قسمت 1|پیش بینی بهبودی کلیه پس از دیالیز-نیاز به آسیب حاد کلیه پیش بینی بهبودی کلیه پس از دیالیز-نیاز به آسیب حاد کلیه

پیش بینی بهبودی کلیه پس از دیالیز-نیاز به آسیب حاد کلیه پیش بینی بهبودی کلیه پس از دیالیز-نیاز به آسیب حاد کلیه

تماس: emily.li@wecistanche.com

بنجامین جی لی^1,2,3، چی یوان هسو^1,4، ریشی پریخ⁴، چارلز ای. مک کالوچ⁵، تیدا سی تان⁴کاتلین دی. لیو^1,6، ریموند ک. هسو¹، لئونید پروووروف⁷سیجی ژنگ^4,7و آلن اس. برو^1,4,5

¹بخش نفرولوژی، گروه پزشکی، دانشگاه کالیفرنیا، سانفرانسیسکو، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا.²مشاوران کلیه هیوستون، هیوستون، تگزاس، ایالات متحده آمریکا؛³موسسه متدیست هیوستون برای پزشکی آکادمیک، هیوستون، تگزاس، ایالات متحده؛⁴بخش تحقیقات، Kaiser Permanente شمالی کالیفرنیا، اوکلند، کالیفرنیا، ایالات متحده آمریکا.⁵گروه اپیدمیولوژی و آمار زیستی، دانشگاه کالیفرنیا، سانفرانسیسکو، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا. 6بخش مراقبت های ویژه، گروه بیهوشی، دانشگاه کالیفرنیا، سان فرانسیسکو، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا. و⁷بخش نفرولوژی، مرکز پزشکی Kaiser Permanente Oakland، اوکلند، کالیفرنیا، ایالات متحده آمریکا

مقدمه:

بعد ازنیاز به دیالیز آسیب حاد کلیه(AKI-D)، بازیابی کافیعملکرد کلیهبرای متوقف کردندیالیزیک نتیجه مهم بالینی و بیمار محور است. پیش بینی احتمال بهبودی در بیماران فردی یک معضل رایج است.

مواد و روش ها:

این مطالعه کوهورت تمام اعضای بزرگسال Kaiser Permanente کالیفرنیای شمالی را که بین ژانویه 2009 و سپتامبر 2015 AKI-D را تجربه کرده بودند و مرگ و میر بیماران بستری را پیش‌بینی کرده بودند، مورد بررسی قرار داد.<20%. candidate="" predictors="" included="" demographic="" characteristics,="" comorbidities,="" laboratory="" values,="" and="" medication="" use.="" we="" used="" logistic="" regression="" and="" classification="" and="" regression="" tree="" (cart)="">

برای توسعه و اعتبارسنجی متقابل مدل‌های پیش‌بینی برای بازیابی.

نتایج:

در میان 2214 بیمار مبتلا به AKI-D، میانگین سنی 67.1 سال، 4{7}}.8 درصد زن و 54.0 درصد سفیدپوست بودند. 40.9 درصد بیماران بهبود یافتند. بیمارانی که بهبود یافته بودند جوان‌تر بودند، میزان فیلتراسیون گلومرولی تخمین زده شده (eGFR) و سطوح هموگلوبین قبل از بستری بالاتری داشتند، و کمتر احتمال داشت نارسایی قلبی قبلی یا بیماری مزمن کبدی داشته باشند. رگرسیون لجستیک گام به گام اعمال شده بر روی نمونه های بوت استرپ، eGFR پایه، سطح هموگلوبین قبل از پذیرش، بیماری مزمن کبدی، و سن را به عنوان پیش بینی کننده هایی که معمولاً در ارتباط با خارج شدن هستند شناسایی کرد.دیالیزظرف 90 روز. مدل رگرسیون لجستیک نهایی ما شامل این پیش‌بینی‌کننده‌ها دارای ضریب همبستگی بین احتمالات مشاهده‌شده و پیش‌بینی‌شده 97.97 0، با شاخص c برابر با 0.64 بود. یک رویکرد CART جایگزین از مدل رگرسیون لجستیک (c-index 0.61) بهتر عمل نکرد.

نتیجه:

ما یک مدل پیش‌بینی متقابل را برای بازیابی پس از AKI-D با کالیبراسیون عالی با استفاده از داده‌های بالینی معمولی موجود توسعه دادیم. با این حال، تبعیض ملایم مدل، کاربرد بالینی آن را محدود می کند. تحقیقات بیشتری برای توسعه ابزارهای پیش بینی بهتر مورد نیاز است.

Kidney Int Rep (2019) 4، 571–581؛ https://doi.org/10.1016/j.ekir.2019.01.015

کلید واژه ها:دیالیز, دیالیز-نیاز به عملکرد کلیه،آسیب حاد کلیه،مدل پیش بینی،بهبودی کلیه

سیستانچ از عملکرد کلیه محافظت و بهبود می بخشد

AKI-D یک وضعیت پزشکی حاد جدی است که 3 تا 13 درصد از بیماران بدحال را تحت تاثیر قرار می دهد.^1–3اگرچه مرگ و میر در بیمارستان در میان بیماران مبتلا به AKI-D کاهش یافته است،^4–8بخش قابل توجهی از بازماندگان باقی مانده انددیالیز- وابسته به زمان ترخیص از بیمارستان و بعد از آن.^2,5,9–11 ریکاوری کلیهپس از AKI-D، به عنوان بازگشت کافی تعریف می شودعملکرد کلیهادامه دادندیالیز، یک پیامد بالینی و بیمار محور مهم است. اگر چه اکثر بیماران با پایه نرمالعملکرد کلیهدر صورت زنده ماندن از بستری شدن در بیمارستان AKI-D، در نهایت بهبود می یابند، 12 بسیاری از بیماران با تجربه AKI-Dآسیب حاد کلیه(AKI) بر بیماری مزمن کلیوی (CKD) سوار شده و بهبود نمی یابند.^13–15

پیش‌بینی بهبودی پس از شروع AKI-D یک معضل رایج است که بیماران، خانواده‌های آن‌ها و پزشکان در تخصص‌های مختلف، از نفرولوژیست گرفته تا متخصصین، بیمارستان‌ها و پزشکان مراقبت‌های اولیه با آن مواجه هستند. نشان داده شده است که eGFR پایه، پروتئینوری، سن، دیابت و بار بیماری های همراه بر احتمال بهبودی تأثیر می گذارند. تنها مدل پیش بینی منتشر شده توسط Srisawat و همکاران ساخته شده است.¹⁸ که دریافتند که شاخص همبودی چارلسون و نمره APACHE II پیش بینی کننده هستند. با این حال، مطالعه آنها کوچک بود (76 ¼) و فقط شامل شرکت‌کنندگان بسیار انتخاب شده‌ای بود که در یک کارآزمایی بالینی ثبت‌نام کردند که بیماران مبتلا به مرحله 4 یا 5 CKD از قبل موجود را حذف کردند، بنابراین تعمیم‌پذیری به دلایل متعدد محدود بود.^19,20به طور کلی، داده‌های مربوط به تاریخچه طبیعی AKI-D متغیر است و تشخیص اینکه آیا یک بیمار مبتلا به AKI-D بهبود می‌یابد مشکل است.^9,21

توانایی پیش‌بینی دقیق‌تر بهبودی می‌تواند به طور بالقوه مشاوره و تصمیم‌گیری را در هر دو بخش بستری و سرپایی راهنمایی کند. بسیاری از بیماران بستری با AKI در مورد شانس بهبودی خود حتی قبل از شروع حاد می پرسنددیالیزو برخی ممکن است شروع به کار نکننددیالیزدر مجموع اگر آنها بفهمند که شانس بهبودی بسیار کم است و احتمالاً ادامه خواهند داشتدیالیزبرای بقیه عمرشان پیش‌بینی دقیق بهبودی می‌تواند به شما اطلاع دهددیالیزتصمیمات دسترسی برای بیماران مبتلا به AKI-D: هم انتخاب کاتترهای موقت در مقابل تونل در کوتاه مدت و هم زمان قرار دادن فیستول یا پیوند در میان مدت. بهبود توانایی های پیش آگهی نیز بر زمان بندی بیماران سرپایی تأثیر می گذارددیالیزقرار دادن صندلی (یعنی تعیین زمان و مکان برای بیماران سرپاییدیالیز) که به طور بالقوه می تواند بر طول مدت اقامت در بیمارستان تأثیر بگذارد. در شرایط سرپایی، زمانی که بیماران روش‌هایی را در نظر می‌گیرند که ممکن است AKI-D را طولانی‌تر کنند (مثلاً تجویز کنتراست یددار)، توانایی پیش‌بینی بهبودی به بیماران و ارائه‌دهندگان آنها کمک می‌کند تا خطرات و فواید را به‌طور مناسب ارزیابی کنند. از دیدگاه تحقیقاتی، بهبود توانایی‌های پیش‌آگهی به ثبت‌نام هدفمند بیماران مبتلا به AKI-D که شانس معقولی برای بهبودی دارند، در کارآزمایی‌هایی که درمان‌های بالقوه را آزمایش می‌کنند، اجازه می‌دهد.

در حال حاضر هیچ مدل معتبر پیش‌بینی بازیابی AKI-D وجود ندارد، و پانل‌های متخصص این شکاف دانش را به عنوان یک مانع کلیدی برای بهبود نتایج در این جمعیت آسیب‌پذیر شناسایی کرده‌اند.^9,22با استفاده از یک گروه متنوع و مبتنی بر جامعه، هدف ما ایجاد یک مدل پیش‌بینی برای بهبودی پس از AKI-D بود که در عملکرد بالینی معمول قابل استفاده باشد.

این مطالعه توسط هیئت های بازبینی سازمانی در KPNC و دانشگاه کالیفرنیا، سانفرانسیسکو، با چشم پوشی از رضایت آگاهانه به دلیل ماهیت مطالعه تایید شد.

سیستانچ از عملکرد کلیه محافظت و بهبود می بخشد

مواد و روش ها

جمعیت منبع

The source population was based within Kaiser Per- Permanente Northern California (KPNC), a large, integrated health care delivery system that provides comprehensive care for >4.4 میلیون عضو این بیماران در 21 بیمارستان متعلق به Kaiser Permanente (ضمیمه S1) تحت درمان قرار گرفتند. عضویت KPNC به شدت نماینده جمعیت محلی و ایالتی اطراف است. تقریباً تمام جنبه های مراقبت از طریق سیستم پرونده الکترونیکی پزشکی KPNC، که در بخش های بستری، بخش اورژانس و مراقبت های سرپایی یکپارچه شده است، ثبت می شود.

این مطالعه توسط هیئت های بازبینی سازمانی در KPNC و دانشگاه کالیفرنیا، سانفرانسیسکو، با چشم پوشی از رضایت آگاهانه به دلیل ماهیت مطالعه تایید شد.

نمونه مطالعه

ما یک مطالعه کوهورت گذشته‌نگر را روی همه اعضای KPNC بزرگسال (سن بیشتر یا مساوی 18 سال) انجام دادیم که بین 1 ژانویه 2009 و 30 سپتامبر 2015 AKI-D ایجاد کردند و بیش از یا مساوی 12 ماه متوالی داشتند. عضویت در طرح سلامت و مزایای داروخانه قبل از بستری شدن در بیمارستان برای اطمینان از ثبت کافی بیماری‌های مرتبط، تست‌های آزمایشگاهی و استفاده از داروهای تجویزی. برای این تجزیه و تحلیل، ما بیمارانی را که تحت درمان جایگزینی کلیوی (RRT؛ همودیالیز متناوب حاد و/یا RRT مداوم) در طول بستری در بیمارستان در غیاب RRT مزمن قبل از بستری قرار می‌گرفتند و حداکثر غلظت کراتینین سرم بیماران بستری بیشتر از یا بیشتر بود، به‌عنوان مبتلا به AKI-D طبقه‌بندی کردیم. برابر با 50 درصد از خط پایه قبل از پذیرش (که به عنوان جدیدترین اندازه گیری سرپایی بخش غیر اورژانسی بین 7 تا 365 روز قبل از پذیرش تعریف شده است). RRT مزمن قبل از پذیرش از طریق ثبت جامع درمان بیماری کلیوی در مرحله پایانی KPNC (ESRD) مشخص شد که شروع و توقف درمان‌های RRT و تاریخ(های) پیوند کلیه را دنبال می‌کند. مقادیر eGFR<15 ml/min="" per="" 1.73="" m2="" (because="" it="" is="" difficult="" in="" this="" egfr="" range="" to="" distinguish="" true="" aki-d="" from="" the="" progression="" of="" severe="" ckd)="" or="" predicted="" probability="" of="" inpatient="" mortality="" ≥20%="" using="" a="" kpnc-validated="" risk="" score26="" (because="" the="" issue="" of="">بهبودی کلیهاز نظر بالینی فقط در میان بیماران مبتلا به AKI-D که احتمالاً از بستری شدن حاد در بیمارستان جان سالم به در می‌برند و همچنین برای کاهش مسائل تحلیلی ایجاد شده در زمانی که مرگ را می‌توان به عنوان حالت "عدم بهبودی" پس از AKI-D تعبیر کرد، مرتبط است. ما همچنین 2 تجزیه و تحلیل حساسیت انجام دادیم: یکی که بیمارانی را که احتمال مرگ و میر بستری در بیمارستان پیش‌بینی شده بود بیش از 20 درصد یا مساوی 20 درصد بود و دیگری که از کراتینین سرم به جای eGFR استفاده می‌کرد.

ریکاوری کلیه پس از AKI-D

نتیجه اولیه بهبودی بومی بودعملکرد کلیهپس از AKI-D، به عنوان استقلال RRT در عرض 90 روز پس از شروع RRT و بقای بیش از یا برابر با 4 هفته پس از قطع RRT تعریف شد. بیمارانی که RRT را ظرف 4 هفته پس از قطع 90-روز قطع کردند، در 90 روز گذشته مشاهده شدند تا تأیید شود که آنها برای حداقل دوره 4-هفته‌ای زنده مانده‌اند. ما از وضعیت در 90 روز استفاده کردیم زیرا به طور معمول بیماران در صورت باقی ماندن دارای ESRD هستنددیالیزبیش از یا مساوی 90 روز وابسته استدیالیزبرای بیش از یا مساوی 4 هفته برای کاهش طبقه بندی نادرست احتمالی افرادی که قطع کرده انددیالیزبه دلیل قطع مراقبت بهبودی ممکن است در طول بستری اولیه AKI-D یا در محیط سرپایی پس از ترخیص از بیمارستان رخ دهد. ما تجزیه و تحلیل خود را بر اساس تاریخ شروع RRT (به جای ترخیص از بیمارستان یا تاریخ دیگری) تثبیت کردیم تا به جای سایر عوامل خارجی که ممکن است بر طول مدت بستری در بیمارستان تأثیر بگذارند، آن را بیشتر به تاریخ طبیعی قسمت AKI مرتبط کنیم.

متغیرهای کمکی

مشخصات دموگرافیک (به عنوان مثال، سن، جنس، نژاد و قومیت خود گزارش شده) از پایگاه داده طرح سلامت به دست آمد.^27–29بیماری‌های مرتبط با طبقه‌بندی بین‌المللی تشخیصی یا رویه‌ای بیماری‌ها، کدهای تجدیدنظر نهم تعریف شد و با نتایج آزمایش‌های آزمایشگاهی، علائم حیاتی سرپایی، و داروهای تجویز شده با استفاده از داده‌های مبتنی بر پرونده سلامت الکترونیکی که در سطح فرد-بیمار پاکسازی و در سطح بیمار پیوند داده شد، تکمیل شد. انبار داده مجازی Kaiser Permanente همانطور که قبلاً توضیح داده شده و تأیید شده است.^25,30–38وضعیت حیاتی بیمار با استفاده از اطلاعات جامع از پایگاه‌های اطلاعاتی اداری و بالینی طرح سلامت، گزارش‌های پروکسی اعضا، پرونده‌های وضعیت حیاتی سازمان تامین اجتماعی، و اطلاعات گواهی فوت ایالت کالیفرنیا تعیین شد.^39,40 Demographic characteristics and inpatient laboratory values were measured on the date of RRT initiation for AKI-D, and baseline outpatient laboratory values and vital signs were measured 7 to 365 days before admission. For variables that had missing data, a category for missingness was created for each of those variables. Variables with >20 درصد از مقادیر از دست رفته در فرآیند مدل سازی لحاظ نشده است.

رویکرد آماری

تجزیه و تحلیل ها با استفاده از SAS، نسخه 9.3 (SAS Inc.، Cary، NC) و مدلر پیش بینی کننده سالفورد، نسخه 8.2 (Salford Systems، San Diego، CA) انجام شد. ویژگی های پایه در بین گروه های بازیابی با استفاده از تحلیل واریانس برای متغیرهای پیوسته و x مقایسه شد² آزمون های متغیرهای طبقه بندی شده

ما در ابتدا تجزیه و تحلیل رگرسیون لجستیک چند متغیره را برای پیش‌بینی بهبودی پس از AKI-D با پیش‌بینی‌کننده‌های نامزد زیر انجام دادیم: سن، جنسیت، نژاد و قومیت خود گزارش‌شده، وضعیت مصرف سیگار، استفاده از داروهای قبل از پذیرش، بیماری‌های همراه از قبل (نارسایی قلبی، بیماری عروق کرونر قلب، سکته ایسکمیک قبلی، بیماری شریان محیطی، فیبریلاسیون دهلیزی، بیماری دریچه میترال یا آئورت، ترومبوآمبولی وریدی، فشار خون بالا، دیابت قندی، دیس لیپیدمی، خونریزی گوارشی قبلی بستری در بیمارستان، بیماری تیروئید، بیماری مزمن کبدی، بیماری مزمن ریوی، زوال عقل، افسردگی)، امتیاز خطر مرگ و میر²⁶ پیش‌بینی‌کننده‌های نامزد اضافی شامل متغیرهای پیش از پذیرش زیر بودند: شاخص توده بدن، فشار خون سیستولیک، سطوح لیپوپروتئین با چگالی بالا و کم چگالی قبل از پذیرش، eGFR (با استفاده از معادله کراتینین همکاری اپیدمیولوژی بیماری مزمن کلیه⁴¹سطح پروتئینوری، سطح هموگلوبین و تعداد پلاکت ها. شاخص توده بدنی، فشار خون سیستولیک قبل از پذیرش، و همه متغیرهای مبتنی بر آزمایشگاه به عنوان متغیرهای طبقه بندی ترتیبی در نظر گرفته شدند (تقسیم بندی بین دسته ها در جداول 1 و 2 نشان داده شده است؛ زمانی که این متغیرهای کمکی به عنوان متغیرهای پیوسته در نظر گرفته شدند، نتایج مشابهی به دست آمد). برای شناسایی پیش‌بینی‌کننده‌های مهم، ابتدا 1000 نمونه تصادفی از گروه تحلیلی را از طریق نمونه‌گیری مجدد بوت استرپ با جایگزینی ایجاد کردیم و سپس رگرسیون لجستیک گام به گام خودکار را روی هر نمونه انجام دادیم. پیش بینی هایی که با رگرسیون گام به گام در بیشتر یا برابر با 75 درصد از نمونه های بوت استرپ انتخاب شده بودند در مدل نهایی گنجانده شدند. ما متعاقباً از اعتبارسنجی متقاطع 10-برای ایجاد احتمالات پیش‌بینی‌شده بهبودی برای هر بیمار استفاده کردیم، که برای محاسبه شاخص c و تولید آمار کالیبراسیون استفاده شد. در نهایت، تخمین پارامترهای مدل و نسبت‌های شانس برای مجموعه نهایی پیش‌بینی‌کننده‌ها از طریق یک مدل رگرسیون لجستیک با استفاده از کوهورت تحلیلی کامل ایجاد شد.

ما همچنین برنامه ریزی قبلی برای انجام یک تجزیه و تحلیل CART برای بهبودی داشتیم، زیرا مشخص نبود که آیا این روش نتایج بالینی مفیدتری نسبت به رویکرد رگرسیون لجستیک دارد یا خیر.⁴² پیش‌بینی‌کننده‌های کاندید همان بودند که در تحلیل رگرسیون لجستیک استفاده می‌شدند. CART تمام مقادیر آزمایشگاهی را به عنوان متغیرهای پیوسته و نقاط برش بهینه انتخاب کرد تا از دست دادن اطلاعات به حداقل برسد. هیچ محدودیتی برای حداقل اندازه گره یا ترمینال تعیین نشد. درختان با استفاده از اعتبار سنجی متقاطع داخلی 10-برای به حداقل رساندن طبقه بندی اشتباه نسبی موارد و در عین حال محافظت در برابر بیش از حد، هرس و بهینه شدند. شاخص های C، یک ماتریس سردرگمی و یک منحنی مشخصه عملکرد گیرنده برای ارزیابی عملکرد درخت تصمیم نهایی تولید شد.

برای قسمت 2 لطفا کلیک کنیداینجا.