В данном исследовании представлен ретроспективный клинический алгоритм оценки риска развития легочной гипертензии у пожилых пациентов, госпитализированных с обострением хронической обструктивной болезни легких, с использованием общедоступных клинических переменных и прогностической модели на основе номограммы.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Номограмма на основе рутинных данных для оценки риска развития легочной гипертензии у пожилых пациентов с обострением хронической обструктивной болезни легких
В этой статье
Краткое содержание
Аннотация
Легочная гипертензия является клинически значимым осложнением у пожилых пациентов, госпитализированных с обострением хронической обструктивной болезни легких, однако ранняя оценка риска в условиях первичного звена и больниц с ограниченными ресурсами остается затруднительной. В данном ретроспективном когортном исследовании была разработана и внутренне протестирована номограмма на основе рутинных данных для оценки риска развития легочной гипертензии. Были проанализированы данные 230 пожилых пациентов, госпитализированных с обострением хронической обструктивной болезни легких в период с мая 2023 года по май 2025 года. Пациенты были разделены на группы с легочной гипертензией и без нее на основании результатов трансторакальной эхокардиографии. Между группами сравнивались демографические характеристики, сопутствующие заболевания, показатели общего анализа крови, маркеры коагуляции, маркеры воспаления и маркеры стресса миокарда. Кандидаты в предикторы отбирались с помощью однофакторного анализа, оценки клинической значимости, анализа избыточности и многофакторной логистической регрессии. Четыре переменные — отношение нейтрофилов к лимфоцитам, мозговой натрийуретический пептид (BNP), D-димер и наличие астмы в анамнезе — были независимо связаны с легочной гипертензией и включены в основную номограмму. Модель продемонстрировала хорошую дискриминационную способность с площадью под ROC-кривой 0,82. Анализ кривых принятия решений указал на потенциальную чистую выгоду в диапазоне пороговых вероятностей примерно от 1% до 70%. Результаты калибровки требуют осторожной интерпретации из-за остаточного отклонения калибровки. Данный рабочий процесс предлагает практический подход к ранней стратификации риска легочной гипертензии у пожилых пациентов, госпитализированных с обострением хронической обструктивной болезни легких. Тем не менее, перед широким клиническим внедрением необходимы внешняя валидация и рекалибровка модели.
Введение
Хроническая обструктивная болезнь легких представляет собой распространенное хроническое респираторное заболевание, характеризующееся стойким ограничением воздушного потока, респираторными симптомами и рецидивирующими эпизодами клинического ухудшения. Она остается одним из основных факторов заболеваемости, смертности и нагрузки на систему здравоохранения во всем мире1. Острое обострение хронической обструктивной болезни легких означает острое ухудшение респираторных симптомов, включая одышку, кашель и выделение мокроты, и часто провоцируется инфекцией, воздействием факторов окружающей среды или другими острыми повреждениями2. У пожилых пациентов острые обострения часто протекают на фоне мультиморбидности, нарушенного сердечно-легочного резерва, системного воспаления и сниженной физиологической толерантности, что затрудняет раннюю оценку рисков.
Легочная гипертензия является важным осложнением хронической обструктивной болезни легких, особенно при острых обострениях. Ее развитие связано с хронической гипоксией, ремоделированием легочных сосудов, эндотелиальной дисфункцией, воспалительной активацией и увеличением постнагрузки правого желудочка3. Повышенное давление в легочной артерии наблюдалось у пациентов с острым обострением хронической обструктивной болезни легких и может привести к ухудшению дыхательной недостаточности, перегрузке правых отделов сердца, увеличению частоты госпитализаций и снижению выживаемости4. Это прогностическое влияние особенно значимо у пожилых пациентов и лиц с запущенными сердечно-легочными заболеваниями5,6. Таким образом, раннее выявление пациентов с повышенным риском развития легочной гипертензии может способствовать более тщательному мониторингу, своевременному проведению эхокардиографического исследования и направлению на дальнейшее сердечно-легочное обследование.
Катетеризация правых отделов сердца остается золотым стандартом подтверждения легочной гипертензии; однако ее инвазивность, стоимость, технические требования и ограниченная доступность ограничивают ее использование в качестве первичного метода скрининга во многих муниципальных и районных больницах7. Трансторакальная эхокардиография широко применяется в качестве неинвазивного метода оценки, но на ее надежность могут влиять гипервоздушность легких, плохие акустические окна и эмфизематозные изменения у пациентов с хронической обструктивной болезнью легких8. Хотя эти ограничения не снижают клинической значимости эхокардиографии, они подчеркивают необходимость в простом алгоритме оценки риска, который можно применять до или параллельно с визуализационными методами исследования.
Для решения этой задачи могут быть полезны рутинные клинические и лабораторные показатели. Отношение нейтрофилов к лимфоцитам рассчитывается на основе результатов общего анализа крови и отражает баланс между воспалением, вызванным нейтрофилами, и иммунной регуляцией, опосредованной лимфоцитами9. Данный показатель связывают с активностью заболевания и неблагоприятными исходами при легочных и сердечно-сосудистых патологиях10. Натрийуретический пептид B-типа является доступным маркером напряжения стенки миокарда, перегрузки правого желудочка давлением и кардиопульмональной нагрузки1. D-димер отражает активацию коагуляции и вторичный фибринолиз; его уровень может повышаться при острых обострениях вследствие гипоксемии, инфекции, повреждения эндотелия и снижения двигательной активности12. Тем не менее, маловероятно, что какой-либо один биомаркер сможет в полной мере отразить профиль риска развития легочной гипертензии у пожилых пациентов с обострением хронической обструктивной болезни легких.
Номограмма представляет собой практический способ преобразования многофакторной прогностической модели в индивидуализированную оценку риска. По сравнению с простым представлением коэффициентов регрессии, она позволяет интегрировать несколько предикторов на уровне пациента в клинически интерпретируемый инструмент13. В предыдущих исследованиях по клиническому прогнозированию модели на основе номограмм использовались для поддержки оценки риска непосредственно у постели больного, однако их полезность зависит от прозрачности выбора предикторов, надлежащей калибровки, валидации и осторожной интерпретации14. Новизна настоящего исследования заключается в разработке рабочего процесса на основе рутинных данных для пожилых пациентов, госпитализированных с острым обострением хронической обструктивной болезни легких, путем интеграции информации о воспалении, кардиальном стрессе, коагуляции и фенотипе дыхательных путей в практическую номограмму. Целью исследования было выявление клинических предикторов, связанных с легочной гипертензией, определенной по данным эхокардиографии, и построение внутренне валидированной модели для ранней стратификации риска, а не для окончательной диагностики.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Протокол
Протокол исследования был рассмотрен и одобрен Комитетом по этике госпиталя традиционной китайской медицины уезда Сантай в городе Мяньян, провинция Сычуань (номер одобрения 202503). Исследование проводилось в соответствии с принципами Хельсинкской декларации. До включения в исследование от каждого пациента или его родственника первой степени родства было получено письменное информированное согласие. В данном ретроспективном когортном исследовании анализировались медицинские карты пожилых пациентов, госпитализированных с обострением хронической обструктивной болезни легких (ХОБЛ) в отделение респираторной и интенсивной терапии госпиталя традиционной китайской медицины уезда Сантай в период с мая 2023 года по май 2025 года. Целью исследования было выявление доступных в рутинной практике клинических предикторов легочной гипертензии (ЛГ) и разработка номограммы для индивидуальной оценки риска развития ЛГ. Лабораторное оборудование, система эхокардиографии, принадлежности для забора крови, инструменты для извлечения данных и статистическое программное обеспечение, использованные в данном рабочем процессе, перечислены в Таблица материалов.
1. Скрининг пациентов и оценка соответствия критериям включения
Госпитализированные пациенты с выписным диагнозом ОБО ХОБЛ в период исследования были отобраны с помощью системы электронных медицинских карт стационара. Каждая запись была проверена, чтобы подтвердить, что возраст пациента составляет не менее 60 лет, а диагноз «хроническая обструктивная болезнь легких» соответствует диагностическим критериям Global Initiative for Chronic Obstructive Lung Disease 2021 года15. ОБО ХОБЛ определялось как острое ухудшение респираторных симптомов, потребовавшее госпитализации и дополнительного лечения. Для пациентов с более чем одной госпитализацией по поводу ОБО ХОБЛ в период исследования учитывалась только первая подходящая госпитализация.
Пациенты включались в исследование при соблюдении всех следующих критериев: возраст не менее 60 лет; госпитализация по поводу AECOPD в период с мая 2023 года по май 2025 года; наличие данных трансторакальной эхокардиографии во время индексной госпитализации; наличие первого образца венозной крови, взятого натощак после поступления; а также полнота клинических, лабораторных и эхокардиографических данных, необходимых для построения модели. Пациенты исключались, если у них наблюдались тяжелая печеночная недостаточность, терминальная стадия почечной недостаточности, активный злокачественный процесс, легочная гипертензия, обусловленная другими известными причинами, первичные заболевания левых отделов сердца, заболевания соединительной ткани, такие как системный склероз, активный туберкулез легких или отсутствие ключевых переменных, необходимых для классификации исходов или построения модели.
Перед удалением записей из-за неполноты информации были проверены такие показатели, как возраст, пол, анамнез курения, анамнез употребления алкоголя, наличие аллергии на лекарственные препараты, гипертензия, сахарный диабет, ишемическая болезнь сердца, астма, бронхоэктатическая болезнь, легочная инфекция, эмфизема, дыхательная недостаточность, сердечная недостаточность, статус ЛГ по данным эхокардиографии, показатели общего анализа крови, уровень альбумина, креатинина, высокочувствительного С-реактивного белка, D-димера, фибриногена, мозгового натрийуретического пептида и соотношение нейтрофилов к лимфоцитам. Количество прошедших скрининг и исключенных записей, причины исключения итоговое число включенных случаев были зафиксированы для построения блок-схемы отбора пациентов (Рисунок 1).
Рисунок 1Скрининг пациентов и формирование когорты. На блок-схеме показаны этапы идентификации записей, оценки соответствия критериям включения, исключения и окончательного распределения пожилых пациентов, госпитализированных с обострением ХОБЛ. Пациенты были разделены на группу без ЛС и группу с ЛС на основании результатов трансторакальной эхокардиографии. Сокращения: AECOPD — острое обострение хронической обструктивной болезни легких; PH — легочная гипертензия. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
2. Клиническая группировка и диагностическое определение легочной гипертензии
Включенные пациенты были разделены на группу без ЛГ и группу с ЛГ на основании данных трансторакальной эхокардиографии, полученных во время госпитализации. Диагностика проводилась в соответствии с рекомендациями Европейского общества кардиологов и Европейского респираторного общества по легочной гипертензии от 2015 года16. В данном ретроспективном наборе данных в качестве основы для диагностики использовалась трансторакальная эхокардиография в состоянии покоя. Исследования проводились опытными врачами-эхокардиографами с использованием стандартных парастернального, апикального и субкостального сечений. Перед распределением по группам проверялась интерпретируемость эхокардиографических данных, так как у пациентов с хронической обструктивной болезнью легких часто наблюдаются плохие акустические окна. Запись считалась пригодной для классификации ЛГ, если был измерим допплеровский сигнал трикуспидальной регургитации или если можно было оценить размер правого желудочка, толщину его стенки и систолическую функцию по интерпретируемым изображениям сердца.
Систолическое давление в легочной артерии оценивали на основе пиковой скорости трикуспидальной регургитации и расчетного давления в правом предсердии. Давление в правом предсердии оценивали по диаметру нижней полой вены и степени ее коллапса на вдохе, если оба этих показателя были доступны. ЛГ определяли как расчетное систолическое давление в легочной артерии не менее 40 mmHg. В случаях, когда систолическое давление в легочной артерии не удавалось надежно оценить, классификация ЛГ требовала косвенных эхокардиографических признаков поражения правого желудочка, включая расширение правого желудочка, гипертрофию правого желудочка, систолическую дисфункцию правого желудочка, уплощение межжелудочковой перегородки или расширение легочной артерии. Эхокардиографические записи с нечеткими изображениями, нерегистрируемыми допплеровскими сигналами трикуспидальной регургитации или противоречивыми данными о состоянии правых отделов сердца рассматривались вторым врачом-эхокардиографом перед окончательным распределением по группам. Записи, которые оставались неинтерпретируемыми после пересмотра, исключались из окончательного анализа. В итоговую когорту вошли 230 пожилых пациентов, соответствующих критериям включения; 120 пациентов были распределены в группу без ЛГ, а 110 пациентов — в группу с ЛГ.
3. Извлечение демографических и клинических переменных
Все клинические данные были извлечены из системы электронных медицинских карт стационара с использованием стандартизированной формы сбора данных. Были зафиксированы пол, возраст, анамнез курения, анамнез употребления алкоголя, наличие лекарственной аллергии, гипертонии, сахарного диабета, ишемической болезни сердца, астмы, бронхоэктатической болезни, легочной инфекции, эмфиземы, дыхательной недостаточности и сердечной недостаточности. Анамнез курения определялся как потребление не менее 10 сигарет за всю жизнь, а анамнез употребления алкоголя — как регулярное употребление алкоголя не менее двух раз в неделю.
Диагноз легочной инфекции устанавливали на основании совокупности респираторных симптомов, физикальных признаков, данных визуализации органов грудной клетки и, при наличии, микробиологических доказательств. Сердечную недостаточность диагностировали согласно клиническим проявлениям, физикальным признакам, уровням мозгового натрийуретического пептида и данным эхокардиографии. Информация о сопутствующих заболеваниях сверялась с диагнозами при выписке, записями в дневниках наблюдения, протоколами визуализации, результатами лабораторных исследований и записями консультаций, если таковые имелись.
4. Сбор и обработка лабораторных переменных
В качестве источника лабораторных данных использовался первый образец венозной крови, взятый натощак утром на следующий день после госпитализации. Эта временная точка соответствовала первому утреннему забору крови после поступления и до плановой коррекции дневной терапии, если такая информация была доступна в медицинской карте. Из госпитальной лабораторной информационной системы были извлечены показатели общего анализа крови, биохимические показатели, маркеры коагуляции, маркеры воспаления и маркеры сердечного стресса.
Из отчета о клиническом анализе крови были записаны количество нейтрофилов, количество лимфоцитов, количество тромбоцитов, средний объем тромбоцитов и коэффициент вариации ширины распределения эритроцитов. Отношение нейтрофилов к лимфоцитам рассчитывали следующим образом:
Данные об уровне альбумина, креатинина, D-димера, фибриногена, высокочувствительного С-реактивного белка и мозгового натрийуретического пептида были взяты из соответствующих лабораторных отчетов. Во всем наборе данных использовались единые единицы измерения: альбумин в g/L, креатинин в µmol/L, высокочувствительный С-реактивный белок в mg/L, D-димер в µg/mL, фибриноген в g/L, количество нейтрофилов, лимфоцитов и тромбоцитов в ×109/L, средний объем тромбоцитов в fL и мозговой натрийуретический пептид в pg/mL.
5. Очистка и подготовка данных
Перед проведением статистического анализа был выполнен осмотр набора данных. Каждая включенная запись проверялась на соответствие критериям отбора, правильность распределения по группам, полноту лабораторных данных, интерпретируемость результатов эхокардиографии и наличие потенциальных предикторов. Прямые персональные идентификаторы были удалены, и каждому пациенту был присвоен идентификационный номер исследования. Дубликаты записей, повторные госпитализации, противоречивые метки групп, недопустимые даты и неправдоподобные лабораторные значения сверялись с оригинальной электронной медицинской картой и лабораторным отчетом. Импутация ключевых переменных исхода или предикторов не проводилась, так как окончательная модель была основана на анализе полных случаев.
Непрерывные переменные были проанализированы на предмет характеристик распределения. Переменные с нормальным распределением были представлены в виде среднего значения ± стандартного отклонения; переменные с ненормальным распределением — в виде медианы с межквартильным размахом; категориальные переменные — в виде абсолютного количества и процентов. Перед многофакторным моделированием клинически значимые переменные были проверены на избыточность. Количество нейтрофилов и количество лимфоцитов рассматривались совместно с соотношением нейтрофилов к лимфоцитам; легочная инфекция рассматривалась совместно с количеством нейтрофилов, высокочувствительным С-реактивным белком и соотношением нейтрофилов к лимфоцитам; сердечная недостаточность рассматривалась совместно с мозгонатрийуретическим пептидом B-типа и данными эхокардиографии; D-димер и фибриноген рассматривались как переменные, связанные со свертыванием крови; а количество тромбоцитов, средний объем тромбоцитов и коэффициент вариации ширины распределения эритроцитов рассматривались как гематологические переменные.
6. Одномерное сравнение между группами
Демографические характеристики, сопутствующие заболевания, лабораторные показатели и переменные эхокардиографической группировки сравнивались между группами без ЛГ и с ЛГ. Для непрерывных переменных с нормальным распределением использовался t-критерий для независимых выборок. Для непрерывных переменных с распределением, отличным от нормального, применялся U-критерий Манна-Уитни. Для категориальных переменных, в зависимости от ожидаемого количества наблюдений в ячейках, использовался критерий χ2 или точный критерий Фишера. Двустороннее значение P менее 0,05 считалось статистически значимым. Переменные со значимыми межгрупповыми различиями рассматривались для многофакторного анализа совместно с клинически значимыми предикторами.
7. Многофакторный логистический регрессионный анализ
Для выявления независимых предикторов, связанных с ЛС при обострении ХОБЛ у пожилых пациентов, использовали бинарную логистическую регрессию. В качестве зависимой переменной использовали статус ЛС. Непрерывные предикторы вводили в исходных единицах измерения, а категориальные предикторы кодировали как бинарные переменные. Переменные-кандидаты отбирали на основании результатов одномерного анализа и клинической значимости. Сначала определяли переменные, при которых P < 0.05 в одномерном сравнении, а затем проверяли их на избыточность, интерпретируемость и клиническое перекрытие.
Первоначальный набор переменных-кандидатов включал высокочувствительный С-реактивный белок, D-димер, коэффициент вариации ширины распределения эритроцитов, количество тромбоцитов, средний объем тромбоцитов, соотношение нейтрофилов к лимфоцитам, мозговой натрийуретический пептид B-типа, ишемическую болезнь сердца и астму в анамнезе. Количество нейтрофилов и количество лимфоцитов не включались совместно с соотношением нейтрофилов к лимфоцитам, так как они являются компонентами этого соотношения. Легочная инфекция и сердечная недостаточность оценивались в ходе анализа избыточности. Чтобы определить, повлияло ли их исключение на интерпретацию модели, был проведен анализ чувствительности путем добавления легочной инфекции и сердечной недостаточности в основной набор предикторов. Оценки регрессии, дискриминационная способность, калибровка и чистая клиническая выгода сравнивались между основной моделью и моделью анализа чувствительности.
Мультиколлинеарность между потенциальными предикторами оценивали с помощью коэффициентов инфляции дисперсии. Категориальные переменные перед расчетом кодировали, а непрерывные переменные вводили в тех же единицах, которые использовались для регрессионного моделирования. Значение коэффициента инфляции дисперсии ниже 5 считалось признаком отсутствия выраженной мультиколлинеарности. Для переменных, включенных в многофакторную модель, были представлены коэффициенты регрессии, стандартные ошибки, значения χ2 Уолда, отношения шансов, 95% доверительные интервалы, P-значения и коэффициенты инфляции дисперсии.
8. Построение номограммы
Номограмма была построена на основе независимых предикторов, оставшихся в модели многофакторной логистической регрессии. Конечными предикторами стали D-димер, отношение числа нейтрофилов к числу лимфоцитов, мозговой натрийуретический пептид B-типа и астма в анамнезе. Модель логистической регрессии была преобразована в балльную номограмму с помощью программного обеспечения R и пакета rms. Для набора данных моделирования был создан объект распределения данных, выполнено построение модели логистической регрессии, и коэффициенты регрессии были использованы для присвоения баллов каждому предиктору. Для каждого пациента баллы за D-димер, отношение числа нейтрофилов к числу лимфоцитов, мозговой натрийуретический пептид B-типа и астму в анамнезе суммировались для получения общего балла, который затем сопоставлялся с расчетной вероятностью PH.
Интерпретация номограммы проводилась с использованием стандартных процедур подсчета баллов, описанных в предыдущих исследованиях моделей клинического прогнозирования17,18. Значения D-димера, соотношение нейтрофилов к лимфоцитам, уровень мозгового натрийуретического пептида и статус астмы пациента определялись на соответствующих осях. От каждого значения предиктора к шкале баллов проводилась вертикальная линия. Баллы суммировались для получения общего счета, после чего от шкалы общего счета к оси прогнозируемой вероятности проводилась вертикальная линия для определения индивидуальной расчетной вероятности ЛГС. Иллюстративный пример пациента, использованный в рукописи, был выбран на основе значений, находящихся внутри или близко к наблюдаемому клиническому распределению когорты.
9. Оценка эффективности модели
Дискриминационная способность модели оценивали с помощью анализа ROC-кривых (рабочей характеристики приемника) и расчета площади под кривой (AUC). Значение площади под кривой приводилось с 95% доверительным интервалом. Номограмму сравнивали с отдельными предикторами и с моделью, объединяющей количественные лабораторные маркеры. Калибровку оценивали путем сравнения прогнозируемых вероятностей с наблюдаемыми исходами ЛГ. Калибровочная кривая была построена с использованием бутстреп-ресэмплинга. Были определены интерцепт калибровки, наклон калибровки, средняя абсолютная ошибка, показатель Брайера и результат теста Хосмера-Лемешоу. Также рассчитывались скорректированные методом бутстрепа интерцепт и наклон калибровки. Результаты теста Хосмера-Лемешоу интерпретировались совместно с калибровочной кривой и количественными индексами калибровки.
Клиническая полезность оценивалась с помощью анализа кривых принятия решений. Чистая выгода была построена в зависимости от пороговых вероятностей и сопоставлена с эталонными стратегиями «лечить всех» и «не лечить никого». Был определен диапазон пороговых вероятностей, при которых модель обеспечивала более высокую чистую выгоду, чем эталонные стратегии.
10. Внутренняя валидация и воспроизводимость
Внутренняя валидация проводилась с использованием бутстреп-ресемплинга с 1 0 повторений. В каждой бутстреп-выборке модель была переобучена и протестирована для оценки оптимизма в эффективности модели. Индексы дискриминации и калибровки, скорректированные с учетом оптимизма, были рассчитаны и представлены вместе с показателями видимой эффективности модели.
Статистический анализ проводили с использованием стандартного статистического программного обеспечения и R версии 4.5.2. Пакеты R использовались для построения моделей логистической регрессии, создания номограммы, анализа ROC-кривых (receiver operating characteristic), оценки калибровки, внутренней валидации и анализа кривых принятия решений. Номограмма была построена с использованием пакета rms в R.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Результаты
Скрининг пациентов и характеристики когорты
В общей сложности 230 пожилых пациентов, госпитализированных с обострением хронической обструктивной болезни легких (ОХОБЛ), соответствовали критериям отбора и были включены в окончательный анализ. По результатам трансторакальной эхокардиографии 120 пациентов были распределены в группу без легочной гипертензии (non-PH), а 110 пациентов — в группу с легочной гипертензией (PH) (Рисунок 1). Общие исходные х...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Обсуждение
В данном исследовании была разработана номограмма на основе рутинных данных для оценки риска развития легочной гипертензии (ЛГ) у пожилых пациентов, госпитализированных с обострением хронической обструктивной болезни легких (ОХОБЛ). В первичную модель были включены четыре общедоступные переменные, а именно: отношение нейтрофилов к лимфоцитам (NLR), мозговой натрийуретический пептид (BNP), D-димер и наличие астмы в анамнезе. Номограмма продемонстрировала лучшую дискриминационную способность по сравнению с отдельными колич...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Раскрытие информации
Авторы заявляют об отсутствии конкурирующих финансовых интересов или иных конфликтов интересов, связанных с данной работой.
Вклад авторов
Минфэн Ву: дизайн исследования, руководство и реализация, подготовка и редактирование рукописи, координация обязанностей команды; Ли Чжан: сбор и систематизация данных, статистический анализ, подготовка рукописи; Сюн Ван: сбор данных и подготовка рукописи; Шаохуа Сюй: статистический анализ и редактирование рукописи; Ли Сье: редактирование рукописи.
Благодарности
Данное исследование было поддержано проектами научных исследований Администрации традиционной китайской медицины провинции Сычуань, включая «Практическое исследование по созданию модели прогнозирования легочной гипертензии у пожилых пациентов с хронической обструктивной болезнью легких на основе соотношения NLR (грант № 25MSZX321)» и «Создание модели лабораторного обслуживания медицинского сообщества на уровне уезда и исследование политических мер реагирования на базе системы „доставка дронами + диагностика с помощью ИИ“» (грант № 25MSZX322). Авторы благодарят больницу традиционной китайской медицины уезда Сантай за поддержку данного исследования.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Автоматический биохимический анализатор | Mindray Bio-Medical Electronics Co., Ltd. | BS-480 | Используется для измерения уровней альбумина сыворотки, креатинина и высокочувствительного С-реактивного белка при рутинных клинических лабораторных исследованиях. |
| Автоматический коагулометрический анализатор | Mindray Bio-Medical Electronics Co., Ltd. | C3510 | Используется для измерения уровней D-димера и фибриногена при рутинных исследованиях коагуляции. |
| Автоматический гематологический анализатор | Mindray Bio-Medical Electronics Co., Ltd. | BC-5380 | Используется для определения количества нейтрофилов, лимфоцитов, тромбоцитов, среднего объема тромбоцитов и коэффициента вариации ширины распределения эритроцитов. |
| Анализатор для хемилюминесцентного иммуноанализа | Mindray Bio-Medical Electronics Co., Ltd. | CL-120i | Используется для измерения уровня мозгового натрийуретического пептида при рутинных клинических лабораторных исследованиях. |
| Реагенты, калибраторы и контрольные материалы для хемилюминесцентного иммуноанализа | Mindray Bio-Medical Electronics Co., Ltd. | CL-series reagent system | Используются для проведения хемилюминесцентного иммуноанализа и контроля качества. |
| Реагенты, калибраторы и контрольные материалы для клинической биохимии | Mindray Bio-Medical Electronics Co., Ltd. | BS-series reagent system | Используются для рутинных биохимических анализов, выполняемых на анализаторе серии BS. |
| Калибраторы и контрольные материалы для коагулометрии | Mindray Bio-Medical Electronics Co., Ltd. | Product-specific* | Используются для контроля качества и калибровки анализов коагуляции. |
| Пакет dcurves | CRAN | dcurves | Используется для анализа кривых принятия решений и расчета клинической чистой выгоды при различных пороговых вероятностях. |
| Пробирка для забора венозной крови с ЭДТА | BD | Vacutainer K2EDTA tube (REF 367856) | Используется для общего анализа крови. |
| Система электронных медицинских карт | Santai County Traditional Chinese Medicine Hospital | Not applicable | Используется для извлечения демографических характеристик пациентов, записей о госпитализации, диагнозов при выписке, сопутствующих заболеваний, дневников наблюдения, отчетов о визуализации, записей консультаций и клинических исходов. |
| Гематологические реагенты, калибраторы и контрольные материалы | Mindray Bio-Medical Electronics Co., Ltd. | BC-series reagent system | Используются для рутинного общего анализа крови и контроля качества работы анализатора. |
| IBM SPSS Statistics | IBM Corp. | Version 26.0 | Используется для описательной статистики, сравнения групп и предварительного логистического регрессионного анализа. |
| Лабораторная информационная система | Santai County Traditional Chinese Medicine Hospital | Not applicable | Используется для извлечения показателей общего анализа крови, биохимических показателей, маркеров коагуляции, маркеров воспаления и маркеров сердечного стресса. |
| Пакет pROC | CRAN | pROC | Используется для анализа ROC-кривых и оценки площади под кривой (AUC). |
| Статистическое программное обеспечение R | R Foundation for Statistical Computing | Version 4.5.2 | Используется для моделирования логистической регрессии, построения номограмм, анализа ROC-кривых, оценки калибровки, внутренней валидации методом бутстрэпа и анализа кривых принятия решений. |
| Пакет ResourceSelection | CRAN | ResourceSelection | Используется для проведения теста согласия Хосмера-Лемешоу. |
| Пакет rms | CRAN (Frank E. Harrell Jr.) | rms | Используется для регрессионного моделирования, построения номограмм, оценки калибровки и внутренней валидации. |
| Пробирка для забора венозной крови с разделительным гелем | BD | Vacutainer SST tube (REF 367820) | Используется для биохимического анализа сыворотки и исследования маркеров воспаления. |
| Пробирка для забора венозной крови с цитратом натрия | BD | Vacutainer citrate tube (REF 363080) | Используется для исследований коагуляции, включая определение D-димера и фибриногена. |
| Стандартизированная форма извлечения клинических данных | Created by the study team | Not applicable | Используется для извлечения предопределенных демографических, клинических, лабораторных и эхокардиографических переменных из ретроспективных записей. |
| Система трансторакальной эхокардиографии | GE HealthCare | Vivid E95 | Используется для оценки систолического давления в легочной артерии, а также размеров правого желудочка, толщины его стенок и систолической функции. |
Ссылки
- Adeloye D, et al. Global, regional, and national prevalence of, and risk factors for, chronic obstructive pulmonary disease (COPD) in 2019: a systematic review and modelling analysis. Lancet Respir Med. 2022;10:447-58.
- Chronic Obstructive Pulmonary Disease Group of Chinese Thoracic Society, Chronic Obstructive Pulmonary Disease Committee of Chinese Association of Chest Physician. Guidelines for the diagnosis and management of chronic obstructive pulmonary disease, revised version 2021. Chin J Tuberc Respir Dis. 2021;44:170-205.
- Johnson S, et al. Pulmonary hypertension: a contemporary review. Am J Respir Crit Care Med. 2023;208:528-48.
- Munshi RF, Pellegrini JR Jr, Patel P, Anjum F. Impact of pulmonary hypertension in patients with acute exacerbation of chronic obstructive pulmonary disease and its effect on healthcare utilization. Pulm Circ. 2021;11(3):20458940211046838.
- Prins KW, et al. Disproportionate right ventricular dysfunction and poor survival in group 3 pulmonary hypertension. Am J Respir Crit Care Med. 2018;197:1496-9.
- Andersen KH, et al. Prevalence, predictors, and survival in pulmonary hypertension related to end-stage chronic obstructive pulmonary disease. J Heart Lung Transplant. 2012;31:373-80.
- Chen Y, et al. Right heart catheterization-related complications: a review of the literature and best practices. Cardiol Rev. 2020;28:36-41.
- Younis M, et al. Echocardiography and pulmonary hypertension in patients with chronic obstructive pulmonary disease undergoing lung transplantation evaluation. Am J Med Sci. 2024;367:95-104.
- Pascual-González Y, López-Sánchez M, Dorca J, Santos S. Defining the role of neutrophil-to-lymphocyte ratio in COPD: a systematic literature review. Int J Chron Obstruct Pulmon Dis. 2018;13:3651-62.
- Lee SJ, et al. Usefulness of neutrophil to lymphocyte ratio in patients with chronic obstructive pulmonary disease: a prospective observational study. Korean J Intern Med. 2016;31:891-8.
- Leuchte HH, et al. Brain natriuretic peptide is a prognostic parameter in chronic lung disease. Am J Respir Crit Care Med. 2006;173:744-50.
- Husebø GR, et al. Coagulation markers as predictors for clinical events in COPD. Respirology. 2021;26:342-51.
- Iasonos A, Schrag D, Raj GV, Panageas KS. How to build and interpret a nomogram for cancer prognosis. J Clin Oncol. 2008;26:1364-70.
- Balachandran VP, Gonen M, Smith JJ, DeMatteo RP. Nomograms in oncology: more than meets the eye. Lancet Oncol. 2015;16(4):e173-e180.
- Global Initiative for Chronic Obstructive Lung Disease. Global Strategy for the Diagnosis, Management, and Prevention of Chronic Obstructive Pulmonary Disease: 2021 Report. Global Initiative for Chronic Obstructive Lung Disease; Fontana; 2021.
- Galiè N, et al. 2015 ESC/ERS Guidelines for the diagnosis and treatment of pulmonary hypertension. Eur Heart J. 2016;37:67-119.
- Wu Z, Zhan S, Wang D, Tang C. A novel nomogram for predicting the risk of acute heart failure in intensive care unit patients with COPD. Chronic Obstr Pulm Dis. 2025;12(2):117-126.
- Cheng H, et al. A risk nomogram for predicting prolonged intensive care unit stays in patients with chronic obstructive pulmonary disease. Front Med. 2023;10:1177786.
- Zinellu A, et al. Clinical significance of the neutrophil-to-lymphocyte ratio and platelet-to-lymphocyte ratio in acute exacerbations of COPD: present evidence and future perspectives. Eur Respir Rev. 2022;31(166):220095.
- Jiang T, et al. Value of the neutrophil-to-lymphocyte ratio in chronic obstructive pulmonary disease complicated with pulmonary hypertension. J Int Med Res. 2023;51(1):3000605231200266.
- Hawkins NM, et al. B-type natriuretic peptides in chronic obstructive pulmonary disease: a systematic review. BMC Pulm Med. 2017;17:11.
- Hu G, et al. Prognostic role of D-dimer for in-hospital and 1-year mortality in exacerbations of COPD. Int J Chron Obstruct Pulmon Dis. 2016;11:2729-36.
- Zuo H, et al. Predictive value of novel inflammation-based biomarkers for pulmonary hypertension in the acute exacerbation of chronic obstructive pulmonary disease. Anal Cell Pathol (Amst). 2019;2019:5189165.
- Hayiroglu MI, Cicek V, Kilic S, Cinar T. Mean serum D-dimer level to predict in-hospital mortality in COVID-19 patients. Rev Assoc Med Bras (1992). 2021;67:1108-13.
- Guney BC, et al. Evaluation of N/LP ratio as a predictor of disease progression and mortality in COVID-19 patients admitted to the intensive care unit. Medeni Med J. 2021;36:241-8.
- Hayiroglu MI, Cinar T, Tekkesin AI. Fibrinogen and D-dimer variances and anticoagulation recommendations in COVID-19: current literature review. Rev Assoc Med Bras (1992). 2020;66:842-8.
- Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis: the TRIPOD statement. Ann Intern Med. 2015;162:55-63.
- Moons KGM, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis: explanation and elaboration. Ann Intern Med. 2015;162(1):W1-W73.
- Kalenderoglu K, et al. Heart rate variability nomogram predicts atrial fibrillation in patients with moderate to high burden of premature ventricular complexes. Medicina (Kaunas). 2026;62:243.
- Cicek V, et al. A new risk prediction model for the assessment of myocardial injury in elderly patients undergoing non-elective surgery. J Cardiovasc Dev Dis. 2025;12(1):6.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.