Valor de corte do ângulo de fase pela análise de impedância bioelétrica na admissão como fator prognóstico em pacientes com insuficiência cardíaca aguda

Este estudo avalia a utilidade prognóstica do ângulo de fase na insuficiência cardíaca aguda, identificando um valor de corte ideal e avaliando o desempenho do modelo por meio de configuração multivariável com splines restritos. Desenvolvimentos recentes neste campo incluem o uso de análise vetorial de impedância bioelétrica, ou BIVA, para avaliação precisa do estado de hidratação e integridade da membrana celular, juntamente com modelos de sobrevida multivariáveis, incorporados por biomarcadores derivados de impedância elétrica para melhorar a identificação precoce de pacientes de alto risco.

Os desafios atuais incluem garantir medições precisas e confiáveis do BIVA durante a hospitalização, controlar fatores de confusão em diversas populações de pacientes e garantir um tamanho de amostra adequado para estimativas precisas na modelagem prognóstica. Abordamos a lacuna na falta de valores de corte precisos para o ângulo de fase como marcador prognóstico e a necessidade de métodos estatísticos confiáveis e precisos para fornecer previsões precisas de mortalidade e reinternação. Este protocolo usa o método não invasivo, rápido e à beira do leito, aplicando a regressão de Cox para identificar fatores de risco e exibir graficamente o limiar ajustado para previsão precisa de risco na insuficiência cardíaca aguda.

[Instrutor] Depois de instalar o R e o R Studio no computador, abra o R Studio. Clique na guia arquivo, vá para o novo arquivo e selecione Script R para exibir o arquivo de script no canto superior esquerdo acima da guia do console. No novo arquivo de script, instale os pacotes de sobrevivência, MASS e pspline necessários. Carregue os pacotes digitando e executando as funções da biblioteca para sobrevivência, MASS e pspline. Importe o conjunto de dados especificando o nome e o caminho do arquivo de dados no comando e atribua-o a um objeto chamado dataset.

Determinar o modelo de regressão de riscos proporcionais de Cox, ajustado para diabetes mellitus, pressão arterial sistólica, sódio sérico e ângulo de fase pelo método de Breslow e calcular os intervalos de confiança de 95% para os coeficientes do modelo. Em seguida, calcule o critério de informação de Akaike, o critério de informação bayesiano e a estatística C, juntamente com seu intervalo de confiança de 95%. Para a representação gráfica, crie o objeto de sobrevivência usando a função surv com dias de sobrevivência e resultado como entradas. Ajuste o modelo de regressão de riscos proporcionais de Cox usando o objeto de sobrevivência e ajuste para diabetes mellitus, pressão arterial sistólica, sódio sérico e uma spline penalizada de ângulo de fase com dois graus de liberdade. Em seguida, preveja os valores para a spline ajustada e seus erros padrão usando o modelo. Por fim, plote o modelo ajustado em um gráfico usando os valores previstos para visualizar a taxa de risco ajustada para o ângulo de fase. Adicione as linhas correspondentes acima e abaixo da curva ajustada para representar os limites superior e inferior do intervalo de previsão. Identifique o ponto de corte em que a taxa de risco ajustada excede um, indicando que valores mais baixos de ângulo de fase estão associados a um risco aumentado de mortalidade intra-hospitalar e readmissão ou morte em 90 dias. Esta tabela resume o valor prognóstico de vários parâmetros clínicos e de bioimpedância usando modelos de regressão de Cox multivariáveis, com resultados que consistem em mortalidade intra-hospitalar e readmissão ou morte em 90 dias. No modelo um para eventos adversos, um ângulo de fase mais baixo foi independentemente associado ao aumento do risco. No modelo dois, que incluiu variáveis diferentes, um ângulo de fase mais baixo permaneceu um preditor significativo de resultados adversos. A estatística C para o modelo um indicou capacidade preditiva moderada para eventos adversos. No modelo de mortalidade intra-hospitalar, um ângulo de fase mais baixo foi um preditor altamente significativo de óbito. A pressão arterial sistólica mais baixa também foi significativamente associada à mortalidade intra-hospitalar. O modelo de mortalidade intra-hospitalar apresentou a maior capacidade discriminatória entre todos os modelos.