Akut Kalp Yetmezliği Olan Hastalarda Prognostik Faktör Olarak Başvuruda Biyoelektrik Empedans Analizi ile Faz Açısının Cutoff Değeri

Bu çalışma, akut kalp yetmezliğinde faz açısının prognostik faydasını, optimal bir kesme değeri belirleyerek ve kısıtlı spline'larla çok değişkenli konfigürasyon yoluyla model performansını değerlendirerek değerlendirmektedir. Bu alandaki son gelişmeler arasında, yüksek riskli hastaların erken teşhisini iyileştirmek için elektriksel empedanstan türetilmiş biyobelirteçler tarafından dahil edilen çok değişkenli sağkalım modellerinin yanı sıra hidrasyon durumunun ve hücre zarı bütünlüğünün hassas bir şekilde değerlendirilmesi için biyoelektrik empedans vektör analizinin veya BIVA'nın kullanılması yer almaktadır.

Mevcut zorluklar arasında hastaneye yatış sırasında doğru, güvenilir BIVA ölçümlerinin sağlanması, çeşitli hasta popülasyonlarında kafa karıştırıcı faktörlerin kontrol edilmesi ve prognostik modellemede doğru tahminler için yeterli bir örneklem boyutunun güvence altına alınması yer almaktadır. Prognostik bir belirteç olarak faz açısı için kesin kesme değerlerinin eksikliğindeki boşluğu ve mortalite ve yeniden hastaneye yatışların doğru tahminlerini sağlamak için güvenilir ve doğru istatistiksel yöntemlere duyulan ihtiyacı ele alıyoruz. Bu protokol, akut kalp yetmezliğinde risk faktörlerini belirlemek ve kesin risk tahmini için ayarlanmış eşiği grafiksel olarak göstermek için Cox regresyonu uygulayan non-invaziv, hızlı ve yatak başı yöntemini kullanır.

[Öğretim Görevlisi] Bilgisayara R ve R Studio'yu kurduktan sonra R Studio'yu açın. Dosya sekmesine tıklayın, yeni dosyaya gidin ve betik dosyasını konsol sekmesinin sol üst köşesinde görüntülemek için R betiği'ni seçin. Yeni betik dosyasında gerekli hayatta kalma, MASS ve pspline paketlerini yükleyin. Hayatta kalma, MASS ve pspline için kitaplık işlevlerini yazıp yürüterek paketleri yükleyin. Komutta veri dosyasının adını ve yolunu belirterek veri kümesini içeri aktarın ve veri kümesi adlı bir nesneye atayın.

Breslow yöntemini kullanarak diabetes mellitus, sistolik kan basıncı, serum sodyum ve faz açısı için ayarlanmış Cox orantılı tehlikeler regresyon modelini belirleyin ve model katsayıları için %95 güven aralıklarını hesaplayın. Ardından, Akaike bilgi kriterini, Bayes bilgi kriterini ve C istatistiğini %95 güven aralığıyla birlikte hesaplayın. Grafiksel gösterim için, hayatta kalma günleri ve sonucu girdi olarak kullanarak surv işlevini kullanarak hayatta kalma nesnesini oluşturun. Hayatta kalma nesnesini kullanarak Cox orantılı tehlikeler regresyon modelini takın ve diabetes mellitus, sistolik kan basıncı, serum sodyum ve iki serbestlik derecesine sahip cezalandırılmış bir faz açısı spline için ayarlayın. Ardından, modeli kullanarak takılan spline'ın değerlerini ve standart hatalarını tahmin edin. Son olarak, faz açısı için ayarlanan tehlike oranını görselleştirmek için tahmin edilen değerleri kullanarak takılan modeli bir grafik üzerinde çizin. Tahmin aralığının üst ve alt sınırlarını temsil etmek için takılan eğrinin üstüne ve altına karşılık gelen çizgileri ekleyin. Ayarlanan tehlike oranının birden fazla olduğu kesme noktasını belirleyin, bu da daha düşük faz açısı değerlerinin hastanede ölüm ve 90 günlük yeniden yatış veya ölüm riskinin artmasıyla ilişkili olduğunu gösterir. Bu tablo, çok değişkenli Cox regresyon modelleri kullanılarak çeşitli klinik ve biyoempedans parametrelerinin prognostik değerini, hastane içi mortalite ve 90 günlük yeniden yatış veya ölümden oluşan sonuçlarla özetlemektedir. Olumsuz olaylar için birinci modelde, daha düşük bir faz açısı bağımsız olarak artan risk ile ilişkilendirildi. Farklı değişkenleri içeren ikinci modelde, daha düşük bir faz açısı, olumsuz sonuçların önemli bir belirleyicisi olarak kaldı. Birinci model için C istatistiği, advers olaylar için orta derecede öngörü kapasitesine işaret etti. Hastane içi mortalite modelinde, daha düşük bir faz açısı, ölümün oldukça anlamlı bir belirleyicisiydi. Düşük sistolik kan basıncı da hastane içi mortalite ile önemli ölçüde ilişkiliydi. Hastane içi mortalite modeli, tüm modeller arasında en yüksek ayırt edici yeteneğe sahipti.