Wartość odcięcia kąta fazowego za pomocą analizy impedancji bioelektrycznej przy przyjęciu jako czynnik prognostyczny u pacjentów z ostrą niewydolnością serca
June 10th, 2025
Ten protokół przedstawia kody R do wykonywania analizy regresji Coxa z ograniczonym sześciennym wielowypustem w celu określenia wartości granicznej kąta fazowego dla prognozowania w ostrej niewydolności serca, a także kody do obliczania statystyk, które mierzą zdolność dyskryminacyjną każdego modelu i oceniają jego dobroć dopasowania.
Badanie to ocenia użyteczność prognostyczną, jaką kąt fazowy ma miejsce w ostrej niewydolności serca, identyfikując optymalną wartość odcięcia i oceniając wydajność modelu za pomocą konfiguracji wielowymiarowej z ograniczonymi wypustami. Ostatnie osiągnięcia w tej dziedzinie obejmują wykorzystanie analizy wektora impedancji bioelektrycznej (BIVA) do precyzyjnej oceny stanu nawodnienia i integralności błony komórkowej wraz z wielowymiarowymi modelami przeżycia, włączonymi do biomarkerów pochodzących z impedancji elektrycznej w celu poprawy wczesnej identyfikacji pacjentów wysokiego ryzyka.
Obecne wyzwania obejmują zapewnienie dokładnych, wiarygodnych pomiarów BIVA w trakcie hospitalizacji, kontrolowanie czynników zakłócających w różnych populacjach pacjentów oraz zapewnienie odpowiedniej wielkości próby dla dokładnych szacunków w modelowaniu prognostycznym. Zajmujemy się luką wynikającą z braku precyzyjnych wartości odcięcia dla kąta fazowego jako markera prognostycznego oraz potrzebą wiarygodnych i dokładnych metod statystycznych, aby zapewnić dokładne prognozy śmiertelności i ponownej hospitalizacji. Protokół ten wykorzystuje metodę nieinwazyjną, szybką i przyłóżkową, stosując regresję Coxa do identyfikacji czynników ryzyka i graficznego przedstawienia skorygowanego progu w celu precyzyjnego przewidywania ryzyka w ostrej niewydolności serca.
[Instruktor] Po zainstalowaniu programów R i R Studio na komputerze otwórz program R Studio. Kliknij kartę pliku, przejdź do nowego pliku i wybierz pozycję Skrypt języka R, aby wyświetlić plik skryptu w lewym górnym rogu nad kartą konsoli. W nowym pliku skryptu zainstaluj wymagane pakiety survival, MASS i pspline. Załaduj pakiety, wpisując i wykonując funkcje biblioteczne dla survival, MASS i pspline. Zaimportuj zestaw danych, określając nazwę i ścieżkę pliku danych w poleceniu, a następnie przypisz go do obiektu o nazwie dataset.
Określ model regresji proporcjonalnego hazardu Coxa, skorygowany o cukrzycę, skurczowe ciśnienie krwi, stężenie sodu w surowicy i kąt fazowy za pomocą metody Breslowa i oblicz 95% przedziały ufności dla współczynników modelu. Następnie oblicz kryterium informacyjne Akaikego, kryterium informacji bayesowskiej i statystykę C wraz z jej 95% przedziałem ufności. Aby uzyskać reprezentację graficzną, utwórz obiekt przetrwania przy użyciu funkcji surv z dniami przeżycia i wynikiem jako danymi wejściowymi. Dopasuj model regresji proporcjonalnego hazardu Coxa za pomocą obiektu przeżycia i dostosuj do cukrzycy, skurczowego ciśnienia krwi, sodu w surowicy i ukaranego splajnu kąta fazowego o dwóch stopniach swobody. Następnie należy przewidzieć wartości dopasowanego splajnu i ich błędy standardowe przy użyciu modelu. Na koniec narysuj dopasowany model na wykresie, używając przewidywanych wartości, aby zobrazować skorygowany współczynnik ryzyka dla kąta fazowego. Dodaj odpowiednie linie powyżej i poniżej dopasowanej krzywej, aby przedstawić górną i dolną granicę interwału przewidywania. Zidentyfikuj punkt odcięcia, w którym skorygowany współczynnik ryzyka przekracza jeden, wskazując, że niższe wartości kąta fazowego wiążą się ze zwiększonym ryzykiem śmiertelności wewnątrzszpitalnej i 90-dniowej ponownej hospitalizacji lub zgonu. Poniższa tabela podsumowuje wartość prognostyczną, jakie mają różne parametry kliniczne i bioimpedancyjne przy użyciu wielowymiarowych modeli regresji Coxa, z wynikami obejmującymi śmiertelność wewnątrzszpitalną i 90-dniową ponowną hospitalizację lub zgon. W pierwszym modelu dla zdarzeń niepożądanych niższy kąt fazowy był niezależnie związany ze zwiększonym ryzykiem. W modelu drugim, który obejmował różne zmienne, niższy kąt fazowy pozostał istotnym predyktorem niekorzystnych wyników. Statystyka C dla modelu pierwszego wskazywała na umiarkowaną zdolność predykcyjną dla zdarzeń niepożądanych. W modelu śmiertelności wewnątrzszpitalnej niższy kąt fazowy był bardzo istotnym predyktorem zgonu. Niższe skurczowe ciśnienie krwi było również istotnie związane ze śmiertelnością wewnątrzszpitalną. Model śmiertelności wewnątrzszpitalnej miał najwyższą zdolność dyskryminacyjną spośród wszystkich modeli.
View the full transcript and gain access to thousands of scientific videos
Przegląd
Niniejsze badanie ocenia wartość prognostyczną kąta fazowego w przewlekłej niewydolności serca poprzez identyfikację optymalnej wartości progowej i ocenę wydajności modelu za pomocą wieloczynnikowej analizy regresji Coxa. Protokół ma na celu zapewnienie dokładnych prognoz dotyczących śmiertelności i ponownej hospitalizacji z wykorzystaniem nieinwazyjnych metod.
Kluczowe elementy badania
Dział obszaru nauki
- Kardiologia
- Modelowanie prognostyczne
- Analiza bioelektrycznej impedancji
Wprowadzenie
- Kąt fazowy jest potencjalnym markerem prognostycznym w przewlekłej niewydolności serca.
- Analiza wektorowa bioelektrycznej impedancji (BIVA) jest wykorzystywana do oceny nawodnienia i integralności błon komórkowych.
- Wyzwania obejmują zapewnienie dokładnych pomiarów BIVA i kontrolowanie czynników zakłócających.
- Istnieje potrzeba wiarygodnych metod statystycznych w celu poprawy przewidywania ryzyka.
Cel badania
- Identyfikacja optymalnej wartości progowej dla kąta fazowego w przewlekłej niewydolności serca.
- Ocena wydajności wieloczynnikowych modeli przeżycia.
- Wzmocnienie wczesnej identyfikacji pacjentów wysokiego ryzyka.
Metody użyte
- Analiza wieloczynnikowej regresji Coxa z wykorzystaniem kubicznych spline’ów.
- Miary statystyczne do oceny wydajności modelu i dobrego dopasowania.
- Nienawazyjne i szybkie metody bedside do oceny ryzyka.
- Zastosowanie biomarkerów pochodnych z impedancji elektrycznej.
Główne wyniki
- Identyfikacja precyzyjnej wartości progowej dla kąta fazowego.
- Poprawa wydajności modelu w przewidywaniu śmiertelności i ponownej hospitalizacji.
- Demonstracja użyteczności BIVA w praktyce klinicznej.
- Uzupełnienie luk w istniejących modelach prognostycznych.
Wnioski
- Kąt fazowy jest cennym markerem prognostycznym w przewlekłej niewydolności serca.
- Wiarygodne metody statystyczne zwiększają dokładność przewidywania ryzyka.
- Konieczne są dalsze badania w celu potwierdzenia wyników w zróżnicowanych populacjach pacjentów.
Często zadawane pytania
Executive Industry Relevance
Quantitative phase angle measurement by bioelectrical impedance analysis (BIA) offers a non-invasive, rapid biomarker for risk stratification in acute heart failure, directly supporting early discovery of prognostic indicators. Establishing a validated cutoff enables predictive confidence at the point of admission, informing portfolio-level triage and resource allocation for high-risk patient cohorts. This approach strengthens translational continuity from biomarker discovery to clinical risk modeling in cardiovascular research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Supports identification and validation of electrical impedance-derived biomarkers for acute disease states.
- Enables mechanistic de-risking by linking phase angle to cellular integrity and hydration status.
- Facilitates predictive confidence in early-stage biomarker qualification for heart failure.
Screening & Assay Development
- Provides a standardized, reproducible quantitative output for high-throughput patient stratification studies.
- Enables assay development for rapid bedside risk assessment using BIA-derived metrics.
- Supports platform scalability and reuse across cardiovascular biomarker screening initiatives.
Translational & Preclinical Research
- Aligns with translational biomarker strategies by bridging discovery-phase findings to clinical endpoints.
- Enables risk-adjusted advancement decisions based on quantitative, model-validated thresholds.
- Strengthens predictive de-risking for candidate biomarkers in preclinical and clinical validation pipelines.
Pipeline & Workflow Integration
Phase angle cutoff determination by BIA integrates into the discovery-to-clinical continuum, supporting early biomarker validation, risk modeling, and translational research in heart failure.
- Discovery Biology: Quantitative phase angle analysis enables hypothesis testing for cellular health and fluid status as prognostic factors.
- Screening: Standardized BIA measurements provide reproducible, scalable outputs for patient stratification studies.
- Analytics: Multivariable Cox regression and spline modeling deliver robust statistical outputs for comparing prognostic thresholds.
- Translational Research: Validated cutoff values facilitate continuity from discovery to clinical risk prediction models.
- Enterprise Reuse: BIA-based phase angle assessment is adaptable across cardiovascular and metabolic disease research portfolios.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in biomarker-driven risk models.
- Operational Value: Delivers rapid, non-invasive, and standardized measurements suitable for large-scale studies.
- Strategic Value: Enables data-driven go/no-go decisions and optimizes resource allocation for high-risk cohorts.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of candidate biomarkers and clinical models.
Implementation Considerations
- Requires expertise in BIA instrumentation and survival analysis modeling.
- Needs robust analytical infrastructure for multivariable regression and spline analysis.
- Demands cross-team standardization of measurement protocols and data interpretation.
- Adaptation across diverse patient populations may require additional validation studies.
- Accuracy depends on controlling confounding variables and ensuring consistent BIA measurements.
