Пороговое значение фазового угла по данным биоимпедансного анализа при поступлении в качестве прогностического фактора у пациентов с острой сердечной недостаточностью

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.