目的评价慢性心力衰竭患者报告结局量表(patient-reported outcome measure for chronic heart failure,CHF-PROM)的同时效度和预测效度。方法对符合纳入排除标准的1128例慢性心力衰竭患者进行前瞻性队列随访。Pearson及Spearman用于分...
详细信息
目的评价慢性心力衰竭患者报告结局量表(patient-reported outcome measure for chronic heart failure,CHF-PROM)的同时效度和预测效度。方法对符合纳入排除标准的1128例慢性心力衰竭患者进行前瞻性队列随访。Pearson及Spearman用于分析同时效度的效标与CHF-PROM各领域评分和总分之间的相关性。将患者发生心衰再住院和死亡作为预测效度的效标,采用单因素和多因素两水平Cox回归模型分析CHF-PROM各领域评分和总分对患者再住院和死亡风险的影响。结果同时效度分析结果表明,生理领域评分、心理领域评分和总分与纽约心脏病协会(New York Heart Association,NYHA)心功能分级呈负相关,且生理领域评分与N末端B型利钠肽前体(N-terminal pro-B type natriuretic peptide,NT-proBNP)水平呈负相关。预测效度分析结果表明,生理领域评分是心衰患者再住院和死亡的预测因子,心理领域评分仅与患者再住院有关。结论CHF-PROM是用于评价CHF患者的有效工具。该量表具有良好的同时效度,且具有较好的预警能力。
目的探讨中国中老年女性高血压患者相对脂肪质量指数(relative fat mass,RFM)与全因死亡风险的因果关联,并将其与BMI比较。方法基于中国健康与养老追踪调查(China health and retirement longitudinal study,CHARLS)数据库,以符合纳入...
详细信息
目的探讨中国中老年女性高血压患者相对脂肪质量指数(relative fat mass,RFM)与全因死亡风险的因果关联,并将其与BMI比较。方法基于中国健康与养老追踪调查(China health and retirement longitudinal study,CHARLS)数据库,以符合纳入和排除标准的1958例患者为研究对象。使用绘制限制性立方样条(restricted cubic spline,RCS)方法确定RFM截断值,并据此进行分组;构建logistic回归分析模型分析RFM和BMI分组与全因死亡风险的相关性,利用双稳健估计两者与全因死亡风险的平均因果效应。结果Logistic回归分析模型显示,以39.30≤RFM≤42.10组为对照,RFM>42.10组与RFM<39.30组均会增加患者全因死亡风险;以BMI正常组为对照,消瘦组会增加患者全因死亡风险,而超重和肥胖组则降低全因死亡风险。双稳健结果显示,与39.30≤RFM≤42.10组相比,RFM<39.30组与RFM>42.10组均会增加患者全因死亡风险,其平均因果效应(average treatment effect,ATE)值分别为4%(95%CI:0.006~0.074)和12%(95%CI:0.077~0.163);与BMI正常组相比,其余BMI分组与全因死亡风险之间未发现因果关联。结论中国中老年女性高血压患者RFM与全因死亡风险存在因果关联,合理控制RFM有助于降低患者全因死亡风险。
目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RT...
详细信息
目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RTPSO算法对数据进行均衡化处理,在均衡化数据集上构建logistic回归、随机森林、支持向量机模型。结果 本研究共纳入2229例冠心病合并慢性心衰患者,依据筛选出的BMI、射血分数、N端前脑钠肽等22个变量构建模型。用灵敏度、特异度、准确率、F-measure和AUC值评价模型性能,其中RF、SVM、logistic回归、RF-RTPSO、SVM-RTPSO、Logistic-RTPSO灵敏度的中位数分别为0.0172、0.0773、0.0776、0.7568、0.7640、0.7838;F-measure的中位数分别为0.0338、0.1143、0.1283、0.3412、0.3505、0.4545;AUC的中位数分别为0.5086、0.5264、0.5313、0.8016、0.7785、0.7985。结论 RTPSO算法可以从多数类样本中选择有代表性的少数样本,从而达到数据均衡化,使分类模型具备更高的预测性能,指导临床医生发现高危患者,尽早预防不良事件的发生。
暂无评论