prognostico e la necessità di metodi statistici affidabili e accurati per fornire previsioni accurate di mortalità e riospedalizzazione. Questo protocollo utilizza un metodo non invasivo, rapido e al letto del paziente, applicando la regressione di Cox per identificare i fattori di rischio e visualizzare graficamente la soglia aggiustata per una precisa previsione del rischio nell'insufficienza cardiaca acuta.

[Istruttore] Dopo aver installato R e R Studio nel computer, aprire R Studio. Fare clic sulla scheda file, passare a nuovo file e selezionare Script R per visualizzare il file di script nell'angolo in alto a sinistra sopra la scheda della console. Nel nuovo file di script, installare i pacchetti survival, MASS e pspline necessari. Carica i pacchetti digitando ed eseguendo le funzioni della libreria per survival, MASS e pspline. Importare il dataset specificando il nome e il percorso del file di dati nel comando e assegnarlo a un oggetto denominato dataset.

Determinare il modello di regressione dei rischi proporzionali di Cox, aggiustato per diabete mellito, pressione arteriosa sistolica, sodio sierico e angolo di fase utilizzando il metodo di Breslow e calcolare gli intervalli di confidenza al 95% per i coefficienti del modello. Quindi, calcola il criterio di informazione Akaike, il criterio di informazione bayesiano e la statistica C, insieme al suo intervallo di confidenza del 95%. Per la rappresentazione grafica, creare l'oggetto di sopravvivenza utilizzando la funzione surv con i giorni di sopravvivenza e il risultato come input. Adattare il modello di regressione dei rischi proporzionali di Cox utilizzando l'oggetto di sopravvivenza e regolare il diabete mellito, la pressione arteriosa sistolica, il sodio sierico e una spline penalizzata dell'angolo di fase con due gradi di libertà. Quindi, prevedere i valori per la spline adattata e i relativi errori standard utilizzando il modello. Infine, tracciare il modello adattato su un grafico utilizzando i valori previsti per visualizzare il rapporto di rischio regolato per l'angolo di fase. Aggiungere le linee corrispondenti sopra e sotto la curva adattata per rappresentare i limiti superiore e inferiore dell'intervallo di stima. Identificare il punto di cutoff in cui l'hazard ratio aggiustato supera uno, indicando che valori di angolo di fase più bassi sono associati a un aumento del rischio di mortalità intraospedaliera e di riammissione o morte a 90 giorni. Questa tabella riassume il valore prognostico di vari parametri clinici e bioimpedenziometrici utilizzando modelli di regressione di Cox multivariata, con esiti costituiti da mortalità intraospedaliera e riammissione o morte a 90 giorni. Nel primo modello per gli eventi avversi, un angolo di fase più basso è stato associato in modo indipendente a un aumento del rischio. Nel modello due, che includeva diverse variabili, un angolo di fase più basso rimaneva un predittore significativo di esiti avversi. La statistica C per il modello uno ha indicato una moderata capacità predittiva per gli eventi avversi. Nel modello di mortalità intraospedaliera, un angolo di fase più basso era un predittore di morte altamente significativo. Anche la pressione arteriosa sistolica più bassa è stata significativamente associata alla mortalità ospedaliera. Il modello di mortalità intraospedaliera aveva la più alta capacità discriminatoria tra tutti i modelli.