แบบจำลองหลายสถานะสำหรับความก้าวหน้าของโรคไต

ติดต่อ: Audrey Hu Whatsapp/hp: 0086 13880143964 อีเมล:audrey.hu@wecistanche.com

MK Lintu^a, KM Shreyas^b, อาชา กามัต^a,* et al

เชิงนามธรรม

พื้นหลัง:การทำความเข้าใจความก้าวหน้าของโรคไตเป็นที่สนใจของแพทย์ แบบจำลองหลายสถานะเป็นเครื่องมือที่เหมาะสมในการจำลองผลกระทบของตัวแปรร่วมที่มีอิทธิพลต่อการเริ่มมีอาการ การลุกลาม และการถดถอยของการทำงานของไต

วัตถุประสงค์:เป้าหมายของการศึกษาครั้งนี้คือการเสนอแบบจำลองสุ่มสำหรับไตโรคความก้าวหน้าและเพื่อสาธิตการใช้งานที่เหมือนกัน

วิธีการ:เราเสนอแบบจำลองมาร์กอฟหลายสถานะที่เป็นเนื้อเดียวกันตลอดเวลาแบบกึ่งพารามิเตอร์ต่อเนื่องสำหรับข้อมูลความก้าวหน้าของโรคไตที่ได้รับจากการศึกษาย้อนหลังของผู้ป่วย 225 รายที่ได้รับยา colistin (ยาปฏิชีวนะที่เกิดซ้ำ) ในโรงพยาบาลระดับตติยภูมิในชายฝั่งกรณาฏกะ ระยะต่างๆ ของโรคไตถูกกำหนดตามคะแนนโรคไตที่ปรับปรุงผลลัพธ์ทั่วโลก (KDIGO) แบบจำลองประกอบด้วยสามสถานะชั่วคราวและสถานะความตายที่ดูดซับ ผลกระทบของตัวแปรร่วมต่ออัตราการเปลี่ยนแปลงแบบสองทิศทางถูกประเมินโดยใช้แบบจำลองหลายสถานะ

ผลลัพธ์:เราใช้ข้อมูลของผู้ป่วย 225 รายเพื่อดูความก้าวหน้าของโรคไต ผู้ป่วยทุกรายอยู่ภายใต้การบำบัดด้วยโคลิสติน ระยะเวลาพักรักษาตัวในโรงพยาบาลเฉลี่ย 21 วัน ผู้ป่วยทั้งหมด 83 ราย (ร้อยละ 36.89 ) เสียชีวิตในโรงพยาบาล ปัจจัยพยากรณ์โรค เช่น เพศ ความดันโลหิตสูง ภาวะติดเชื้อ และการผ่าตัด เป็นปัจจัยสำคัญที่ส่งผลต่อโรคไตในระยะต่างๆ

บทสรุป:ผลการวิจัยนี้จะเป็นประโยชน์สำหรับผู้กำหนดนโยบายด้านสาธารณสุขในการดำเนินการตามนโยบายและแผนการรักษาเพื่อปรับปรุงการอยู่รอดของผู้ป่วย นอกจากนี้ แบบจำลองความก้าวหน้าของโรคยังช่วยให้เข้าใจถึงภาระที่คาดหวังของโรคอีกด้วย

คำสำคัญ:แบบจำลองหลายรัฐไต โรค, ความรุนแรงของการเปลี่ยนผ่าน, เหตุการณ์ระดับกลาง, การลุกลามของโรค

ประโยชน์ของ cistanche deserticola: รักษาโรคไต

1. บทนำ

ไต โรคเป็นปัญหาสาธารณสุขที่สำคัญ อย่างไรก็ตาม การแทรกแซงในระยะเริ่มต้นสามารถหลีกเลี่ยงได้ไตปัญหาอย่างถาวร ผลลัพธ์ที่ไม่พึงประสงค์และความก้าวหน้าของเรื้อรังโรคเช่นไตโรคสามารถควบคุมได้ด้วยยาที่เพียงพอและการเปลี่ยนแปลงวิถีชีวิต เนื่องจากโรคไตมักจะต้องเข้ารับการรักษาในโรงพยาบาล การสร้างแบบจำลองระยะเวลาอยู่อาศัย การอยู่รอด และความก้าวหน้าของโรคไตจึงเป็นที่สนใจของแพทย์

วิธีการเอาตัวรอดแบบมาตรฐาน เช่น วิธี Kaplan-Meier หรือแบบจำลองอันตรายตามสัดส่วนของ Cox เพียงพอที่จะจัดการกับการตั้งค่าการเอาชีวิตรอดอย่างง่ายโดยไม่มีเหตุการณ์ระดับกลาง อย่างไรก็ตาม ความก้าวหน้าของโรคไตเป็นตัวอย่างหนึ่งของกระบวนการที่ซับซ้อนซึ่งมีเหตุการณ์ระดับกลางต่างกัน โมเดลหลายสถานะเป็นวิธีที่มีประสิทธิภาพในการจัดการกระบวนการที่ซับซ้อนเช่นนี้ อาสาสมัครสามารถอยู่ในสถานะเดียวในช่วงเริ่มต้นของการศึกษา ผ่านต่อไปในสถานะต่างๆ และในที่สุดก็จบลงในสถานะสุดท้าย การเปลี่ยนแปลงของผู้รับการทดลองเหล่านี้สามารถสร้างแบบจำลองได้ และปัจจัยเสี่ยงที่เกี่ยวข้องกับเวลาการอยู่รอดของการเปลี่ยนแปลงที่แตกต่างกันสามารถระบุได้โดยใช้แบบจำลองหลายสถานะ แบบจำลองนี้ประเมินผลกระทบของปัจจัยทางคลินิกและทางประชากรศาสตร์ที่แตกต่างกันต่อกระบวนการของโรคที่ซับซ้อน1–3

แบบจำลองหลายสถานะมักใช้ในการศึกษามะเร็ง เนื่องจากมีระยะต่างๆ ของมะเร็งที่บ่งชี้ถึงการลุกลามของโรค4,5 ในทำนองเดียวกัน มีการศึกษาที่ดำเนินการเพื่อระบุปัจจัยเสี่ยงที่ส่งผลต่อการลุกลามของโรคเอดส์ในผู้ป่วยเอชไอวี6-8 โรคต่างๆ เช่น โรคเบาหวาน โรคไตเรื้อรัง ฯลฯ สามารถจัดการได้อย่างมีประสิทธิภาพด้วยแบบจำลองหลายสถานะมากกว่าแบบจำลองการอยู่รอดอย่างง่าย9,10

ในบทความนี้ เราเสนอแบบจำลองหลายสถานะสำหรับความก้าวหน้าของโรคไตของผู้ป่วยที่ได้รับ colistin ระหว่างพักรักษาตัวในโรงพยาบาล บันทึกผู้ป่วย 225 รายถูกเรียกคืนและคะแนน KDIGO ของพวกเขาที่จุดเวลาที่ต่างกันได้รับการเข้าถึงสำหรับเอกสารคู่หูทางคลินิก ระยะเวลาพักรักษาตัวในโรงพยาบาลคือจำนวนวันตั้งแต่เข้ารับการรักษาจนถึงเสียชีวิต/ออกจากโรงพยาบาล ระหว่างการพักรักษาตัวในโรงพยาบาล ผู้ป่วยต้องผ่านระยะต่างๆ ของความรุนแรงของโรค เรากำหนดกระบวนการด้วยสี่สถานะ สถานะชั่วคราวสามสถานะที่ได้มาจากคะแนน KDIGO แสดงไว้ในตารางที่ 1

จากการศึกษาทางระบาดวิทยาที่แตกต่างกัน เป็นที่ชัดเจนว่า biomarkers และ comorbidities ที่แตกต่างกันมีบทบาทสำคัญในการลุกลามของโรคไต เราประเมินผลกระทบของตัวแปรร่วมที่มีอิทธิพลต่อการเริ่มมีอาการ การลุกลาม และการถดถอยของการทำงานของไตโดยใช้แบบจำลองหลายสถานะ นอกจากนี้เรายังจัดให้มีการสาธิตสำหรับเอกสารข้อมูล การวิเคราะห์ และการตีความ เพื่อให้ผู้อ่านสามารถนำแบบจำลองหลายสถานะไปใช้งานได้อย่างง่ายดาย ตามความรู้ของเรา แบบจำลอง Markov แบบหลายสถานะไม่ได้ถูกนำมาใช้เพื่อจำลองความก้าวหน้าของโรคไตที่เกิดจาก colistin

ในบทความที่เหลือ เราจะนำเสนอข้อมูล อธิบายวิธีการ และอภิปรายผลลัพธ์

cistanche deserticola

2. วัสดุและวิธีการ

2.1. คำอธิบายข้อมูล

การศึกษาย้อนหลังได้ดำเนินการเพื่อทำความเข้าใจปัจจัยเสี่ยงที่เกี่ยวข้องกับพิษต่อไตที่เกิดจาก colistin ในผู้ป่วยที่รับการรักษาที่ Department of Medicine, Kasturba Hospital, Manipal ตั้งแต่เดือนมกราคม 2559 ถึงธันวาคม 2560 เราตรวจสอบการเสียชีวิตในโรงพยาบาล ความยาวของโรงพยาบาลเพิ่มเติม อยู่และความก้าวหน้าของโรคไต จากการตรวจคัดกรองผู้ป่วยทั้งหมด 600 ราย ผู้ป่วย 225 รายมีความเหมาะสมกับการศึกษาในปัจจุบัน บันทึกผู้ป่วยในโรงพยาบาลของผู้ป่วย 225 รายนี้เป็นพื้นฐานของการศึกษาในปัจจุบัน

มีการเข้าถึงคะแนน KDIGO ที่จุดเวลาที่ต่างกันเพื่อตรวจสอบไตการทำงานการปรับปรุงและการลดลง ปัจจัยการพยากรณ์โรค เช่น อายุ เพศ เบาหวาน ความดันโลหิตสูง ฯลฯ ถูกบันทึกไว้สำหรับผู้ป่วยแต่ละราย การศึกษาที่คล้ายคลึงกันในวรรณคดีได้แก้ไขปัญหาเกี่ยวกับการถดถอยโลจิสติกหรือการวิเคราะห์การรอดชีวิตแบบธรรมดาโดยพิจารณาจุดสิ้นสุดเป็นการลดลงของการทำงานของไต วิธีการเหล่านี้ละเลยการก้าวหน้าและการถดถอยในสถานะต่างๆ แบบจำลองหลายรัฐให้ความเข้าใจในเชิงลึกเกี่ยวกับเรื่องทั่วไปไต การทำงานรูปแบบการปรับปรุงหรือการเสื่อมสภาพและผลการตายในแง่ของความน่าจะเป็นการเปลี่ยนแปลง การเปลี่ยนแปลงคือการเปลี่ยนแปลงของรัฐในระหว่างการศึกษาและความน่าจะเป็นของการเปลี่ยนแปลงคือความน่าจะเป็นของการย้ายจากสถานะหนึ่งไปอีกสถานะหนึ่ง ผู้ป่วยส่วนใหญ่ดูเหมือนจะแกว่งไปมาระหว่างสถานะ 1 สถานะ 2 และ 3 หลายครั้ง ซึ่งบ่งชี้ว่าสถานะเหล่านี้สามารถย้อนกลับได้ การเปลี่ยนภาพสามารถย้อนกลับได้เมื่อวัตถุเคลื่อนที่ไปมาระหว่างสองสถานะ

การจัดเรียงข้อมูลเป็นขั้นตอนสำคัญในการปรับโมเดลหลายสถานะให้เหมาะสม ID เฉพาะที่มอบให้กับผู้ป่วยแต่ละรายจะดูแลการจัดกลุ่มของหัวข้อเดียว ดังนั้นควรให้ความระมัดระวังในขณะที่บันทึกข้อมูลเพื่อให้แน่ใจว่าข้อมูลทั้งหมดจากผู้ป่วยรายเดียวได้รับการคุ้มครองภายใต้ ID เฉพาะเดียวกัน โครงร่างข้อมูลตัวอย่างแสดงไว้ในตารางที่ 2

2.2. โมเดลหลายรัฐ

ความก้าวหน้าของโรคไตสามารถเห็นภาพเป็นกระบวนการสุ่มที่มีพื้นที่จำกัดในเวลาต่อเนื่อง สถานะต่างๆ สะท้อนถึงความรุนแรงของโรค รัฐมีสองประเภท: ชั่วคราวและดูดซับ สภาพที่ซึมซับเป็นสภาวะที่เมื่อเข้าไปแล้วจะปล่อยไว้ไม่ได้ ในขณะที่สถานะชั่วคราวคือสภาวะที่มีการเปลี่ยนผ่านเพิ่มเติม โมเดลหลายสถานะเป็นเครื่องมือที่มีประโยชน์ในการอธิบายการเคลื่อนไหวของวัตถุระหว่างสถานะต่างๆ ในเวลาต่อเนื่องกัน โมเดลคำนวณความน่าจะเป็นของการเปลี่ยนแปลงสำหรับช่วงการเปลี่ยนภาพที่เป็นไปได้ทั้งหมด11,12

เราเสนอแบบจำลองมาร์กอฟหลายสถานะที่เป็นเนื้อเดียวกันเป็นเวลาสี่สถานะต่อเนื่องเป็นเวลาสี่สถานะสำหรับข้อมูลการลุกลามของโรคไต กระบวนการคือ Markovian หากอนาคตขึ้นอยู่กับปัจจุบันเท่านั้น โมเดลนี้แสดงให้เห็นในรูปที่ 1

ลูกศรระบุการเปลี่ยนแปลงที่เป็นไปได้ ลูกศรสองด้านหมายถึงการเปลี่ยนแบบย้อนกลับได้ การเปลี่ยนภาพจะย้อนกลับได้หากวัตถุเคลื่อนที่ไปมาระหว่างสองสถานะ สถานะชั่วคราวสามสถานะ (สถานะที่มีลูกศรชี้ออก) ได้แก่: สถานะ 1 (KDIGO > 60), สถานะ 2 (30 < kdigo="">< 60)="" และสถานะ="" 3="" (kdigo="">< 30)="" สถานะ="" 4="" (ความตาย)="" กำลังดูดซับ="" (สถานะไม่มีลูกศรออก)="" กระบวนการ="" (x(t),="" t="" ∈="" t)="" กับ="" state-space="" s="{1," 2,="" 3,="" 4}="" อธิบายถึงสถานะที่ถูกครอบครอง="" ณ="" เวลา="" t="" ตัวแปรเวลาจะวัดเป็นวันที่เริ่มตั้งแต่เข้ารับการรักษาในโรงพยาบาล="" แบบจำลองหลายสถานะแสดงถึงความน่าจะเป็นของการเปลี่ยนแปลง="" ความน่าจะเป็นของการเปลี่ยนแปลง="" (หน้าที่ของเวลา)="" กำหนดโดย:="" ผลร่วม="" (อายุ="" เพศ="" ความดันโลหิตสูง="" เบาหวาน="" ฯลฯ)="" ต่ออัตราการเปลี่ยนผ่านแบบสองทิศทางถูกประเมิน="" ค่าประมาณของอันตราย="" λij="">

โดยที่ λij คือความเสี่ยงในทันทีของการย้ายจากสถานะ i ไปยังสถานะ j เมทริกซ์ความเข้มของการเปลี่ยนแปลงถูกกำหนดโดย:

ตัวแปรต่อเนื่องถูกนำเสนอเป็นค่าเฉลี่ย (SD); ตัวแปรหมวดหมู่เป็นความถี่ ( เปอร์เซ็นต์ )

Q คือเมทริกซ์ความเข้มของการเปลี่ยนแปลง n × n โดยที่ n คือจำนวนสถานะสูงสุดที่เกี่ยวข้องกับกระบวนการ ความเข้มของการเปลี่ยนแปลงจะให้อัตราการเปลี่ยนจากสถานะหนึ่งไปอีกสถานะหนึ่งทันที รายการ (i, j) คือ 0 เมื่อไม่มีการเปลี่ยนจาก i เป็น j เส้นทแยงมุมคือ: λii(t)=λi.=− ∑i=∕jλij(t) สำหรับ I ∈ S ทั้งหมด สถานะ 4 เป็นสถานะดูดซับ ความน่าจะเป็นที่จะย้ายออกจากสถานะนี้เป็นศูนย์ ผลรวมขององค์ประกอบของแต่ละแถวของเมทริกซ์การเปลี่ยนแปลงเป็นศูนย์ การติดตั้งแบบจำลองหลายสถานะเป็นกระบวนการในการค้นหาความเข้มของการเปลี่ยนแปลงที่ไม่รู้จักซึ่งเพิ่มความเป็นไปได้สูงสุด13

แบบจำลองหลายรัฐจะประมาณการเวลาพักเฉลี่ยในแต่ละรัฐ ซึ่งเป็นระยะเวลาเฉลี่ยที่ผู้ป่วยใช้ในสถานะชั่วคราวในการเข้าพักครั้งเดียวก่อนที่จะย้ายไปอยู่ในรัฐอื่น เวลาพักแรมที่คาดหวังคำนวณเป็น − 1/λjj โดยที่ λjj คือค่าเข้าเส้นทแยงมุม jth ของ Q(t)

ความน่าจะเป็นของการเปลี่ยนผ่านคำนวณจากความเข้มของการเปลี่ยนแปลงเป็น P(t)=exp[Q(t)] เมทริกซ์ความน่าจะเป็นในการเปลี่ยนแปลงได้มาจาก:

ผลรวมแถวของ P เท่ากับหนึ่ง สำหรับสถานะดูดซับ j, Pjj(s,t) =1

ฟังก์ชันความน่าจะเป็นถูกสร้างขึ้นด้วยความน่าจะเป็นของการเปลี่ยนแปลง ฟังก์ชันความน่าจะเป็นนี้ L(Q) กำหนดโดย

โดยที่องค์ประกอบ Li,j คือรายการของแถว s(tij) และคอลัมน์ s(ti,j บวก 1) ในเมทริกซ์ความน่าจะเป็นของการเปลี่ยนแปลง

แบบจำลองการถดถอยอันตรายตามสัดส่วนถูกใช้เพื่อรวมผลกระทบของตัวแปรร่วมต่อความเข้มของการเปลี่ยนแปลง รับเวกเตอร์ covariate Z,

ij เป็นเวกเตอร์ของสัมประสิทธิ์การถดถอย เราใช้แพ็คเกจ MSM ใน R เวอร์ชัน 40.2 เพื่อทำการวิเคราะห์แบบหลายสถานะ14 การเลือกแบบจำลองเสร็จสิ้นด้วยการทดสอบอัตราส่วนความน่าจะเป็น

cistanche ก้าน

3. ผลลัพธ์

3.1. การวิเคราะห์ข้อมูลเชิงสำรวจ

การศึกษาย้อนหลังนี้มีวัตถุประสงค์เพื่อจำลองความก้าวหน้าของโรคไตของผู้ป่วยที่ได้รับ colistin ระหว่างพักรักษาตัวในโรงพยาบาล จากผู้ป่วย 225 ราย ผู้ป่วย 83 ราย (37 เปอร์เซ็นต์) เสียชีวิตในโรงพยาบาล และผู้ป่วย 142 ราย (63 เปอร์เซ็นต์) ออกจากโรงพยาบาลทั้งเป็น สถิติเชิงพรรณนาสามารถพบได้ในตารางที่ 3 และตารางที่ 4 ระยะเวลาการเข้าพักเฉลี่ย (IQR) คือ 21 (16) วัน มีผู้ป่วยชาย 166 รายและผู้ป่วยหญิง 59 รายเข้ารับการรักษาในโรงพยาบาล อายุมัธยฐาน (IQR) ของผู้ป่วยคือ 57 (26) และค่าเฉลี่ย (± SD) คือ 54 (±17) มีผู้ป่วยโรคความดันโลหิตสูง 87 ราย (ร้อยละ 39) ผู้ป่วยเบาหวาน 78 ราย (ร้อยละ 35) ผู้ป่วยภาวะติดเชื้อ 115 ราย (ร้อยละ 51) ผู้ป่วยโรคไตเรื้อรัง (CKD) จำนวน 30 ราย (ร้อยละ 13.3) ผู้ป่วย 123 ราย (ร้อยละ 55) โรคปอดบวม และผู้ป่วย 59 ราย (ร้อยละ 26) มีอาการบาดเจ็บที่ไตเฉียบพลัน (AKI) ในผู้ป่วยที่รักษาในโรงพยาบาล 194 (86 เปอร์เซ็นต์) เข้ารับการรักษาในห้องไอซียู และผู้ป่วย 119 คน (53 เปอร์เซ็นต์) ได้รับการผ่าตัด

ในบรรดาผู้ป่วย 225 คน ผู้ป่วย 83 คน (37 เปอร์เซ็นต์) เสียชีวิตในโรงพยาบาล และผู้ป่วยที่เหลือ 142 คน (63 เปอร์เซ็นต์) รอดชีวิตจากการมีชีวิต ระยะเวลาการอยู่รอดเฉลี่ย 38 วัน (ตารางที่ 5) รูปที่ 2 แสดงค่าประมาณของฟังก์ชันการเอาตัวรอดของ Kaplan Meier

3.2. การวิเคราะห์หลายรัฐ

มีผู้ป่วย 126 รายในรัฐ 1, 48 รายในสถานะ 2 และ 51 รายในรัฐ 3 ในขณะที่เข้ารับการรักษา เมทริกซ์การเปลี่ยนแปลงของกระบวนการแสดงไว้ในตารางที่ 6 เนื่องจากการเปลี่ยนภาพสามารถย้อนกลับได้ จึงมีการเปลี่ยนประเภทเดียวกันมากกว่าหนึ่งรายการในผู้ป่วยรายเดียวกัน

มีการเปลี่ยนสถานะจากรัฐ 1 เป็น 4 จำนวน 32 ครั้ง โดยระบุว่ามีผู้ป่วย 32 รายที่อยู่ในสถานะ 1 เสียชีวิตในโรงพยาบาล ในทำนองเดียวกัน มีผู้เสียชีวิต 27 และ 24 รายในรัฐที่ 2 และรัฐที่ 3 ตามลำดับ รายการในแนวทแยงระบุจำนวนกรณีที่ผู้ป่วยยังคงอยู่ในสถานะเดียวกันในช่วงเวลาต่อมา เวลาพักเฉลี่ยโดยประมาณแสดงไว้ในตารางที่ 7

แพ็คเกจ msm ถูกใช้เพื่อทำการวิเคราะห์แบบหลายสถานะเพื่อให้ได้ผลของ covariates ต่อความเข้มของการเปลี่ยนแปลง แบบจำลองหลายสถานะที่เป็นตัวแปรเดียวถูกสร้างขึ้นด้วยตัวแปรร่วมที่มีนัยสำคัญทางคลินิก โควาเรียที่มีนัยสำคัญทางสถิติ (p-value<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="">

ผู้ป่วยชายในสถานะ 1 มีความเสี่ยงสูง (HR: 2.55; ร้อยละ 95 CI (1.31–4.92)] ของความก้าวหน้าของโรคเมื่อเปรียบเทียบกับเพศหญิง อย่างไรก็ตาม โอกาสของการถดถอยยังมีมากขึ้นสำหรับผู้ป่วยชายในสถานะ 2 เมื่อเปรียบเทียบกับเพศหญิงในสถานะ 3 เพศชายมีโอกาสน้อยกว่า 86 เปอร์เซ็นต์ที่จะเกิดผลลัพธ์ที่ไม่พึงประสงค์ การปรากฏตัวของโรคเบาหวานแสดงผลแบบผสมในการเปลี่ยนภาพที่แตกต่างกัน ผู้ป่วยโรคความดันโลหิตสูงในรัฐที่ 2 มีความเสี่ยงต่อความก้าวหน้าของโรคมากกว่าผู้ป่วยรายอื่นๆ และโอกาสที่พวกเขาจะถดถอยจากสภาวะที่ 3 ก็น้อยกว่าเช่นกัน แบคทีเรียเป็นปัจจัยเสี่ยงและแสดงผลอย่างมีนัยสำคัญในการเปลี่ยนจากสถานะ 1 และ 2 เป็นสถานะดูดซับ บ่งชี้ว่าผู้ป่วยภาวะติดเชื้อมีความเสี่ยงต่อการเสียชีวิตสูง ในทำนองเดียวกัน ผู้ป่วยที่ได้รับการผ่าตัดมีความเสี่ยงที่จะเสียชีวิตในสถานะ 3 มากขึ้น เนื่องจากความไม่สมดุลในบางกลุ่ม อาจมีการเชื่อมโยงปลอมบางอย่างที่ไม่บ่งชี้ถึงความสำคัญทางคลินิก

ความคิดเห็น cistanche: รักษาโรคไต

4. การอภิปรายและข้อสรุป

โรคไตเป็นปัญหาสาธารณสุขที่สำคัญ อย่างไรก็ตาม การแทรกแซงในช่วงต้นสามารถหลีกเลี่ยงปัญหาไตได้อย่างถาวร แบบจำลองความก้าวหน้าของโรคช่วยให้เข้าใจถึงภาระที่คาดหวังของโรค ซึ่งจะเป็นประโยชน์ต่อผู้กำหนดนโยบายด้านสาธารณสุขของประเทศต่อไป

เหตุการณ์ระดับกลางที่ไม่ร้ายแรงบางอย่างช่วยให้เข้าใจถึงความก้าวหน้าของโรคมากขึ้น ในการศึกษาส่วนใหญ่ เหตุการณ์เหล่านี้มักถูกละเลย อย่างไรก็ตาม เหตุการณ์ระดับกลางเหล่านี้มีความสำคัญมากสำหรับแพทย์ในการปรับปรุงแผนการรักษา แบบจำลอง Markov แบบหลายสถานะถูกนำมาใช้เพื่อทำความเข้าใจความก้าวหน้าของโรคเรื้อรังหลายชนิดที่เกี่ยวข้องกับการเปลี่ยนผ่านในสภาวะกลางต่างๆ ซึ่งบ่งชี้ถึงความรุนแรงของโรคในช่วงเวลาต่อเนื่อง โมเดลนี้ให้ข้อมูลเชิงลึกมากขึ้นเกี่ยวกับรูปแบบเหตุการณ์ที่ซับซ้อน ดังนั้นจึงสามารถใช้เป็นเครื่องมือที่มีประสิทธิภาพในการศึกษาประสิทธิผลของการรักษาได้ แบบจำลองหลายสถานะกำลังถูกใช้ในการศึกษามะเร็ง เนื่องจากมีระยะต่างๆ ของมะเร็งที่ก่อให้เกิดการเปลี่ยนแปลงที่แตกต่างกัน4,5 ในทำนองเดียวกัน มีการศึกษาที่ดำเนินการเพื่อระบุปัจจัยเสี่ยงที่ส่งผลต่อการลุกลามของโรคเอดส์ในผู้ป่วยเอชไอวี6-8 โรคเช่น โรคเบาหวาน โรคไตเรื้อรัง ฯลฯ สามารถจัดการได้อย่างมีประสิทธิภาพด้วยแบบจำลองหลายสถานะแทนที่จะเป็นแบบจำลองการรอดชีวิตอย่างง่าย9,10 อย่างไรก็ตาม พบการใช้งานน้อยลงในด้านความก้าวหน้าของโรคไตเรื้อรัง การศึกษาล่าสุดที่ใช้แบบจำลองหลายสถานะเพื่อทำความเข้าใจความก้าวหน้าของโรคไตเรื้อรังโดย Grover et al.10

เราเสนอแบบจำลองหลายสถานะ 4 สถานะสำหรับความก้าวหน้าของโรคไตของผู้ป่วยที่ได้รับ colistin มีความพยายามในการสาธิตแบบจำลองหลายรัฐโดยมุ่งเป้าไปที่ผู้เชี่ยวชาญด้านสุขภาพอย่างง่าย ด้วยความพร้อมใช้งานของเครื่องมือซอฟต์แวร์ขั้นสูง การวิเคราะห์จึงง่ายและมีประสิทธิภาพ แม้ว่าเราจะเน้นที่โมเดล Markov ทั่วไป แต่ก็มีโมเดลหลายสถานะหลายประเภทตามลักษณะของกระบวนการ1,2,15–18

ขอแนะนำให้ใช้ขั้นตอนพื้นฐานต่อไปนี้เพื่อใช้โมเดลหลายสถานะ: (i) กำหนดกระบวนการโดยระบุสถานะต่างๆ และการเปลี่ยนแปลงที่เป็นไปได้ดังแสดงในรูปที่ 1 และตารางที่ 2 รักษาจำนวนสถานะให้น้อยที่สุดเพื่อให้โมเดลทำงานได้อย่างราบรื่น ( ii) บันทึกข้อมูลอย่างถูกต้องตามที่แสดงในตารางที่ 1 (iii) ใช้ซอฟต์แวร์และแพ็คเกจที่เหมาะสมเพื่อให้พอดีกับแบบจำลอง (iv) ตีความผลลัพธ์โดยไม่สูญเสียข้อดีของแบบจำลองหลายสถานะเหนือเทคนิคการวิเคราะห์การรอดชีวิตมาตรฐานอื่น ๆ

ระยะเวลาการเข้าพักเฉลี่ยอยู่ที่ 21 วัน และระยะเวลาการอยู่รอดเฉลี่ยอยู่ที่ 38 วัน ผลการวิจัยพบว่าเพศ เบาหวาน ความดันโลหิตสูง ภาวะติดเชื้อ และการผ่าตัดเป็นปัจจัยสำคัญที่ส่งผลต่อการลุกลามหรือการถดถอยของโรคไต ผลลัพธ์ที่ได้จากการศึกษาครั้งนี้มีข้อจำกัดในด้านอำนาจเนื่องจากจำนวนวิชาที่น้อยกว่า ดังนั้น การค้นพบนี้จึงจำเป็นต้องสรุปด้วยความระมัดระวัง ต่อมารวมระยะต่างๆ ของโรคไตเข้าด้วยกันเนื่องจากกลุ่มตัวอย่างมีขนาดเล็กลง สิ่งนี้จะส่งผลต่อความสามารถในการสรุปรวมของการค้นพบ เนื่องจากไม่ได้รวมภาพที่แน่ชัดของรูปแบบการเปลี่ยนแปลงของความก้าวหน้าของโรคไตด้วย8

แพ็คเกจ msm ใน R เวอร์ชัน 40.2 ถูกใช้เพื่อให้พอดีกับโมเดลหลายสถานะ เนื่องจากข้อจำกัดที่ระบุไว้ในเอกสารประกอบของแพ็คเกจชายรักชาย การรวม 14 covariates ที่มากกว่านั้นเป็นสิ่งที่ท้าทายเนื่องจากปัญหาการบรรจบกัน ดังนั้นสำหรับปัญหาที่ซับซ้อนมากขึ้น สามารถใช้แพ็คเกจอสังหาริมทรัพย์ได้

ผลการวิจัยจากแบบจำลองหลายรัฐจะเป็นประโยชน์สำหรับผู้กำหนดนโยบายด้านสาธารณสุขในการดำเนินการตามนโยบายและแผนการรักษาเพื่อปรับปรุงการอยู่รอดของผู้ป่วย นอกจากนี้ แบบจำลองความก้าวหน้าของโรคยังช่วยให้เข้าใจถึงภาระที่คาดหวังของโรคอีกด้วย

ประโยชน์ของสารสกัดจาก cistanche: ปรับปรุงการทำงานของไต

การอนุมัติจริยธรรมและการยินยอมให้เข้าร่วม

การศึกษานำเสนอการวิเคราะห์ทุติยภูมิ ได้รับการอนุมัติทางจริยธรรมสำหรับเอกสารประกอบทางคลินิก

เงินทุน

งานวิจัยนี้ไม่ได้รับเงินทุนใดๆ

ประกาศความสนใจการแข่งขัน

ผู้เขียนไม่มีความขัดแย้งทางผลประโยชน์ที่จะเปิดเผย

อ้างอิง
1 แอนเดอร์เซ่น พีเค. แบบจำลองหลายสถานะในการวิเคราะห์การอยู่รอด: การศึกษาโรคไตและการตายในผู้ป่วยเบาหวาน สถิติ 1988;7(6):661–670.
2 Andersen PK, Esbjerg S, Sørensen TI. แบบจำลองหลายสถานะสำหรับตอนที่มีเลือดออกและอัตราการเสียชีวิตในโรคตับแข็งในตับ สถิติ 2000;19(4):587–599.
3 Amorim LD, Cai J. การสร้างแบบจำลองเหตุการณ์ที่เกิดซ้ำ: บทช่วยสอนสำหรับการวิเคราะห์ทางระบาดวิทยา อินท์ เจ เอพิเดมิออล 2015;44(1):324–333.
4 Le-Rademacher JG, Peterson RA, Therneau TM, และคณะ การประยุกต์ใช้แบบจำลองหลายสถานะในการทดลองทางคลินิกโรคมะเร็ง การทดลองทางคลินิก 2018;15(5):489–498.
5 Putter H, van der Hage J, de Bock GH และอื่น ๆ การประมาณค่าและการทำนายในแบบจำลองหลายสถานะสำหรับมะเร็งเต้านม Biom J. 2006;48(3):366–380.
6 Hamidi O, Tapak L, Poorolajal J และอื่น ๆ การระบุปัจจัยเสี่ยงในการลุกลามไปสู่โรคเอดส์และการเสียชีวิตจากการติดเชื้อเอชไอวีโดยใช้แบบจำลองหลายสถานะการเจ็บป่วย-เสียชีวิต คลินิกระบาดวิทยา Glob Health. 2017;5(4):163–168.
7 Tapak L, Kosorok MR, Sadeghifar M, และคณะ ต้นไม้การเอาชีวิตรอดแบบเรียกซ้ำหลายสถานะสำหรับการวิเคราะห์ข้อมูลตามเวลาถึงเหตุการณ์: การประยุกต์ใช้กับข้อมูลโรคเอดส์และการตายหลังการติดเชื้อเอชไอวี BMC Med Res Methodol 2018;18(1):1–2.
8 Matsena Zingoni Z, Chirwa TF, ทอดด์เจและอื่น ๆ ความก้าวหน้าของโรค HIV ในผู้ป่วยที่ได้รับยาต้านไวรัสในซิมบับเว: แบบจำลอง Markov แบบหลายสถานะ ด้านสาธารณสุข. 2019;7:326.
9 Aliyari R, Hajizadeh E, Aminorroaya A และอื่น ๆ แบบจำลองหลายสถานะเพื่อทำนายการพัฒนาของภาวะแทรกซ้อนในช่วงปลายของโรคเบาหวานประเภท 2 ในการศึกษาแบบเปิด โรคเบาหวาน Metab Syndr Obes 2020;13:1863.
10 Grover G, Sabharwal A, Kumar S, และคณะ แบบจำลอง Markov แบบหลายรัฐสำหรับความก้าวหน้าของโรคไตเรื้อรัง คลินิก Turkiye Klinikleri J Biostat 2019;11(1):1–4.
11 Keiding N, ไคลน์ JP, Horowitz MM. แบบจำลองหลายสถานะและการทำนายผลลัพธ์ในการปลูกถ่ายไขกระดูก สถิติ 2001;20(12):1871–1885.
12 Klein JP, Qian C. การสร้างแบบจำลองการอยู่รอดหลายสถานะที่แสดงในการปลูกถ่ายไขกระดูก ไบโอเมตริกซ์ 1996:93–102.
13 Manzini G, Ettrich TJ, Kremer M, และคณะ ข้อดีของวิธีการแบบหลายสถานะในการวิจัยการผ่าตัด: เหตุการณ์ระดับกลางและรายละเอียดของปัจจัยเสี่ยงส่งผลต่อการพยากรณ์โรคของผู้ป่วยมะเร็งลำไส้ตรงระยะลุกลามในท้องถิ่นอย่างไร BMC Med Res Methodol 2018;18(1): 1–11.
14 แจ็คสัน ช. โมเดลหลายสถานะสำหรับข้อมูลพาเนล: แพ็คเกจ MSM สำหรับซอฟต์แวร์ R. J Stat 2011;38(8):1–29.
15 มาร์แชล จี, โจนส์ อาร์เอช. แบบจำลองหลายสถานะและภาวะเบาหวานขึ้นจอตา สถิติ 1995 30 ก.ย. 14(18):1975–1983
16 Meira-Machado L, de Una- ˜ Alvarez ´ J, Cadarso-Suarez ´ C, และคณะ โมเดลหลายสถานะสำหรับการวิเคราะห์ข้อมูลเวลาถึงเหตุการณ์ สถิติเมธอด Med Res. 2552;18(2):195–222.
17 เริ่ม A, Icks A, Waldeyer R และอื่น ๆ การระบุแบบจำลองลูกโซ่มาร์คอฟที่ไม่เป็นเนื้อเดียวกันในเวลาหลายสถานะต่อเนื่องหลายสถานะสำหรับผู้ป่วยที่มีการทำงานของไตลดลง การทำ Med Decis 2013 ก.พ.;33(2):298–306.
18 O'Keeffe AG, Su L, Farewell VT. แบบจำลองหลายสถานะที่มีความสัมพันธ์กันสำหรับหลายกระบวนการ: การประยุกต์ใช้กับความก้าวหน้าของโรคไตในโรคลูปัส erythematosus ราชสมาคมสถิติ. 2018;67(4):841–860.