kwestionariusz kardiomiopatii Kansas City użyteczność w przewidywaniu 30-dniowego wskaźnika readmisji u pacjentów z przewlekłą niewydolnością serca

Streszczenie

Tło. Niewydolność serca (ang. Heart failure, HF) jest jedną z najczęstszych diagnoz związanych z readmisją szpitalną. Zaprojektowaliśmy to prospektywne badanie, aby ocenić, czy wynik Kansas City Cardiomyopathy Questionnaire (KCCQ) jest związany z 30-dniowym readmisją u pacjentów hospitalizowanych z niewyrównaną HF. Metody i wyniki. Do badania włączono 240 pacjentów, którzy spełnili kryteria badania. Czterdziestu ośmiu (20%) pacjentów poddano ponownemu leczeniu niewyrównaną HF W Ciągu Trzydziestu Dni od wypisu ze szpitala, a 192 (80%) pacjentów nie poddano ponownemu leczeniu. W porównaniu z pacjentami poddanymi ponownemu leczeniu, pacjenci nie poddani ponownemu leczeniu mieli wyższy średni wynik KCCQ (40,8 wobec 32,6, P = 0,019) przed wypisem. Analizy wielowymiarowe wykazały, że wysoki wynik KCCQ był związany z niskim wskaźnikiem readmisji HF (skorygowanym lub = 0,566, P = 0,022). C-Statystyka dla modelu podstawowego (wiek + płeć) wynosiła 0,617. Połączenie leków domowych i testów laboratoryjnych w modelu podstawowym spowodowało wzrost integrated discrimination improvement (IDI) o 3,9%. Na tej podstawie kcqq zwiększyło IDI o 2,7%. Wnioski. Wynik kccq ustalony przed wypisem ze szpitala był istotnie związany z 30-dniowym wskaźnikiem readmisji u pacjentów z HF, co może stanowić klinicznie użyteczny środek i może znacząco poprawić wiarygodność przewidywania readmisji w połączeniu z innymi elementami klinicznymi.

1. Wprowadzenie

szacuje się, że niewydolność serca (HF) dotyka ponad 5.7 milionów Amerykanów z 870,000 nowych przypadków diagnozowanych każdego roku. Szacuje się, że przewidywana częstość występowania wzrośnie o 46% W latach 2012-2030, w wyniku czego ponad 8 milionów osób cierpi na HF . Koszt opieki nad pacjentami z HF wyniósł około 30,7 mld USD w 2012 r .i szacuje się, że do 2030 r. wzrośnie o 127% do 69,7 mld USD. Pomimo postępów w zrozumieniu i leczeniu, śmiertelność HF pozostaje niezwykle wysoka – 50% pacjentów umiera w ciągu 5 lat od początkowej diagnozy .

readmisja HF po hospitalizacji jest powszechna i niestety wiele z tych readmisji jest przewidywalnych i możliwych do uniknięcia . Chociaż nowe dane wykazały zmniejszenie wskaźników readmisji szpitali Medicare, HF jest nadal jedną z najczęstszych diagnoz związanych z readmisją 30-dniową; analiza danych opartych na oświadczeniach Medicare z lat 2007-2009 wykazała, że 24,8 procent beneficjentów przyjętych z HF zostało ponownie przyjętych w ciągu 30 dni, a 35,2 procent tych readmisji dotyczyło HF . Te dotyczące statystyk utorowały drogę do większego skupienia się na narzędziach do przewidywania i zapobiegania takim readmisjom.

kwestionariusz kardiomiopatii Kansas City (ang. Kansas City Cardiomyopathy Questionnaire, KCCQ) był narzędziem pierwotnie zaprojektowanym w celu zapewnienia lepszego opisu jakości życia związanej ze zdrowiem u pacjentów z HF . W kwestionariuszu tym zidentyfikowano następujące klinicznie istotne dziedziny: ograniczenia fizyczne (pytanie 1), Objawy (częstotliwość , nasilenie i zmiany w czasie), skuteczność własna i wiedza (pytania 11, 12), ingerencja społeczna (pytanie 16) i jakość życia związana ze zdrowiem (pytania 13-15). Wcześniejsze badania wykazały, że wynik KCCQ korelował z przeżywalnością i hospitalizacją pacjentów z HF i był niezależnym predyktorem złego rokowania w tej populacji pacjentów . Ponadto, wynik kccq mierzony 1 tydzień po wypisie ze szpitala niezależnie przewidywał roczne przeżycie bez readmisji sercowo-naczyniowej . Ostatnio, KCCQ badano również podczas ostrej hospitalizacji HF i wykazano wrażliwość na ostre zmiany, ale zmiany punktacji podczas hospitalizacji nie przewidywały krótkotrwałego readmisji , chociaż było to stosunkowo małe badanie, z wielkością próby tylko 52 pacjentów i nie badało związku między wynikiem kccq a readmisją HF. W związku z tym, czy wynik KCCQ może być wykorzystany do przewidywania readmisji krótkoterminowej, nie został jeszcze w pełni oceniony.

aby rozwiązać te luki w wiedzy i zbadać możliwości wykorzystania wyniku kccq do przewidywania krótkoterminowych readmisji HF, zaprojektowaliśmy i przeprowadziliśmy to prospektywne badanie.

2. Metody

badanie zostało zatwierdzone przez Florida Hospital Institutional Review Board i przeprowadzone zgodnie z deklaracją Helsińską. Badania przeprowadzono w szpitalu Florida w kampusie Orlando. Pacjenci, którzy zostali przyjęci do oddziału HF, byli badani i włączani do badania. Kryteriami włączenia byli pacjenci przyjmowani z niewyrównaną HF z frakcją wyrzutową (EF) mniejszą lub równą 40% i w wieku od 20 do 89 lat. Kryteria wykluczenia to choroba noncardiac o średniej długości życia krótszej niż jeden rok, HF z powodu nieskorygowanej zastawkowej choroby serca, choroba psychiczna zakłócająca odpowiednią obserwację, niezdolność do zrozumienia procedury badania i niezdolność do wyrażenia świadomej zgody. Pierwszorzędowym punktem końcowym był 30-dniowy wskaźnik readmisji oraz wynik kccq. Warunki współistniejące wstępu, dane demograficzne, laboratoryjne, dane echokardiograficzne i leki po rozładowaniu były drugorzędowymi punktami końcowymi.

dla każdego pacjenta, który spełnił kryteria badania, przeszkolony asystent badawczy wyjaśnił pacjentowi badanie i podał kccq po uzyskaniu pisemnej świadomej zgody. Ocena była zazwyczaj zakończona w ciągu 1-3 dni przed wypisem. 30 dni po wypisie przeprowadzono rozmowę telefoniczną w celu ustalenia, czy nastąpiła ponowna hospitalizacja, czy nie. Informacje o readmisji po zwolnieniu zostały zebrane w drodze rozmowy kontrolnej z pacjentem.

aby ocenić powiązania między wynikiem KCCQ a readmisją w ciągu 30 dni po wypisaniu, najpierw porównaliśmy różnicę między grupą niereadmisyjną a grupą readmisyjną pod względem wyników kccq, cech demograficznych, współwystępowania, leków i danych laboratoryjnych za pomocą analizy jednostkowej. W analizie jednowymiarowej, t-test został użyty do zmiennej ciągłej, a dokładny test Fishera został użyty do analizy liczby. Następnie przeprowadziliśmy analizę wielowymiarową w celu zbadania, w jaki sposób każdy czynnik kliniczny był związany z readmisjami HF po kontrolowaniu innych czynników. W analizie wielowymiarowej wykorzystano modele regresji logistycznej i oszacowano skorygowane współczynniki kursów (lub) dla każdego z czynników, które zostały postawione w celu przewidywania readmisji HF. W regresji logistycznej uwzględniliśmy readmisję HF jako zmienną zależną, a wszystkie potencjalne czynniki jako niezależne predyktory, niezależnie od tego, czy wykazały one znaczącą różnicę między grupami readmisji i niereadmisji w analizie jednostkowej.

po analizie wielowymiarowej skonstruowaliśmy dalej pięć uproszczonych modeli przewidywania i oceniliśmy znaczenie wyniku kccq w modelu końcowym poprzez porównanie obszaru pod krzywą charakterystyki operacyjnej odbiornika (Roc) każdego modelu. W tej analizie wykorzystaliśmy również integrated discrimination improvement (IDI), opisaną przez Pencina et al., do pomiaru średniego wzrostu czułości modelu przy średnim spadku swoistości wraz z dodaniem nowych zmiennych . W modelach predykcyjnych, wiek został przekształcony co 10-letni przyrost, frakcja wyrzutowa co 10% spadek, wynik KCCQ co 25-punktowy przyrost, a poziom sodu do zmiennej binarnej (<135 lub ≥135).

dwieście dwadzieścia osiem (228 lub 95%) pacjentów miało pełne dane dla wszystkich zmiennych. Jednakże u 12 (5%) pacjentów brak danych dotyczących wieku lub rasy. Ponieważ nie wykryto zagnieżdżonego brakującego wzorca, do przypisywania danych wykorzystano wiele modeli imputacji. Ponieważ wiek był zmienną ciągłą, a Rasa zmienną binarną, regresja liniowa była używana dla wieku, podczas gdy regresja logistyczna była używana do przypisywania rasy. Wszystkie analizy zostały przeprowadzone przez Stata w wersji 14 (StataCorp., 2015). Wszystkie wartości były dwuogonowe i zostały ustalone jako poziom istotności statystycznej dla wszystkich testów.

3. Wyniki

ogółem do badania włączono 240 pacjentów. Czterdziestu ośmiu (20%) pacjentów poddano ponownemu leczeniu w ciągu 30 dni od wypisu z powodu HF, podczas gdy 192 (80%) pacjentów nie poddano ponownemu leczeniu z przyczyn innych niż HF (Tabela 1). Nie stwierdzono istotnej różnicy pomiędzy pacjentami nieleczonymi i nieleczonymi pod względem średniego wieku (63, 0 w porównaniu do 59, 9 lat), początkowej długości pobytu w szpitalu (11, 2 w porównaniu do 9, 7 dni) lub odsetka białych pacjentów (59, 9% w porównaniu do 56, 3%). Stwierdzono jednak istotną różnicę pomiędzy tymi dwiema grupami w porównaniu płci, przy czym mężczyźni byli bardziej podatni na readmisję niż kobiety(85,4% w porównaniu z 68,8% w porównaniu z mężczyznami i 14,6% w porównaniu z 31,3% w porównaniu z kobietami). Żadna z chorób współistniejących nie wykazała istotnej różnicy w częstości względnej między grupą readmisji a grupą, która nie otrzymała readmisji (Tabela 1).

wynik kccq, wyniki badań laboratoryjnych przy przyjęciu i leki wyładowcze porównano między pacjentami nieleczonymi i readmitowanymi (Tabela 2). Średni wynik KCCQ był znamiennie wyższy u pacjentów nieleczonych niż u pacjentów po ponownym leczeniu(40,8 w porównaniu do 32,6). W porównaniu z pacjentami z readmisją, pacjenci bez readmisji mieli większą frakcję wyrzutową w momencie przyjęcia (24,7% w porównaniu z 21,8%). Nie stwierdzono jednak istotnej różnicy w porównaniu leków wydzielanych z wydzieliny, poziomu sodu we krwi lub HGB pomiędzy dwiema grupami pacjentów w analizie jednoskładnikowej(Tabela 2).

w celu dalszego zbadania wpływu każdej zmiennej niezależnej podczas kontrolowania innych zmiennych współzmiennych przeprowadzono analizy wielowymiarowe (Tabela 3 i rysunek 1). Wyniki wykazały, że wynik KCCQ i EF były ujemnie związane ze wskaźnikiem readmisji (skorygowanym OR = 0,566 i 1,903 oraz 0,021, resp.) i że mężczyźni byli bardziej narażeni na readmisję niż kobiety (skorygowane lub = 5,589,). Co ciekawe, u pacjentów z zawałem mięśnia sercowego było większe prawdopodobieństwo (skorygowane OR = 2,849,), a u pacjentów z CAD było mniejsze prawdopodobieństwo ponownego wystąpienia choroby (skorygowane OR = 0,231,) w porównaniu z pacjentami z innymi chorobami współistniejącymi. Jedną z możliwych interpretacji może być to, że pacjenci po zawale mięśnia sercowego są bardziej narażeni na nieprawidłowości w Ruchu Ściany i stałe wady mięśnia sercowego, a tym samym na mniejszą frakcję wyrzutową niż pacjenci z nieniszczącą chorobą wieńcową bez zawału mięśnia sercowego, co prowadzi do przeciwnego wkładu w readmisję HF.

Rysunek 1

skorygowane współczynniki szans na readmisję w ciągu 30 dni od wypisania wynikające z wielowymiarowej analizy regresji logistycznej.

w celu oceny, jaki wkład w przewidywanie readmisji HF wniósł wynik kccq, opracowaliśmy model obejmujący siedem czynników oprócz wyniku kccq (model 5) w oparciu o wyniki regresji wielowymiarowej, opublikowaną literaturę i modele. Statystyka c wskazała, że model 5, który zawierał wynik kccq i wszystkie inne potencjalne predyktory, miał najwyższą wartość statystyczną C (0,710) wśród innych zredukowanych modeli bez wyniku KCCQ (Rysunek 2). Jak widać w tabeli 4, Analiza IDI wykazała, że dyskryminujące wyniki Modelu 5 poprawiły się o 6,6% w stosunku do modelu podstawowego (model 1), który obejmował tylko wiek i płeć, oraz o 2,7% w stosunku do modelu zredukowanego (model 4), w tym wszystkie czynniki, z wyjątkiem wyniku KCCQ (jest to bezwzględny przyrost; w porównaniu z modelem 4, IDI pełnego modelu z KCCQ, model 5, wzrósł o ). Z drugiej strony, jako ustalony niezależny czynnik związany z readmisją HF , EF zwiększył IDI z 1,3% (model 3) do 3,9% (model 4). Wyniki te sugerowały, że wynik KCCQ, jako pojedyncza niezależna zmienna, jest jednym z ważnych czynników, które mogłyby być potencjalnie wykorzystane do przewidywania wskaźników readmisji pacjentów z HF w ciągu 30 dni po wypisie, a połączenie wszystkich tych ważnych czynników zapewniłoby największy przyrost.

Rysunek 2

porównanie powierzchni ROC między różnymi modelami. Model 1: logit (read30) = wiek + płeć; model 2: logit (read30) = wiek + płeć + beta_blocker + ace/arb; model 3: logit (read30) = wiek + płeć + beta_blocker + Ace/arb + sodium + hgb; model 4: logit (read30) = wiek + płeć + beta_blocker + Ace/arb + sodium + hgb + ef; oraz model 5: logit (read30) = wiek + płeć + beta_blocker + Ace/ARB + sodium + HGB + EF + kccq. read30: readmisja za 30 dni.

4. Dyskusja

w tym prospektywnym badaniu stwierdziliśmy, że wynik KCCQ był znacząco związany z krótkoterminowym wskaźnikiem readmisji HF. Przyczynił się do poprawy statystyk c modelu opartego na wieku, płci, lekach, danych laboratoryjnych i LVEF dostępnych przy wypisie z 0,670 do 0,710 i podniósł IDI o 2,7%, co sugerowało, że może być pomocny w przewidywaniu readmisji 30-dniowej, a tym samym znacznie poprawić wiarygodność prognoz w połączeniu z innymi krytycznymi komponentami. Wyniki te mogą stanowić pomoc w wytyczaniu strategii działań następczych w kierunku zapewnienia optymalnej opieki, takich jak zachęcanie pacjentów z niższym KCCQ do wczesnej obserwacji .

podjęto wiele starań, aby zidentyfikować przewidywalne czynniki, które są związane z wysokim ryzykiem ponownego przyjęcia, co do tej pory było dość trudne. W tym badaniu stwierdziliśmy, że pacjenci z HF, którzy mieli niższy wynik KCCQ w momencie wypisu i niższy wynik EF oraz płeć męską, wydawali się bardziej podatni na readmisję w ciągu 30 dni. Wyniki te były podobne do niektórych badań, ale nie do innych. W rzeczywistości nie wykazano, aby żaden konkretny pacjent lub czynniki szpitalne konsekwentnie przewidywały 30-dniowy readmisję po hospitalizacji z powodu HF. W systematycznym przeglądzie 112 badań opisujących związek między tradycyjnymi cechami pacjenta a readmisją po hospitalizacji z powodu HF, EF lewej komory, a także inne czynniki, takie jak charakterystyka demograficzna, warunki współistniejące i klasa New York Heart Association, były związane z readmisją tylko w niewielkiej liczbie przypadków . W innej metaanalizie 69 badań i 144 czynników wpływających na krótkotrwałą readmisję, współistniejące choroby nienaczyniowe, zła kondycja fizyczna, historia przyjęcia i niestosowanie leków opartych na dowodach, a nie współistniejące choroby sercowo-naczyniowe, wiek lub płeć, były silniej związane z krótkotrwałą readmisją .

wykazano, że wyniki KCCQ mają znacznie większą wrażliwość na zmiany kliniczne u pacjentów z HF niż klasyfikacja funkcjonalna New York Heart Association (NYHA), Minnesota Living with Heart Failure Questionnaire (LiHFe) i krótka forma-36 (SF-36) . Badanie EVEREST zasugerowało, że kccq jest ważnym wskaźnikiem prognostycznym readmisji w ciągu roku od wypisu. W badaniu pacjenci z wynikiem KCCQ

jak wspomniano powyżej, istnieje wiele czynników wpływających na readmisję HF; dlatego opracowano modele przewidywania ryzyka, w tym i ważenia wszystkich istotnych czynników. W tych modelach rozróżnienie, zdefiniowane przez obszar pod krzywą charakterystyki operacyjnej odbiornika (ROC), jest używane do określenia, jak dobrze model może oddzielić tych, którzy będą mieli wynik od tych, którzy nie będą mieli wyniku zainteresowania. W tym przypadku, jeśli przewidywane ryzyko dla pacjentów poddanych ponownemu leczeniu jest wyższe niż dla pacjentów, którzy nie zostali poddani ponownemu leczeniu, model doskonale rozróżnia c-statystykę 1. Z drugiej strony, jeśli przewidywanie ryzyka nie jest lepsze od przypadku, statystyka c wynosi 0,5. Modele są zazwyczaj uważane za rozsądne, gdy statystyka c jest większa niż 0,7 i silne, gdy statystyka C jest większa niż 0,8 . Dla 30-dniowego readmisji po hospitalizacji HF opracowano kilka modeli. Tylko dwa modele wygenerowały statystykę C większą niż 0,6 po zbadaniu zarówno kohort pochodnych, jak i walidacji. Jednym z nich jest zautomatyzowany model opracowany przez Amarasingham et al. włączenie danych z elektronicznej karty zdrowia w momencie hospitalizacji . Drugi model łączył oparte na oświadczeniach dane demograficzne i comorbidity z danymi klinicznymi, w tym wartościami życiowymi, wartościami laboratoryjnymi i mierzoną frakcją wyrzutową lewej komory . Jednak żaden z dwóch modeli nie zawierał wyników KCCQ. Biorąc pod uwagę tylko 48 readmisji w naszej badanej populacji, uwzględniliśmy tylko 7 parametrów oprócz wyniku kccq w pełnym modelu (model 5). Uwzględniono również informacje o lekach, beta-blokerach i inhibitorach Ace / ARB, które wykazały obniżenie śmiertelności w przypadku HF, oraz sodu i Hgb, które mogą wpływać na rehospitalizację i śmiertelność w przypadku Hf i były stosowane w innych modelach (http://www.readmissionscore.org/heart_failure.php), chociaż nie były niezależnie powiązane z readmisją w analizie wielowymiarowej. Pełny model (model 5), który zawierał wynik KCCQ, zwiększył statystykę c z 0,617 w modelu bazowym 1 na podstawie wieku i płci do 0.710, przy wzroście IDI o 6,6%. Biorąc pod uwagę, że wiele innych możliwych czynników ryzyka nie zostało uwzględnionych w tym modelu, takich jak GFR i BNP, model ten może nie być doskonały, chociaż jego statystyki c były większe niż 0,7 i mogą wyolbrzymiać udział wyniku KCCQ. Jednak nasze wyniki sugerują, że wkład KCCQ w przewidywanie krótkoterminowego readmisji HF może być potencjalnie równie ważny jak LVEF.

obecne wyniki należy rozważyć w kontekście ograniczeń badania. Badanie to zostało przeprowadzone w jednym ośrodku medycznym, a dalsze badania w innych ośrodkach lub wielu ośrodkach muszą być wykonane, aby potwierdzić nasze wyniki. Podawaliśmy KCCQ tylko jeden raz podczas hospitalizacji, co nie odzwierciedlałoby zmian między przyjęciem, podczas hospitalizacji i po hospitalizacji. Nie zebraliśmy niektórych istotnych historii medycznej, takich jak historia przyjęcia z powodu niewydolności serca w przeszłości; wyniki badań fizykalnych; niektóre inne laboratoria, takie jak GFR i BNP, lub wyniki rentgenowskie klatki piersiowej. Czynniki te mogą być również ważne w modelu przewidywania ryzyka.

skróty

dodatkowe punkty

kompetencje w zakresie wiedzy medycznej. Niewydolność serca jest jedną z najczęstszych diagnoz związanych z readmisją. Wynik KCCQ dostarczył ważnych informacji prognostycznych do przewidywania 30-dniowego readmisji i może znacznie poprawić niezawodność przewidywania wraz z innymi krytycznymi komponentami. Perspektywy Translacyjne. Dodatkowe badania kliniczne muszą być wykonane w wielu ośrodkach o większej wielkości próbki, aby potwierdzić nasze wyniki. Przyszłe badania powinny obejmować istotne wyniki badań fizykalnych i wyniki badań rentgenowskich klatki piersiowej, które mogą być ważne w modelu przewidywania ryzyka.

konkurencyjne interesy

autorzy oświadczają, że nie mają konkurencyjnych interesów.

wkład autorów

Shengchuan Dai i Junhong Gui w równym stopniu przyczynili się do powstania rękopisu.

podziękowania

autorzy chcą potwierdzić następujących uczestniczących lekarzy z Florida Hospital Orlando, którzy pomogli w zbieraniu danych: Maria Amin( MD); Saroj Khadka (MD); Prabhava Bagla (MD); i Zoltan Varga (MD, Ph.d.).