Модел с множество състояния за прогресиране на бъбречно заболяване
Mar 29, 2022
Контакт: Audrey Hu Whatsapp/hp: 0086 13880143964 Имейл:audrey.hu@wecistanche.com
МК Линтуa, KM Shreyasb, Аша Каматa,* и др
Резюме
Заден план:Разбирането на прогресията на бъбречното заболяване е от голям интерес сред клиницистите. Моделът с множество състояния е адекватен инструмент за моделиране на ефектите на ковариатите, които влияят на началото, прогресията и регресията на бъбречната функция.
Обективен:Целта на настоящото изследване е да предложи стохастичен модел забъбрекзаболяванепрогресия и да се демонстрира приложението на същите.
Методология:Ние предложихме полупараметричен непрекъснат времеви хомогенен модел на Марков с много състояния за данните за прогресията на бъбречното заболяване, получени от ретроспективно проучване на 225 пациенти, на които е предписан колистин (възстановяващ се антибиотик) в болница за третична помощ в крайбрежната Карнатака. Различни етапи на бъбречно заболяване бяха определени въз основа на глобалния резултат за подобряване на бъбречните заболявания (KDIGO). Моделът се състои от три преходни състояния и абсорбиращо състояние на смърт. Ковариативните ефекти върху скоростите на двупосочен преход бяха оценени с помощта на модела с множество състояния.
Резултати:Използвахме данните от 225 пациенти, за да видим прогресията на тяхното бъбречно заболяване. Всички пациенти са били на терапия с колистин. Средната продължителност на болничния престой е 21 дни. В болницата са починали общо 83 (36,89 процента) пациенти. Прогностичните фактори като пол, хипертония, сепсис и операция са значими фактори, влияещи върху бъбречното заболяване в различни етапи.
Заключение:Резултатите от проучването ще бъдат полезни за политиците в общественото здравеопазване за прилагане на политики и планове за лечение за подобряване на преживяемостта на пациентите. Освен това, моделирането на прогресията на заболяването помага за разбирането на очакваното бреме на заболяването.
Ключови думи:Модел с множество състояния,Бъбрек заболяване, Интензивност на прехода, Междинни събития, Прогресия на заболяването
ползи от cistanche deserticola: лечение на бъбречно заболяване
1. Въведение
Бъбрек заболяванее важен проблем за общественото здраве. Ранната намеса обаче може да избегнебъбрекпроблемипостоянно. Неблагоприятните резултати и прогресията нахроничензаболяваниякатобъбрекзаболяванеможе да се контролира чрез подходящи лекарства и промени в начина на живот. Тъй като бъбречните заболявания често завършват с хоспитализация, моделирането на продължителността на престоя, преживяемостта и прогресията на бъбречното заболяване е от голям интерес сред клиницистите.
Стандартните подходи за оцеляване като метода на Каплан-Майер или модела на пропорционалните опасности на Кокс са достатъчни за справяне с простите настройки за оцеляване без междинни събития. Прогресията на бъбречното заболяване обаче е пример за сложен процес с различни междинни събития. Моделът с много състояния е ефективен начин за справяне със сложни процеси като този. Субектите могат да бъдат в едно състояние в началото на изследването, по-нататък да преминат през различни състояния и в крайна сметка да стигнат до крайно състояние. Тези преходи на субект могат да бъдат моделирани и рисковите фактори, свързани с времето на оцеляване на различни преходи, могат да бъдат идентифицирани с помощта на модел с множество състояния. Моделът оценява ефекта на различни клинични и демографски фактори върху комплексни болестни процеси.1–3
Моделът с множество състояния обикновено се използва в проучвания за рак, тъй като има различни стадии на рак, показващи прогресия на заболяването. 4, 5 По същия начин има проучвания, проведени за идентифициране на рисковите фактори, влияещи върху прогресията на СПИН при пациенти с ХИВ. 6–8 Заболявания като диабет , хронично бъбречно заболяване и т.н. също могат да бъдат ефективно управлявани с модел с множество състояния, а не с обикновен модел на оцеляване.9,10
В тази статия предложихме модел с множество състояния за прогресия на бъбречното заболяване при пациенти, получаващи колистин по време на болничния си престой. Досиетата на случаите на 225 пациенти бяха извлечени и техните KDIGO резултати в различни моменти от време бяха достъпни за клиничен придружаващ документ. Продължителността на болничния престой е броят на дните от приемането до смъртта/изписването им. По време на болничния престой пациентите преминават през различни стадии на тежест на заболяването. Дефинирахме процеса с четири състояния. Три преходни състояния, получени от резултата на KDIGO, са дадени в таблица 1.
От различни епидемиологични проучвания става ясно, че различни биомаркери и съпътстващи заболявания играят важна роля в прогресирането на бъбречното заболяване. Ние оценихме ефектите на ковариатите, които влияят на началото, прогресията и регресията на бъбречната функция, използвайки модела с множество състояния. Ние също така предоставяме демонстрация за документиране, анализ и интерпретация на данни, така че читателите да могат лесно да внедрят модела с множество състояния. Доколкото ни е известно, моделът на Марков с много състояния не е използван за моделиране на прогресията на индуцирано от колистин бъбречно заболяване.
В останалата част от статията представяме данните, обясняваме методологията и обсъждаме резултатите.
cistanche deserticola
2. Материали и методи
2.1. Описание на данните
Ретроспективното проучване първоначално е проведено, за да се разберат рисковите фактори, свързани с индуцираната от колистин нефротоксичност при пациенти, лекувани в катедрата по медицина, болница Kasturba, Манипал, от януари 2016 г. до декември 2017 г. Ние допълнително изследваме вътреболничната смъртност, продължителността на болничния престой престой и прогресия на бъбречното заболяване. От общо 600 прегледани записа на случаи, 225 пациенти са подходящи за настоящото проучване. Болничните досиета на тези 225 пациенти формират основата на настоящото проучване.
Резултатът от KDIGO беше достъпен в различни моменти от време, за да се наблюдавабъбрекфункцияподобрение и упадък. За всеки пациент са записани прогностичните фактори като възраст, пол, диабет, хипертония и др. Подобни проучвания в литературата подхождат към проблема с логистична регресия или обикновен анализ на преживяемостта, като разглеждат крайната точка като намаляване на бъбречната функция. Тези методи пренебрегват преходите на прогресия и регресия в различните състояния. Моделът с множество състояния осигурява задълбочено разбиране на общотобъбречна функциямодели на подобрение или влошаване и резултати от смърт по отношение на вероятностите за преход. Преходът е промяна на състоянието в хода на изследване, а вероятността за преход е вероятността за преминаване от едно състояние в друго. Повечето от пациентите сякаш колебаят между състояние 1, състояние 2 и състояние 3 многократно, което показва, че тези състояния са обратими. Преходът е обратим, когато обектът се движи напред и назад между две състояния.
Подреждането на данните е важна стъпка в напасването на модел с множество състояния. Уникалният идентификатор, даден на всеки пациент, се грижи за групирането на един субект. Следователно трябва да се внимава при документирането на данните, за да се уверите, че цялата информация от един пациент е покрита под един и същ уникален идентификатор. Примерното оформление на данните е дадено в таблица 2.
2.2. Многодържавен модел
Прогресията на бъбречното заболяване може да се визуализира като стохастичен процес с ограничено пространство на състоянието в непрекъснато време. Различните състояния отразяват тежестта на заболяването. Състоянията са два вида: преходни и абсорбиращи. Поглъщащо състояние е състояние, в което веднъж влязло, не може да се излезе. Докато преходните състояния са тези с по-нататъшни преходи. Моделът с множество състояния е полезен инструмент за описване на движенията на субекта между различни състояния в непрекъснато време. Моделът изчислява вероятностите за преход за всички възможни преходи.11,12
Ние предложихме хомогенен модел на Марков с непрекъснато време с четири състояния за данните за прогресията на бъбречното заболяване. Един процес е марковски, ако бъдещето зависи само от настоящето. Моделът е визуализиран на фиг.1.
Стрелките показват възможните преходи. Двустранните стрелки означават обратими преходи. Преходите са обратими, ако обектът се движи напред и назад между две състояния. Трите разглеждани преходни състояния (състояния със стрелки навън) са: състояние 1 (KDIGO > 60), състояние 2 (30 < kdigo="">< 60)="" и="" състояние="" 3="" (kdigo="">< 30).="" състояние="" 4="" (смърт)="" е="" поглъщащо="" (състояние="" без="" стрелки="" навън).="" процесът="" (x(t),="" t="" ∈="" t)="" с="" пространство="" на="" състоянието="" s="{1," 2,="" 3,="" 4}="" описва="" състоянието,="" заето="" в="" момент="" t.="" времевата="" променлива="" се="" измерва="" в="" дни,="" започвайки="" от="" приемането="" в="" болница.="" моделът="" с="" множество="" състояния="" характеризира="" вероятностите="" за="" преход.="" вероятностите="" за="" преход="" (функции="" на="" времето)="" се="" дават="" от:="" ковариативни="" ефекти="" (възраст,="" пол,="" хипертония,="" диабет="" и="" т.н.)="" върху="" скоростите="" на="" двупосочен="" преход="" бяха="" оценени.="" оценката="" на="" опасността="" λij="" се="" дава="">
където λij е моментният риск от преминаване от състояние i към състояние j. Матрицата на интензитета на прехода се дава от:
Непрекъснатите променливи са представени като средна стойност (SD); категориални променливи като честота (проценти).
Q е n × n матрица на интензитета на прехода, където n е максималният брой състояния, включени в процеса. Интензитетът на прехода дава моментната скорост на преход от едно състояние в друго. Записът (i, j) е 0, когато не е възможен преход от i към j. Диагоналните записи са: λii(t)=λi.=− ∑i=∕jλij(t) за всички I ∈ S. Състояние 4 е поглъщащо състояние, вероятността за излизане от това състояние е нула. Сумата от елементите на всеки ред на преходната матрица е нула. Напасването на модел с множество състояния е процесът на намиране на неизвестните интензитети на прехода, които увеличават максимално вероятността.13
Моделът с множество състояния оценява средното време на престой във всяко състояние, което е средният период, който пациентът прекарва в преходно състояние за един престой, преди да се премести в други състояния. Очакваното време на престой се изчислява като − 1/λjj, където λjj е j-то диагонално влизане на Q(t).
Вероятностите за преход се изчисляват от интензитетите на прехода като P(t)=exp[Q(t)]. Матрицата на вероятността за преход се дава от:
Сумата на реда на P е равна на едно. За абсорбиращото състояние j, Pjj(s,t) =1.
Функцията на вероятността се формира с вероятностите за преход. Тази функция на вероятността L(Q) се дава от,
Където елементът Li,j е записът на s(tij) ред и s(ti,j плюс 1) колона в матрицата на вероятността за преход.
Регресионният модел на пропорционалните опасности беше използван за включване на ковариантните ефекти върху интензитетите на прехода. Даден ковариантен вектор Z,
ij е векторът на регресионните коефициенти. Използвахме пакета MSM в R версия 4.0.2, за да извършим анализа на множество състояния.14 Изборът на модел беше направен с теста за съотношението на вероятността.
стъбло цистанче
3. Резултати
3.1. Проучвателен анализ на данни
Това ретроспективно проучване имаше за цел да моделира прогресията на бъбречното заболяване при пациенти, получаващи колистин по време на техния болничен престой. От 225 пациенти 83 (37 процента) пациенти са починали в болницата, а 142 (63 процента) пациенти са били изписани живи. Описателна статистика може да се намери в Таблица 3 и Таблица 4. Средната (IQR) продължителност на престоя е 21 (16) дни. В болницата са приети 166 мъже и 59 жени. Средната (IQR) възраст на пациентите е 57 (26), а средната (± SD) е 54 (±17). Имаше 87 (39 процента) пациенти с хипертония, 78 (35 процента) пациенти с диабет, 115 (51 процента) пациенти със сепсис, 30 (13,3 процента) пациенти с хронично бъбречно заболяване (CKD), 123 (55 процента) пациенти с пневмония, а 59 (26 процента) пациенти са имали остро бъбречно увреждане (AKI). Сред хоспитализираните пациенти 194 (86 процента) са приети в интензивно отделение, а 119 (53 процента) пациенти са претърпели операция.
Сред 225 пациенти, 83 (37 процента) пациенти са починали в болницата, а останалите 142 (63 процента) пациенти са оцелели, оставайки живи. Средното време на преживяемост е 38 дни (Таблица 5). Фигура 2 представя оценките на Kaplan Meier на функцията на оцеляване.
3.2. Анализ на множество състояния
Имаше 126 пациенти в състояние 1, 48 пациенти в състояние 2 и 51 пациенти в състояние 3 към момента на приемане. Преходната матрица на процеса е дадена в Таблица 6. Тъй като преходите са обратими, има повече от един преход от същия тип при един и същи пациент.
Имаше 32 прехода от състояние 1 към състояние 4, което показва, че 32 пациенти, принадлежащи към състояние 1, са починали в болницата. По същия начин имаше 27 и 24 смъртни случая съответно в състояние 2 и състояние 3. Диагоналните записи показват броя на случаите, когато пациентите са останали в същото състояние в следващите времеви точки. Прогнозното средно време на престой е дадено в таблица 7.
Пакетът msm беше използван за извършване на анализ с множество състояния, за да се получат ефектите на ковариатите върху интензитетите на прехода. Бяха изградени едновариантни модели с множество състояния с клинично значими ковариати. Ковариати, които показват статистическа значимост (p-стойност<0.05) in="" the="" univariate="" analysis="" were="" considered="" in="" the="" final="" model.="" hazard="" ratios="" (95%="" confidence="" intervals)="" of="" each="" transition="" are="" shown="" in="" table="" 8="" and="" table="">
Пациентите мъже в състояние 1 са изложени на висок риск [HR: 2,55; 95 процента CI (1,31–4,92)] от прогресията на заболяването в сравнение с жените. Въпреки това шансът за регресия също е по-голям за пациентите мъже в състояние 2. В сравнение с жените в състояние 3, мъжете имат 86 процента по-малък шанс за неблагоприятен резултат. Наличието на диабет показва смесен ефект при различни преходи. Пациентите с хипертония в състояние 2 са изложени на по-голям риск от прогресиране на заболяването в сравнение с останалите и техният шанс за регресия от състояние 3 също е по-малък. Сепсисът беше рисков фактор и показа значителен ефект при прехода от състояние 1 и състояние 2 към състояние на абсорбиране. Това показва, че пациентите със сепсис са изложени на висок риск от смърт. По същия начин пациентите, които са претърпели операция, са изложени на по-голям риск от смърт в състояние 3. Поради дисбаланса в някои групи може да има някои фалшиви асоциации, които не показват клинична значимост.
cistanche прегледи: лечение на бъбречно заболяване
4. Дискусия и заключение
Бъбречното заболяване е важен проблем за общественото здраве. Ранните интервенции обаче могат да избегнат трайно бъбречните проблеми. Моделирането на прогресията на заболяването помага за разбирането на очакваното бреме на заболяването, което може да бъде допълнително полезно за националните политици в областта на общественото здраве.
Някои от нефаталните междинни събития дават по-добра представа за прогресията на заболяването. В повечето от проучванията тези събития често се игнорират. Въпреки това, тези междинни събития са от голямо значение за клиницистите за подобряване на плановете за лечение. Моделът на Марков с множество състояния е използван за разбиране на прогресията на няколко хронични заболявания, включващи преходи през различни междинни състояния, показващи тежестта на заболяването за непрекъснато време. Моделът предоставя по-добра представа за сложния модел на събитието и по този начин може да се използва като ефективен инструмент за изследване на ефективността на леченията. Моделът с множество състояния се използва в проучвания за рак, тъй като има различни стадии на рак, които представляват различни преходи. диабет, хронично бъбречно заболяване и т.н. също могат да бъдат ефективно управлявани с модел с много състояния, а не с обикновен модел на оцеляване.9,10 Въпреки това, по-малък брой приложения се намират в областта на прогресията на хроничното бъбречно заболяване. Най-новото проучване, което използва модел с множество състояния, за да разбере прогресията на хроничното бъбречно заболяване, е от Grover et al.10
Ние предложихме модел с 4 състояния с множество състояния за прогресия на бъбречно заболяване при пациенти, получаващи колистин. Беше направен опит да се предостави проста демонстрация на модела с множество държави, насочен към здравните специалисти. С наличието на усъвършенствани софтуерни инструменти, анализът е прост и ефективен. Въпреки че акцентирахме върху общия модел на Марков, има различни видове модели с множество състояния според естеството на процеса. 1, 2, 15–18
Препоръчват се следните основни стъпки за използване на модела с множество състояния: (i) дефинирайте процеса чрез идентифициране на различни състояния и възможни преходи, както е показано на Фиг. 1 и Таблица 2. Поддържайте броя на състоянията минимален за гладко функциониране на модела ( ii) документирайте правилно данните, както е показано в таблица 1. (iii) използвайте подходящ софтуер и пакет, за да паснете на модела (iv) интерпретирайте резултатите, без да губите предимствата на модела с много състояния пред другите стандартни техники за анализ на оцеляването.
Средната продължителност на престоя е 21 дни, а средната преживяемост е 38 дни. Резултатите показват, че полът, диабетът, хипертонията, сепсисът и операцията са значими фактори, влияещи върху прогресията или регресията на бъбречното заболяване. Резултатите, получени от настоящото изследване, са с ограничена мощност поради по-малкия брой субекти. Следователно тези констатации трябва да се обобщават с повишено внимание. Впоследствие различни етапи на бъбречно заболяване бяха обединени поради по-малкия размер на извадката. Това би повлияло на възможността за обобщаване на констатациите, тъй като не е включена точната картина на преходните модели на прогресия на бъбречното заболяване.8
Пакетът msm в R версия 4.0.2 беше използван, за да пасне на модела с множество състояния. Тъй като ограниченията са изброени в документацията на пакета MSM14, включването на повече ковариати беше предизвикателство поради проблемите с конвергенцията. Следователно, за по-сложни проблеми може да се използва пакет имоти.
Констатациите от модел с множество държави ще бъдат полезни за политиците в общественото здравеопазване за прилагане на политики и планове за лечение за подобряване на преживяемостта на пациентите. Освен това, моделирането на прогресията на заболяването помага за разбирането на очакваното бреме на заболяването.
полза от екстракт от цистанче: подобряване на бъбречната функция
Етично одобрение и съгласие за участие
Изследването представя вторичен анализ. Беше получено етично одобрение за придружаващата клинична статия.
Финансиране
Това изследване не получи никакво финансиране.
Декларация за конкурентен интерес
Авторите нямат конфликт на интереси за разкриване.
Препратки
1 Andersen PK. Многосъставни модели в анализа на преживяемостта: изследване на нефропатия и смъртност при диабет. Stat Med. 1988; 7 (6): 661–670.
2 Andersen PK, Esbjerg S, Sørensen TI. Модели с множество състояния за епизоди на кървене и смъртност при чернодробна цироза. Stat Med. 2000; 19 (4): 587–599.
3 Amorim LD, Cai J. Моделиране на повтарящи се събития: ръководство за анализ в епидемиологията. Int J Epidemiol. 2015;44(1):324–333.
4 Le-Rademacher JG, Peterson RA, Therneau TM, et al. Приложение на модели с множество състояния в клинични изпитвания на рак. Клинови проучвания. 2018; 15 (5): 489–498.
5 Putter H, van der Hage J, de Bock GH, et al. Оценка и прогнозиране в модел с множество състояния за рак на гърдата. Biom J. 2006;48(3):366–380.
6 Hamidi O, Tapak L, Poorolajal J, et al. Идентифициране на рискови фактори за прогресиране до СПИН и смъртност след ХИВ инфекция с помощта на модела на болест-смърт с множество състояния. Clin Epidemiology Glob Health. 2017; 5 (4): 163–168.
7 Tapak L, Kosorok MR, Sadeghifar M, et al. Рекурсивно приписани дървета за оцеляване с множество състояния за анализ на данни от време до събитие: приложение към данни за СПИН и смъртност след инфекция с ХИВ. BMC Med Res Methodol. 2018; 18 (1): 1–2.
8 Matsena Zingoni Z, Chirwa TF, Todd J, et al. Прогресия на ХИВ заболяването сред пациенти на антиретровирусна терапия в Зимбабве: многодържавен модел на Марков. Front Public Health. 2019; 7: 326.
9 Aliyari R, Hajizadeh E, Aminorroaya A, et al. Многосъставни модели за прогнозиране на развитието на късни усложнения на диабет тип 2 в отворено кохортно проучване. Diabetes Metab Syndr Obes. 2020; 13: 1863.
10 Grover G, Sabharwal A, Kumar S, et al. Модел на Марков с множество състояния за прогресиране на хронично бъбречно заболяване. Turkiye Klinikleri J Biostat. 2019; 11 (1): 1–4.
11 Keiding N, Klein JP, Horowitz MM. Модели с множество състояния и прогнозиране на резултатите при трансплантация на костен мозък. Stat Med. 2001; 20 (12): 1871–1885.
12 Klein JP, Qian C. Моделиране на преживяемостта с множество състояния, илюстрирано при трансплантация на костен мозък. Биометрия. 1996:93-102.
13 Manzini G, Ettrich TJ, Kremer M, et al. Предимства на подхода с множество състояния в хирургичните изследвания: как междинните събития и профилът на рисковите фактори влияят върху прогнозата на пациент с локално напреднал рак на ректума. BMC Med Res Methodol. 2018; 18 (1): 1–11.
14 Джаксън CH. Модели с множество състояния за панелни данни: пакетът MSM за R. J Stat Software. 2011;38(8):1–29.
15 Маршал Г, Джоунс Р.Х. Модели с множество състояния и диабетна ретинопатия. Stat Med. 1995 30 септември; 14 (18): 1975–1983.
16 Meira-Machado L, de Una- ˜ Alvarez ´ J, Cadarso-Suarez ´ C, et al. Модели с множество състояния за анализ на данни от време до събитие. Stat Methods Med Res. 2009; 18 (2): 195–222.
17 Begun A, Icks A, Waldeyer R, et al. Идентифициране на модел на нехомогенна верига на Марков с непрекъснато време с множество състояния за пациенти с намалена бъбречна функция. Приготвяне на Med Decis. 2013 февруари;33(2):298–306.
18 O'Keeffe AG, Su L, Сбогом VT. Корелирани модели с множество състояния за множество процеси: приложение към прогресия на бъбречно заболяване при системен лупус еритематозус. Кралско статистическо дружество. 2018;67(4):841–860.