Část 1|Predikce zotavení ledvin po dialýze – vyžadující akutní poškození ledvin Predikce zotavení ledvin po dialýze – vyžadující akutní poškození ledvin

Predikce zotavení ledvin po dialýze – vyžadující akutní poškození ledvin Predikce zotavení ledvin po dialýze – vyžadující akutní poškození ledvin

Kontakt: emily.li@wecistanche.com

Benjamin J. Lee^1,2,3, Chi-yuan Hsu^1,4, Rishi Parikh⁴, Charles E. McCulloch⁵, Thida C. Tan⁴, Kathleen D. Liu^1,6, Raymond K. Hsu¹, Leonid Pravoverov⁷, Sijie Zheng^4,7a Alan S. Go^1,4,5

¹Division of Nephrology, Department of Medicine, University of California, San Francisco, San Francisco, California, USA;²Houston Kidney Consultants, Houston, Texas, USA;³Houstonský metodistický institut pro akademickou medicínu, Houston, Texas, USA;⁴Divize výzkumu, Kaiser Permanente Severní Kalifornie, Oakland, Kalifornie, USA;⁵Katedra epidemiologie a biostatistiky, University of California, San Francisco, San Francisco, Kalifornie, USA; 6Division of Critical Care, Department of Anesthesia, University of California, San Francisco, San Francisco, California, USA; a⁷Oddělení nefrologie, Kaiser Permanente Oakland Medical Center, Oakland, Kalifornie, USA

Úvod:

Povyžadující dialýzu akutní poškození ledvin(AKI-D), obnova dostatečného množstvífunkce ledvinpřerušitdialýzaje důležitý klinický výsledek orientovaný na pacienta. Predikce pravděpodobnosti uzdravení u jednotlivých pacientů je častým dilematem.

Metody:

Tato kohortová studie zkoumala všechny dospělé členy Kaiser Permanente Severní Kalifornie, kteří prodělali AKI-D mezi lednem 2009 a zářím 2015 a předpověděli úmrtnost hospitalizovaných pacientů.<20%. candidate="" predictors="" included="" demographic="" characteristics,="" comorbidities,="" laboratory="" values,="" and="" medication="" use.="" we="" used="" logistic="" regression="" and="" classification="" and="" regression="" tree="" (cart)="">

vyvíjet a křížově ověřovat predikční modely pro obnovu.

Výsledek:

Mezi 2214 pacienty s AKI-D byl průměrný věk 67,1 let, 40,8 procenta byly ženy a 54,0 procenta byli běloši; Uzdravilo se 40,9 procenta pacientů. Pacienti, kteří se uzdravili, byli mladší, měli vyšší výchozí odhadovanou rychlost glomerulární filtrace (eGFR) a hladiny hemoglobinu před vstupem do studie a byla u nich menší pravděpodobnost předchozího srdečního selhání nebo chronického onemocnění jater. Postupná logistická regrese aplikovaná na bootstrapované vzorky identifikované základní eGFR, hladina hemoglobinu před přijetím, chronické onemocnění jater a věk jako prediktory nejčastěji spojené s vyřazenímdialýzado 90 dnů. Náš konečný model logistické regrese zahrnující tyto prediktory měl korelační koeficient mezi pozorovanými a předpokládanými pravděpodobnostmi 0,97, s c-indexem 0,64. Alternativní přístup CART nepřekonal model logistické regrese (c-index 0,61).

Závěr:

Vyvinuli jsme a křížově ověřili šetrný predikční model pro zotavení po AKI-D s vynikající kalibrací pomocí běžně dostupných klinických dat. Mírná diskriminace modelu však omezuje jeho klinickou použitelnost. K vývoji lepších nástrojů pro predikci je zapotřebí dalšího výzkumu.

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

KLÍČOVÁ SLOVA:dialýza, dialýza-vyžadující funkci ledvin,akutní poškození ledvin,predikční model,obnovení ledvin

Cistanche chrání a zlepšuje funkci ledvin

AKI-D je závažný akutní zdravotní stav, který postihuje 3 až 13 procent kriticky nemocných pacientů.^1–3Přestože nemocniční mortalita pacientů s AKI-D klesla,^4–8zůstává značná část přeživšíchdialýza-závisí na době propuštění z nemocnice a dále.^2,5,9–11 Renální zotavenípo AKID, definovaný jako návrat dostatečnéhofunkce ledvinpřerušitdialýza, je důležitým klinickým a na pacienta orientovaným výsledkem. I když většina pacientů s normálním výchozím stavemfunkce ledvinnakonec se uzdraví, pokud přežijí hospitalizaci AKI-D,12 mnoho pacientů se zkušenostmi s AKI-Dakutní poškození ledvin(AKI) superponované na chronické onemocnění ledvin (CKD) a neuzdravují se.^13–15

Predikce zotavení po nástupu AKI-D je běžné dilema, kterému čelí pacienti, jejich rodiny a lékaři napříč různými specializacemi, od nefrologů po intenzivisty, hospitalisty a lékaře primární péče. Ukázalo se, že výchozí eGFR, proteinurie, věk, diabetes mellitus a zátěž komorbiditou ovlivňují pravděpodobnost uzdravení.9,10,13–17 Jediný publikovaný predikční model zkonstruovali Srisawat et al.¹⁸ kteří zjistili, že Charlsonův index komorbidity a skóre APACHE II byly prediktory. Jejich studie však byla malá (n ¼ 76) a zahrnovala pouze vysoce vybrané účastníky zařazené do klinické studie, která vylučovala pacienty s již existujícím stádiem 4 nebo 5 CKD, takže zobecnitelnost byla omezená z mnoha důvodů.^19,20Celkově jsou údaje o přirozené anamnéze AKI-D proměnlivé a je obtížné vědět, zda se jednotlivý pacient s AKI-D uzdraví.^9,21

Schopnost předvídat zotavení přesněji by mohla být potenciálně vodítkem pro poradenství a rozhodování v lůžkových i ambulantních zařízeních. Mnoho hospitalizovaných pacientů s AKI se ptá na své šance na uzdravení ještě před zahájením akutnídialýzaa někteří mohou odmítnout spustitdialýzapokud pochopí, že šance na uzdravení jsou velmi nízké a pravděpodobně budoudialýzapo zbytek jejich života. Přesná předpověď oživení by informovaladialýzarozhodnutí o přístupu pro pacienty s AKI-D: jak volba dočasných katétrů oproti tunelovaným katétrům v krátkodobém horizontu, tak načasování umístění píštěle nebo štěpu ve střednědobém horizontu. Zlepšené prognostické schopnosti by také ovlivnily načasování ambulantní léčbydialýzaumístění křesla (tj. stanovení času a místa pro ambulantní pacienty).dialýza), což by mohlo potenciálně ovlivnit délku pobytu v nemocnici. V ambulantních podmínkách, kdy pacienti zvažují postupy, které mohou prodloužit AKI-D (např. podávání jódové kontrastní látky), schopnost předvídat zotavení pomůže pacientům a jejich poskytovatelům vhodně zvážit rizika a přínosy. Z hlediska výzkumu by zlepšené prognostické schopnosti umožnily cílené zařazení pacientů s AKI-D, kteří mají přiměřenou šanci na uzdravení, do studií testujících potenciální léčbu.

V současné době neexistují žádné ověřené modely predikce obnovy AKI-D a panely odborníků označily tuto znalostní mezeru za klíčovou překážku pro zlepšení výsledků u této zranitelné populace.^9,22Naším cílem bylo vyvinout predikční model pro zotavení po AKI-D, který by byl použitelný pro rutinní klinickou praxi, za použití různorodé, komunitně založené kohorty.

Tato studie byla schválena institucionálními kontrolními komisemi KPNC a Kalifornské univerzity v San Franciscu, přičemž vzhledem k povaze studie bylo získáno zřeknutí se informovaného souhlasu.

Cistanche chrání a zlepšuje funkci ledvin

METODY

Zdroj Populace

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 milionu členů. Tito pacienti byli léčeni ve 21 nemocnicích vlastněných Kaiser Permanente (doplňková příloha S1). Členství v KPNC je vysoce reprezentativní pro okolní místní a celostátní populaci.23 Téměř všechny aspekty péče jsou zachyceny prostřednictvím systému elektronických lékařských záznamů KPNC, který je integrován napříč lůžkovými zařízeními, pohotovostními odděleními a zařízeními ambulantní péče.

Tato studie byla schválena institucionálními kontrolními komisemi KPNC a Kalifornské univerzity v San Franciscu, přičemž vzhledem k povaze studie bylo získáno zřeknutí se informovaného souhlasu.

Studijní vzorek

Provedli jsme retrospektivní kohortovou studii všech dospělých (věk vyšší nebo rovný 18 let) členů KPNC, u kterých se vyvinul AKI-D mezi 1. lednem 2009 a 30. září 2015 a kteří měli větší nebo rovno 12 po sobě jdoucích měsíců členství ve zdravotním plánu a výhody lékárny před indexovou hospitalizací, aby bylo zajištěno adekvátní zachycení relevantních komorbidit, laboratorních testů a užívání léků na předpis. Pro tuto analýzu jsme klasifikovali pacienty jako pacienty s AKI-D, pokud podstoupili renální substituční terapii (RRT; akutní intermitentní hemodialýza a/nebo kontinuální RRT) během hospitalizace v nepřítomnosti jakékoli předvstupní chronické RRT a měli maximální koncentraci sérového kreatininu u pacientů vyšší než nebo rovnající se 50 procentům výchozí hodnoty před přijetím (definované jako poslední ambulantní měření mimo pohotovost mezi 7 a 365 dny před přijetím). Chronická RRT před přijetím byla zjištěna prostřednictvím komplexního registru léčby KPNC End-Stage Renal Disease (ESRD), který sleduje zahájení a ukončení léčby RRT a datum (data) transplantace ledvin.13,15,24,25 Vyloučili jsme pacienty, kteří měli výchozí stav hodnoty 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="">obnovení ledvinje klinicky relevantní pouze u těch pacientů s AKI-D, kteří pravděpodobně přežijí akutní hospitalizaci a také snižují analytické problémy, které se objevují, když smrt může být interpretována jako stav „neuzdravení“ po AKI-D). Provedli jsme také 2 analýzy citlivosti: jednu, která nevylučovala pacienty s předpokládanou pravděpodobností hospitalizační mortality vyšší nebo rovnou 20 procentům, a jednu, která používala sérový kreatinin místo eGFR.

Renální zotavení po AKI-D

Primárním výsledkem bylo zotavení nativnífunkce ledvinpo AKI-D, definované jako nezávislost na RRT do 90 dnů po zahájení RRT a přežití po dobu větší nebo rovnou 4 týdnům po ukončení RRT. Pacienti, kteří ukončili RRT do 4 týdnů po 90-denním limitu, byli sledováni po dobu 90 dnů, aby se potvrdilo, že zůstali naživu po minimální 4-týdenní období. Použili jsme stav po 90 dnech, protože pacienti jsou konvenčně považováni za pacienty s ESRD, pokud zůstanoudialýza-závislý na Větší nebo rovnou 90 dnům.9 Požadovali jsme, aby pacienti byli naživu a byli mimodialýzapo dobu delší nebo rovnající se 4 týdnům, aby se snížila potenciální chybná klasifikace lidí, kteří přerušili léčbudialýzakvůli odnětí péče. K zotavení může dojít během počáteční hospitalizace AKI-D nebo v ambulantním prostředí po propuštění z nemocnice. Naši analýzu jsme ukotvili na základě data zahájení RRT (spíše než propuštění z nemocnice nebo nějakého jiného data), abychom ji více propojili s přirozenou historií epizody AKI spíše než s jinými vnějšími faktory, které mohou ovlivnit délku hospitalizace.

Kovarianty

Demografické charakteristiky (např. věk, pohlaví, rasa a etnicita, kterou sami uvedli) byly získány z databází zdravotních plánů.^27–29Relevantní komorbidity byly definovány diagnostickou nebo procedurální Mezinárodní klasifikací nemocí, kódy deváté revize a doplněny výsledky laboratorních testů, ambulantními vitálními funkcemi a předepsanými léky pomocí dat založených na elektronických zdravotních záznamech, která byla vyčištěna a propojena na úrovni jednotlivých pacientů do Kaiser Permanente Virtual Data Warehouse, jak bylo dříve popsáno a ověřeno.^25,30–38Vitální stav pacienta byl stanoven pomocí komplexních informací z administrativních a klinických databází zdravotního plánu, hlášení členů proxy, souborů vitálního stavu Správy sociálního zabezpečení a informací o úmrtním listu státu Kalifornie.^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 procent chybějících hodnot nebylo zahrnuto do procesu modelování.

Statistický přístup

Analýzy byly provedeny pomocí SAS, verze 9.3 (SAS Inc., Cary, NC) a Salford Predictive Modeler, verze 8.2 (Salford Systems, San Diego, CA). Základní charakteristiky byly porovnány napříč skupinami zotavení pomocí analýzy rozptylu pro spojité proměnné a x² testy na kategorické proměnné.

Nejprve jsme provedli multivariabilní logistickou regresní analýzu pro predikci zotavení po AKI-D s následujícími kandidátními prediktory: věk, pohlaví, rasa a etnický původ, kuřák, užívání léků před přijetím, preexistující komorbidity (srdeční selhání, ischemická choroba srdeční, předchozí ischemická cévní mozková příhoda, onemocnění periferních tepen, fibrilace síní, onemocnění mitrální nebo aortální chlopně, žilní tromboembolismus, hypertenze, diabetes mellitus, dyslipidémie, předchozí hospitalizované krvácení z gastrointestinálního traktu, onemocnění štítné žlázy, chronické onemocnění jater, chronické onemocnění plic, demence, deprese) a hospitalizace skóre rizika úmrtnosti.²⁶ Další kandidátní prediktory zahrnovaly následující proměnné před přijetím: index tělesné hmotnosti, systolický krevní tlak, předpřijetí hladiny lipoproteinů s vysokou a nízkou hustotou, eGFR (s použitím rovnice kreatininu pro spolupráci v epidemiologii chronických onemocnění ledvin⁴¹), hladina proteinurie na proužku, hladina hemoglobinu a počet krevních destiček. Index tělesné hmotnosti, systolický krevní tlak před přijetím a všechny laboratorní proměnné byly považovány za ordinální kategorické proměnné (rozdíly mezi kategoriemi uvedené v tabulkách 1 a 2; podobné výsledky byly získány, když byly tyto kovariáty považovány za spojité proměnné). Abychom identifikovali důležité prediktory, nejprve jsme vygenerovali 1000 náhodných vzorků analytické kohorty pomocí bootstrap převzorkování s náhradou a poté provedli automatizovanou postupnou logistickou regresi na každém vzorku. Do konečného modelu byly zahrnuty prediktory, které byly vybrány postupnou regresí ve větším nebo rovném 75 procentům bootstrapovaných vzorků. Následně jsme použili 10-násobnou křížovou validaci ke generování předpokládaných pravděpodobností zotavení pro každého pacienta, které byly použity k výpočtu c-indexu a generování kalibračních statistik. Nakonec byly odhady parametrů modelu a poměry šancí pro konečnou sadu prediktorů generovány pomocí modelu logistické regrese za použití úplné analytické kohorty.

Také jsme a priori plánovali provést analýzu CART pro zotavení, protože nebylo známo, zda tato metoda přinese klinicky užitečnější výsledky než přístup logistické regrese.⁴² Kandidátské prediktory byly stejné jako ty, které byly použity v logistické regresní analýze. CART zacházel se všemi laboratorními hodnotami jako s kontinuálními proměnnými a optimálně vybranými hraničními body, aby se minimalizovala ztráta informací. Nebyly stanoveny žádné limity pro minimální velikost uzlu nebo terminálu. Stromy byly prořezány a optimalizovány pomocí vestavěné 10-násobné křížové validace, aby se minimalizovala relativní chybná klasifikace případů a zároveň byla chráněna před přemontováním. K vyhodnocení výkonu konečného rozhodovacího stromu byly vytvořeny C-indexy, matoucí matice a provozní charakteristika přijímače.

Pro část 2 kliknětetady.