Bölüm 1|Diyaliz Sonrası Böbrek İyileşmesini Öngörme-Gerektiren Akut Böbrek Hasarı Diyaliz Sonrası Böbrek İyileşmesini Öngörme-Gerektiren Akut Böbrek Hasarı

Diyaliz Sonrası Böbrek İyileşmesini Öngörme-Gerektiren Akut Böbrek Hasarı Diyaliz Sonrası Böbrek İyileşmesini Öngörme-Gerektiren Akut Böbrek Hasarı

İletişim: emily.li@wecistanche.com

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

¹Nefroloji Anabilim Dalı, Tıp Departmanı, California Üniversitesi, San Francisco, San Francisco, California, ABD;²Houston Böbrek Danışmanları, Houston, Teksas, ABD;³Houston Metodist Akademik Tıp Enstitüsü, Houston, Teksas, ABD;⁴Araştırma Bölümü, Kaiser Permanente Kuzey Kaliforniya, Oakland, Kaliforniya, ABD;⁵Epidemiyoloji ve Biyoistatistik Bölümü, California Üniversitesi, San Francisco, San Francisco, California, ABD; 6Critical Care Bölümü, Anestezi Departmanı, California Üniversitesi, San Francisco, San Francisco, California, ABD; ve⁷Nefroloji Anabilim Dalı, Kaiser Permanente Oakland Tıp Merkezi, Oakland, California, ABD

Giriiş:

Sonrasındadiyaliz gerektiren Akut böbrek hasarı(AKI-D), yeterli geri kazanımBöbrek fonksiyonudurdurmakdiyalizönemli bir klinik ve hasta odaklı sonuçtur. Bireysel hastalarda iyileşme olasılığının tahmin edilmesi yaygın bir ikilemdir.

Yöntemler:

Bu kohort çalışması, Ocak 2009 ile Eylül 2015 arasında AKI-D yaşayan ve yatan hasta ölümünü öngören Kaiser Permanente Kuzey Kaliforniya'nın tüm yetişkin üyelerini inceledi.<20%. candidate="" predictors="" included="" demographic="" characteristics,="" comorbidities,="" laboratory="" values,="" and="" medication="" use.="" we="" used="" logistic="" regression="" and="" classification="" and="" regression="" tree="" (cart)="">

kurtarma için tahmin modelleri geliştirmek ve çapraz doğrulamak.

Sonuçlar:

AKI-D'li 2214 hastanın ortalama yaşı 67.1, yüzde 40.8'i kadın ve yüzde 54.0'ı beyazdı; Hastaların yüzde 40,9'u iyileşti. İyileşen hastalar daha gençti, başlangıçtaki tahmini glomerüler filtrasyon oranları (eGFR) ve kabul öncesi hemoglobin düzeyleri daha yüksekti ve önceden kalp yetmezliği veya kronik karaciğer hastalığı olma olasılıkları daha düşüktü. Önyükleme yapılmış örneklere uygulanan adım adım lojistik regresyon, başlangıç ​​eGFR'sini, kabul öncesi hemoglobin düzeyini, kronik karaciğer hastalığını ve yaşı en yaygın olarak çıkışla ilişkili öngörücüler olarak tanımladı.diyaliz90 gün içinde. Bu yordayıcıları içeren nihai lojistik regresyon modelimiz, 0.64'lük bir c-endeksiyle, gözlemlenen ve tahmin edilen olasılıklar arasında 0.97'lik bir korelasyon katsayısına sahipti. Alternatif bir CART yaklaşımı, lojistik regresyon modelinden daha iyi performans göstermedi (c-endeksi 0.61).

Çözüm:

Rutin olarak mevcut klinik verileri kullanarak mükemmel kalibrasyon ile AKI-D sonrası iyileşme için cimri bir tahmin modeli geliştirdik ve çapraz doğruladık. Bununla birlikte, modelin mütevazı ayrımcılığı, klinik faydasını sınırlar. Daha iyi tahmin araçları geliştirmek için daha fazla araştırmaya ihtiyaç vardır.

Böbrek Uluslararası Temsilcisi (2019) 4, 571–581; https://doi.org/10.1016/j.ekir.2019.01.015

ANAHTAR KELİMELER:diyaliz, diyaliz-gerektiren, böbrek fonksiyonu,Akut böbrek hasarı,tahmin modeli,böbrek iyileşmesi

Cistanche böbrek fonksiyonunu korur ve iyileştirir

AKI-D, kritik durumdaki hastaların yüzde 3 ila yüzde 13'ünü etkileyen ciddi bir akut tıbbi durumdur.^1–3AKI-D'li hastalarda hastane içi mortalite azalmış olsa da,^4–8hayatta kalanların önemli bir kısmı kalırdiyaliz- hastaneden taburcu olma sırasında ve sonrasında bağımlı.^2,5,9–11 böbrek kurtarmaAKI-D'den sonra, yeterli getiri olarak tanımlananBöbrek fonksiyonudevam etmekdiyaliz, önemli bir klinik ve hasta odaklı sonuçtur. Her ne kadar çoğu hasta normal başlangıca sahip olsa daBöbrek fonksiyonuAKI-D deneyimi olan birçok hasta,12 AKI-D hastaneye yatışından sağ kurtulurlarsa sonunda iyileşirAkut böbrek hasarı(AKI) kronik böbrek hastalığı (KBH) üzerine bindirilir ve iyileşmez.^13–15

AKI-D'nin başlangıcından sonra iyileşmenin öngörülmesi, nefrologlardan yoğun bakım uzmanlarına, hastane ve birinci basamak hekimlerine kadar birçok uzmanlık alanında hastalar, aileleri ve doktorlar tarafından karşı karşıya kalınan yaygın bir ikilemdir. Temel eGFR, proteinüri, yaş, diyabetes mellitus ve komorbidite yükünün iyileşme olasılığını etkilediği gösterilmiştir.9,10,13–17 Yayınlanmış tek tahmin modeli Srisawat ve diğerleri tarafından oluşturulmuştur.¹⁸ Charlson komorbidite indeksi ve APACHE II skorunun yordayıcı olduğunu bulmuşlardır. Bununla birlikte, çalışmaları küçüktü (n= 76) ve yalnızca önceden evre 4 veya 5 KBH'si olan hastaları dışlayan bir klinik araştırmaya kayıtlı yüksek oranda seçilmiş katılımcıları içeriyordu, bu nedenle genelleştirilebilirlik birçok nedenden dolayı sınırlıydı.^19,20Genel olarak, AKI-D'nin doğal seyrine ilişkin veriler değişkendir ve AKI-D'li bir hastanın iyileşip iyileşmeyeceğini bilmek zordur.^9,21

İyileşmeyi daha doğru bir şekilde tahmin etme yeteneği, hem yatan hasta hem de ayakta tedavi ortamlarında danışmanlık ve karar verme süreçlerine potansiyel olarak rehberlik edebilir. AKI'li hastanede yatan birçok hasta, akut tedaviye başlamadan önce bile iyileşme şanslarını soruyor.diyalizve bazıları başlamayı reddedebilirdiyalizbirlikte, iyileşme şanslarının çok düşük olduğunu anlarlarsa ve muhtemelendiyalizhayatlarının geri kalanı için. İyileşmenin doğru tahmini bilgi verirdiyalizAKI-D'li hastalar için erişim kararları: hem kısa vadede tünelli kateterlere karşı geçici seçimi hem de orta vadede fistül veya greft yerleştirme zamanlaması. İyileştirilmiş prognostik yetenekler ayrıca ayaktan tedavinin zamanlamasını da etkileyecektir.diyalizsandalye yerleştirme (yani, ayakta tedavi için bir zaman ve yer belirlemediyaliz), hastanede kalış süresini potansiyel olarak etkileyebilir. Ayakta tedavi ortamında, hastalar AKI-D'yi uzatabilecek prosedürleri (örneğin, iyotlu kontrast uygulaması) düşündüklerinde, iyileşmeyi tahmin etme yeteneği, hastaların ve sağlayıcılarının riskleri ve faydaları uygun şekilde tartmasına yardımcı olacaktır. Araştırma perspektifinden, iyileştirilmiş prognostik yetenekler, makul bir iyileşme şansı olan AKI-D'li hastaların potansiyel tedavileri test eden denemelere hedefli olarak kaydedilmesine izin verecektir.

Şu anda doğrulanmış bir AKI-D kurtarma tahmin modeli bulunmamaktadır ve uzman paneller, bu bilgi açığını bu hassas popülasyonda sonuçları iyileştirmenin önündeki önemli bir engel olarak tanımlamıştır.^9,22Çeşitli, toplum temelli bir kohort kullanarak amacımız, rutin klinik uygulamaya uygulanabilecek AKI-D sonrası iyileşme için bir tahmin modeli geliştirmekti.

Bu çalışma, KPNC ve California Üniversitesi, San Francisco'daki kurumsal inceleme kurulları tarafından, çalışmanın doğası gereği bilgilendirilmiş onam alınmadan onaylanmıştır.

Cistanche böbrek fonksiyonunu korur ve iyileştirir

YÖNTEMLER

Kaynak Nüfus

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 milyon üye. Bu hastalar 21 Kaiser Permanente'ye ait hastanede tedavi edildi (Ek Ek S1). KPNC üyeliği, çevredeki yerel ve eyalet çapındaki nüfusu büyük ölçüde temsil etmektedir.23 Bakımın neredeyse tüm yönleri, KPNC'nin yatan hasta, acil servis ve ayakta tedavi ortamlarına entegre edilmiş elektronik tıbbi kayıt sistemi aracılığıyla kaydedilir.

Bu çalışma, KPNC ve California Üniversitesi, San Francisco'daki kurumsal inceleme kurulları tarafından, çalışmanın doğası gereği bilgilendirilmiş onam alınmadan onaylanmıştır.

Örnek çalışma

1 Ocak 2009 ile 30 Eylül 2015 arasında AKI-D geliştiren ve art arda 12 ay veya daha fazla olan tüm yetişkin (yaş 18 yaşından büyük) KPNC üyeleri üzerinde geriye dönük bir kohort çalışması gerçekleştirdik. sağlık planı üyeliği ve eczane, ilgili komorbiditelerin, laboratuvar testlerinin ve reçeteli ilaç kullanımının yeterli şekilde yakalanmasını sağlamak için endeks hastaneye yatmadan önce fayda sağlar. Bu analiz için, hastaneye yatış sırasında herhangi bir kronik RRT yokluğunda renal replasman tedavisi (RRT; akut aralıklı hemodiyaliz ve/veya sürekli RRT) uygulanan hastaları AKI-D'ye sahip olarak sınıflandırdık ve yatarak tedavi gören hasta serum kreatinin konsantrasyonu şundan büyük veya kabul öncesi taban çizgisinin yüzde 50'sine eşittir (kabulden 7 ila 365 gün önce, acil servis dışı en son ayakta tedavi ölçümü olarak tanımlanır). Başvurudan önce kronik RRT, RRT tedavilerinin başlamasını ve kesilmesini ve böbrek transplantasyonu tarih(ler)ini izleyen kapsamlı bir KPNC Son Aşama Böbrek Hastalığı (SDBY) Tedavi Kaydı aracılığıyla tespit edildi.13,15,24,25 Başlangıçta eGFR değerleri<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="">böbrek iyileşmesiklinik olarak yalnızca akut hastaneye yatıştan sağ kurtulma olasılığı olan ve ölüm AKI-D'den sonra "iyileşmeme" durumu olarak yorumlanabildiğinde ortaya çıkan analitik sorunları azaltan AKI-D'li hastalar arasında önemlidir. Ayrıca 2 duyarlılık analizi gerçekleştirdik: biri tahmini yatan hasta ölüm olasılığı yüzde 20 veya daha fazla olan hastaları dışlamayan ve eGFR yerine serum kreatinin kullanan hastaları.

AKI-D Sonrası Renal İyileşme

Birincil sonuç, yerlilerin iyileşmesiydi.Böbrek fonksiyonuAKI-D'den sonra, RRT'nin başlamasından sonraki 90 gün içinde RRT bağımsızlığı ve RRT'nin kesilmesinden sonraki 4 haftaya eşit veya daha uzun süre hayatta kalma olarak tanımlanır. 90-günlük sınırdan sonraki 4 hafta içinde RRT'yi bırakan hastalar, minimum 4-haftalık süre boyunca hayatta kaldıklarını doğrulamak için 90 gün sonra gözlemlendi. 90 gündeki durumu kullandık çünkü hastalar geleneksel olarak kalırlarsa ESRD'ye sahip olarak kabul edilirler.diyaliz90 günden fazla veya daha uzun süre bağımlı.9 Hastaların hayatta ve kapalı olmalarını istedikdiyalizDevam etmeyen kişilerin olası yanlış sınıflandırmasını azaltmak için 4 haftadan fazla veya eşitdiyalizBakımın geri çekilmesi nedeniyle. AKI-D'nin ilk yatışı sırasında veya hastaneden taburcu olduktan sonra ayakta tedavi ortamında iyileşme meydana gelebilir. Analizimizi, hastanede yatış süresini etkileyebilecek diğer yabancı faktörlerden ziyade AKI epizodunun doğal seyriyle daha yakından ilişkilendirmek için RRT'nin başlama tarihine (hastaneden taburculuk veya başka bir tarih yerine) dayandırdık.

ortak değişkenler

Demografik özellikler (örn. yaş, cinsiyet, kişinin bildirdiği ırk ve etnik köken) sağlık planı veri tabanlarından elde edilmiştir.^27–29İlgili komorbiditeler, tanısal veya prosedürel Uluslararası Hastalık Sınıflandırması, Dokuzuncu Revizyon kodları ile tanımlandı ve laboratuvar test sonuçları, ayakta tedavi gören yaşamsal belirtiler ve elektronik sağlık kaydına dayalı veriler kullanılarak reçete edilen ilaçlarla desteklendi ve bunlar, bireysel-hasta düzeyinde temizlendi ve ilgili rapora bağlandı. Kaiser Permanente Sanal Veri Ambarı, daha önce açıklandığı ve doğrulandığı şekilde.^25,30–38Hastanın hayati durumu, sağlık planı idari ve klinik veritabanlarından, üye vekil bildirimlerinden, Sosyal Güvenlik İdaresi hayati durum dosyalarından ve California eyalet ölüm sertifikası bilgilerinden elde edilen kapsamlı bilgiler kullanılarak belirlendi.^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 >Eksik değerlerin yüzde 20'si modelleme sürecine dahil edilmedi.

İstatistiksel Yaklaşım

Analizler SAS, sürüm 9.3 (SAS Inc., Cary, NC) ve Salford Predictive Modeler, sürüm 8.2 (Salford Systems, San Diego, CA) kullanılarak yapıldı. Temel özellikler, sürekli değişkenler için varyans analizi kullanılarak kurtarma grupları arasında karşılaştırıldı ve x² kategorik değişkenler için testler.

AKI-D sonrası iyileşmeyi tahmin etmek için başlangıçta, aşağıdaki aday belirleyicilerle birlikte çok değişkenli lojistik regresyon analizi yaptık: yaş, cinsiyet, kişinin bildirdiği ırk ve etnik köken, sigara içme durumu, başvuru öncesi ilaç kullanımı, önceden var olan komorbiditeler (kalp yetmezliği, koroner kalp hastalığı, geçirilmiş iskemik inme, periferik arter hastalığı, atriyal fibrilasyon, mitral veya aort kapak hastalığı, venöz tromboembolizm, hipertansiyon, diabetes mellitus, dislipidemi, önceden hastaneye yatırılmış gastrointestinal kanama, tiroid hastalığı, kronik karaciğer hastalığı, kronik akciğer hastalığı, demans, depresyon) ve yatan hasta ölüm riski puanı.²⁶ Ek aday öngörücüler, aşağıdaki kabul öncesi değişkenleri içeriyordu: vücut kitle indeksi, sistolik kan basıncı, kabul öncesi yüksek yoğunluklu ve düşük yoğunluklu lipoprotein seviyeleri, eGFR (Kronik Böbrek Hastalığı Epidemiyoloji İşbirliği kreatinin denklemi kullanılarak)⁴¹), dipstick proteinüri seviyesi, hemoglobin seviyesi ve trombosit sayısı. Vücut kitle indeksi, başvuru öncesi sistolik kan basıncı ve tüm laboratuvar temelli değişkenler sıralı kategorik değişkenler olarak kabul edildi (kategoriler arasındaki bölümler Tablo 1 ve 2'de gösterilmiştir; bu değişkenler sürekli değişkenler olarak ele alındığında benzer sonuçlar elde edilmiştir). Önemli tahmin edicileri belirlemek için, ilk önce değiştirme ile önyükleme yeniden örnekleme yoluyla analitik kohortun 1000 rastgele örneğini oluşturduk ve ardından her örnek üzerinde otomatik adım adım lojistik regresyon gerçekleştirdik. Önyükleme yapılan örneklerin yüzde 75'inden büyük veya buna eşit olarak adım adım regresyonla seçilen tahminciler nihai modele dahil edildi. Daha sonra, bir c-endeksini hesaplamak ve kalibrasyon istatistiklerini oluşturmak için kullanılan her hasta için tahmini iyileşme olasılıklarını oluşturmak için 10-kat çapraz doğrulama kullandık. Son olarak, tam analitik kohort kullanılarak bir lojistik regresyon modeli aracılığıyla, nihai tahminciler kümesi için model parametre tahminleri ve olasılık oranları oluşturuldu.

Ayrıca, bu yöntemin lojistik regresyon yaklaşımından daha klinik olarak yararlı sonuçlar verip vermeyeceği bilinmediğinden, iyileşme için bir CART analizi yapmayı önceden planladık.⁴² Aday tahmin edicileri, lojistik regresyon analizinde kullanılanlarla aynıydı. CART, bilgi kaybını en aza indirmek için tüm laboratuvar değerlerini sürekli değişkenler ve en uygun şekilde seçilmiş kesme noktaları olarak ele aldı. Minimum düğüm veya terminal boyutu için herhangi bir sınır belirlenmedi. Ağaçlar budandı ve vakaların göreli yanlış sınıflandırılmasını en aza indirirken aşırı uyum sağlamaya karşı koruma sağlamak için yerleşik 10-kat çapraz doğrulama kullanılarak optimize edildi. Nihai karar ağacının performansını değerlendirmek için C-endeksleri, bir karışıklık matrisi ve bir alıcı işletim karakteristik eğrisi oluşturulmuştur.

2. Bölüm için lütfen tıklayınız.burada.