Пороговое значение фазового угла по данным биоимпедансного анализа при поступлении в качестве прогностического фактора у пациентов с острой сердечной недостаточностью
10 июня 2025 г.
В этом протоколе представлены R-коды для выполнения ограниченного кубического сплайна, многомерного регрессионного анализа Кокса для определения порогового значения фазового угла для прогноза при острой сердечной недостаточности, а также коды для вычисления статистики, которая измеряет дискриминирующую способность каждой модели и оценивает ее хорошую подгонку.
В этом исследовании оценивается прогностическая полезность фазового угла при острой сердечной недостаточности путем определения оптимального порогового значения и оценки производительности модели с помощью многомерной конфигурации с ограниченными сплайнами. Последние разработки в этой области включают использование векторного анализа биоэлектрического импеданса (BIVA) для точной оценки состояния гидратации и целостности клеточной мембраны наряду с многомерными моделями выживаемости, включенными в состав биомаркеров, полученных с помощью электрического импеданса, для улучшения ранней идентификации пациентов с высоким риском.
Текущие задачи включают в себя обеспечение точных и надежных измерений BIVA во время госпитализации, контроль искажающих факторов в различных популяциях пациентов и обеспечение достаточного размера выборки для точных оценок в прогностическом моделировании. Мы устраняем пробел в отсутствии точных предельных значений для фазового угла в качестве прогностического маркера и потребность в надежных и точных статистических методах для обеспечения точных прогнозов смертности и повторной госпитализации. В этом протоколе используется неинвазивный, быстрый и прикроватный метод, применяющий регрессию Кокса для выявления факторов риска и графического отображения скорректированного порога для точного прогнозирования риска острой сердечной недостаточности.
[Инструктор] После установки R and R Studio на компьютер откройте R Studio. Нажмите на вкладку файла, перейдите к новому файлу и выберите скрипт R, чтобы отобразить файл скрипта в верхнем левом углу над вкладкой консоли. В новом файле скрипта установите необходимые пакеты survival, MASS и pspline. Загрузите пакеты, введя и выполнив библиотечные функции для survival, MASS и pspline. Импортируйте набор данных, указав имя и путь к файлу данных в команде, и назначьте его объекту с именем dataset.
Определите регрессионную модель пропорциональных рисков Кокса, скорректированную на сахарный диабет, систолическое артериальное давление, сывороточный натрий и фазовый угол с помощью метода Бреслоу, и рассчитайте 95% доверительные интервалы для коэффициентов модели. Затем рассчитайте информационный критерий Акаике, байесовский информационный критерий и C-статистику, а также ее 95% доверительный интервал. Для графического представления создайте объект выживания с помощью функции surv с днями выживания и исходом в качестве входных данных. Подгонка регрессионной модели пропорциональных рисков Кокса с использованием объекта выживания и корректировка на сахарный диабет, систолическое артериальное давление, сывороточный натрий и штрафной сплайн фазового угла с двумя степенями свободы. Затем спрогнозируйте значения аппроксимированного сплайна и их стандартные ошибки с помощью модели. Наконец, постройте аппроксимированную модель на графике, используя прогнозируемые значения, чтобы визуализировать скорректированное отношение рисков для фазового угла. Добавьте соответствующие линии выше и ниже аппроксимированной кривой, чтобы представить верхнюю и нижнюю границы интервала прогнозирования. Определите точку отсечения, в которой скорректированное отношение рисков превышает единицу, указывая на то, что более низкие значения фазового угла связаны с повышенным риском внутрибольничной смертности и 90-дневной повторной госпитализации или смерти. В этой таблице обобщена прогностическая ценность различных клинических и биоимпедансных параметров с использованием многофакторных регрессионных моделей Кокса, с исходами, состоящими из внутрибольничной смертности и 90-дневной повторной госпитализации или смерти. В первой модели для нежелательных явлений более низкий фазовый угол был независимо связан с повышенным риском. Во второй модели, которая включала различные переменные, более низкий фазовый угол оставался значимым предиктором неблагоприятных исходов. Статистика C для первой модели указывает на умеренную прогностическую способность к нежелательным явлениям. В модели внутрибольничной смертности более низкий фазовый угол был очень значимым предиктором смерти. Более низкое систолическое артериальное давление также было в значительной степени связано с внутрибольничной смертностью. Модель внутрибольничной смертности обладала самой высокой дискриминирующей способностью среди всех моделей.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данном исследовании оценивается прогностическая значимость фазового угла при острой сердечной недостаточности путем определения оптимального порогового значения и оценки эффективности модели с помощью многофакторного регрессионного анализа Кокса. Целью протокола является обеспечение точного прогнозирования смертности и повторной госпитализации с использованием неинвазивных методов.
Основные компоненты исследования
Область науки
- Кардиология
- Прогностическое моделирование
- Биоимпедансный анализ
Теоретическая часть
- Фазовый угол является потенциальным прогностическим маркером при острой сердечной недостаточности.
- Биоэлектрический импедансный векторный анализ (BIVA) используется для оценки гидратации и целостности клеточных мембран.
- К основным сложностям относятся обеспечение точности измерений BIVA и контроль искажающих факторов.
- Существует потребность в надежных статистических методах для улучшения прогнозирования рисков.
Цель исследования
- Определить оптимальное пороговое значение фазового угла при острой сердечной недостаточности.
- Оценить эффективность многофакторных моделей выживаемости.
- Улучшить раннее выявление пациентов высокого риска.
Используемые методы
- Многофакторный регрессионный анализ Кокса с использованием ограниченных кубических сплайнов.
- Статистические показатели для оценки эффективности модели и качества подгонки.
- Неинвазивные и быстрые прикроватные методы оценки рисков.
- Применение биомаркеров, полученных на основе электрического импеданса.
Основные результаты
- Определение точного порогового значения фазового угла.
- Повышение эффективности модели для прогнозирования смертности и повторной госпитализации.
- Демонстрация полезности BIVA в клинических условиях.
- Устранение пробелов в существующих прогностических моделях.
Выводы
- Фазовый угол является ценным прогностическим маркером при острой сердечной недостаточности.
- Надежные статистические методы повышают точность прогнозирования рисков.
- Необходимы дальнейшие исследования для подтверждения полученных результатов на различных популяциях пациентов.
Часто задаваемые вопросы
Практическая значимость для отрасли
Количественное измерение фазового угла с помощью биоэлектрического импедансного анализа (BIA) предоставляет неинвазивный и быстрый биомаркер для стратификации риска при острой сердечной недостаточности, что напрямую способствует раннему выявлению прогностических показателей. Установление валидированного порогового значения обеспечивает прогностическую достоверность непосредственно при поступлении пациента, что позволяет оптимизировать сортировку на уровне всего портфеля пациентов и распределение ресурсов для групп высокого риска. Данный подход укрепляет трансляционную преемственность от поиска биомаркеров до клинического моделирования рисков в сердечно-сосудистых исследованиях.
Стратегические применения в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишеней
- Поддерживает идентификацию и валидацию биомаркеров острых патологических состояний, полученных на основе электрического импеданса.
- Обеспечивает снижение механистических рисков путем установления связи между фазовым углом, целостностью клеток и статусом гидратации.
- Повышает прогностическую достоверность при квалификации биомаркеров сердечной недостаточности на ранних стадиях.
Скрининг и разработка анализа
- Обеспечивает стандартизированный, воспроизводимый количественный результат для высокопроизводительных исследований по стратификации пациентов.
- Позволяет разрабатывать методы анализа для экспресс-оценки рисков непосредственно у постели больного с использованием показателей, полученных с помощью BIA.
- Поддерживает масштабируемость платформы и ее повторное использование в рамках инициатив по скринингу сердечно-сосудистых биомаркеров.
Трансляционные и доклинические исследования
- Соответствует стратегиям разработки трансляционных биомаркеров, связывая результаты этапа поиска с клиническими конечными точками.
- Обеспечивает принятие решений о продвижении проекта с учетом рисков на основе количественных, валидированных моделью пороговых значений.
- Усиливает предиктивное снижение рисков для потенциальных биомаркеров в процессах доклинической и клинической валидации.
Интеграция конвейера и рабочего процесса
Определение порогового значения фазового угла с помощью биоимпедансного анализа (BIA) интегрируется в континуум от фундаментальных открытий до клинической практики, обеспечивая раннюю валидацию биомаркеров, моделирование рисков и трансляционные исследования сердечной недостаточности.
- Фундаментальная биология: Количественный анализ фазового угла позволяет проверять гипотезы о состоянии здоровья клеток и статусе жидкости как прогностических факторах.
- Скрининг: Стандартизированные измерения БИА обеспечивают воспроизводимые и масштабируемые результаты для исследований по стратификации пациентов.
- Аналитика: Многофакторная регрессия Кокса и сплайн-моделирование обеспечивают надежные статистические данные для сравнения прогностических порогов.
- Трансляционные исследования: Валидированные пороговые значения обеспечивают преемственность от этапа фундаментальных открытий к моделям прогнозирования клинического риска.
- Корпоративное использование: Оценка фазового угла на основе БИА применима в различных портфелях исследований сердечно-сосудистых и метаболических заболеваний.
Операционное и корпоративное воздействие
- Научная ценность: повышает точность прогнозирования и снижает механистическую неопределенность в моделях риска на основе биомаркеров.
- Операционная ценность: обеспечивает быстрое, неинвазивное и стандартизированное измерение, подходящее для крупномасштабных исследований.
- Стратегическая ценность: позволяет принимать обоснованные данными решения о продолжении или прекращении разработок (go/no-go) и оптимизировать распределение ресурсов для когорт высокого риска.
- Влияние на портфель: поддерживает приоритизацию с учетом рисков и развитие перспективных биомаркеров и клинических моделей.
Особенности реализации
- Требуется опыт работы с оборудованием для БИА и моделированием анализа выживаемости.
- Необходима развитая аналитическая инфраструктура для проведения многофакторного регрессионного и сплайн-анализа.
- Требуется межкомандная стандартизация протоколов измерений и интерпретации данных.
- Адаптация метода для различных групп пациентов может потребовать дополнительных валидационных исследований.
- Точность зависит от контроля вмешивающихся переменных и обеспечения согласованности измерений БИА.
