5个变量预测心源性晕厥和非心源性晕厥,助力晕厥管理 丨 EHRA 2024
与非心源性晕厥相比,心源性晕厥导致死亡或其他不良事件的风险更高。因此,晕厥管理的关键在于早期识别这些患者。
该研究旨在探讨易获得的临床特征对心源性晕厥的预测作用,并构建列线图诊断模型以促进这些特征在实践中的应用。
该回顾性研究纳入了中国医学科学院阜外医院心脏中心的877例因晕厥住院且有明确病因的患者。将患者随机分为训练集和验证集,并根据其潜在病因分为心源性晕厥和非心源性晕厥两组。
研究使用LASSO回归算法选择和分析了患者广泛的临床特征。随后,采用多变量logistic回归分析确定独立预测因素并构建列线图。采用受试者工作特征(ROC)曲线及曲线下面积(AUC)评估预测模型的预测准确性。校准曲线用于评估预测概率与实际观测概率的一致性,决策曲线分析(DCA)用于评估列线图的临床获益。
研究共能纳入心源性晕厥患者521例,非心源性晕厥患者356例。研究者应用LASSO回归算法,在36个候选变量中,筛选并分析了5个心源性晕厥的独立预测因素,包括体重指数(BMI;OR=1.088;95% CI:1.022 ~ 1.158)、左室射血分数(LVEF;OR=0.940;95% CI:0.908 ~ 0.973)、NT-proBNP对数(OR=1.463;95% CI:1.240 ~ 1.727)、晕厥前有胸部症状(OR=5.251;95% CI:3.326 ~ 8.288)和心电图异常(OR=6.171;95% CI:3.966 ~ 9.600)。
随后基于5个独立预测因子构建列线图模型,训练集和验证集的AUC分别为0.873(95% CI:0.845 ~ 0.902)和0.856(95% CI:0.809 ~ 0.903)。校准曲线显示列线图具有较高的准确性,DCA曲线显示列线图在临床实践中具有较高的应用价值。
图1 训练集和验证集的AUC
本研究成功开发并内部验证了区分心源性和非心源性晕厥的新型预测列线图,有助于在临床实践中早期鉴别心源性和非心源性晕厥患者。
信源:EHRA官网
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。