陳佩佩 金烈 梅紫薇 周麗美 張彬娥 章巧慶 朱雅艷
終末期腎病是慢性腎臟病患者的最終階段。根據(jù)相關流行病學報告顯示,我國大陸地區(qū)在2008年后終末期腎病的發(fā)病率總體呈持續(xù)增長趨勢[1],嚴重威脅人民生命健康。目前,血液透析、腹膜透析、腎移植是維持終末期腎病患者生命的主要腎臟替代治療方式,能有效延長患者的生存時間,其中血液透析應用廣泛。2016年我國血液透析患者數(shù)約為57.8萬,占中國人口的比例為384.13/100萬[2]。然而治療期間,發(fā)生高鉀血癥是血液透析患者常見的代謝并發(fā)癥和主要死亡原因之一[3]。高鉀血癥早期多表現(xiàn)為乏力、惡心,嚴重者可導致呼吸困難、心臟停搏甚至死亡[4-5]。黃金平等[6]研究報道中顯示,血液透析患者的高鉀血癥發(fā)生率遠遠大于腹膜透析患者(34.4%比3.3%,P<0.05)。并且血液透析患者發(fā)生高鉀血癥具有隱匿性和長期性,多數(shù)高鉀血癥患者無心電圖異常表現(xiàn),一旦出現(xiàn)心電圖異常的高鉀血癥已是危急癥狀,需緊急處理[7],顯著影響患者的腎臟病進展和生存質(zhì)量[8],增加醫(yī)療成本。筆者對血液透析患者發(fā)生高鉀血癥的危險因素進行分析,旨在建立具有良好預測能力的高鉀血癥風險預測模型,為臨床干預提供參考,現(xiàn)將結果報道如下。
1.1 對象 收集2018年4月至2021年8月麗水市中心醫(yī)院規(guī)律性行血液透析治療的260例患者,男148 例,女 112 例,年齡 19~91(61.45±13.90)歲。納入標準:(1)年齡>18歲;(2)臨床上確診的進入終末期腎病階段,并在本院接受血液透析治療時間≥3個月;(3)2個月內(nèi)至少有1次電解質(zhì)、腎功能等相關輔助檢查的數(shù)據(jù)記錄。排除標準:(1)病程記錄不完整,需要分析的檢測指標數(shù)據(jù)不完整;(2)腎臟替代治療方式中途更換者;(3)在檢測相關指標的1個月以內(nèi),發(fā)生與血液透析無關的情況,如外傷、手術感染者。本研究經(jīng)本院醫(yī)學倫理委員會批準。
1.2 方法 通過本院使用的浙江省血液透析管理系統(tǒng)收集患者數(shù)據(jù)信息,基于查閱文獻和專業(yè)知識、前期研究基礎和專家評估,將是否發(fā)生高鉀血癥(血鉀值>5.5 mmol/L為高鉀血癥)作為因變量,確定36個潛在的風險因素作為自變量,并分為一般資料和實驗室資料。一般資料包括性別、年齡、身高、干體重、透前體重、原發(fā)病、職業(yè)、教育程度、是否合并糖尿病、高血壓;實驗室資料包括血液透析治療時間、通路類型、透析方式、透析次數(shù)、超濾量、血流量、Hb、超敏C反應蛋白(hs-CRP)、尿素、尿酸、估算腎小球過濾率(estimate glomerular filtration rate,eGFR)、血肌酐、血鈉、血鈣、白蛋白、血磷、葡萄糖、尿素下降率(urea reduction ration,URR)、尿素清除指數(shù)(KT/V)、TC、TG、LDL、HDL、甲狀旁腺激素(parathyroid hormone,PTH)、是否使用呋塞米、是否使用腎素-血管緊張素-醛固酮系統(tǒng)(renin-angiotensin-aldosternone system,RAAS)抑制劑。
1.3 血液透析患者高鉀血癥預測模型的構建 將260例患者隨機抽樣按照7∶3比例分為建模集(182例)和驗證集(78例),以用于血液透析患者發(fā)生高鉀血癥預測模型的構建和驗證。在建模集中,采用Lasso回歸對數(shù)據(jù)進行分析,篩選出獨立危險因素,并對其進行交叉驗證。將經(jīng)最小絕對收縮和選擇算子(Lasso)回歸篩選出的獨立危險因素納入多因素logistic回歸分析建立風險預測模型。采用Hosmer-lemeshow檢驗判斷預測模型的擬合度。繪制ROC曲線測定模型的區(qū)分度,校正曲線對真實值和模型的預測值進行擬合,采用列線圖呈現(xiàn)模型效果。
1.4 統(tǒng)計學處理 采用SPSS 25.0統(tǒng)計軟件。正態(tài)分布的計量資料以±s表示,組間比較采用兩獨立樣本t檢驗;非正態(tài)分布的計量資料以 M(P25,P75)表示,組間比較采用非參數(shù)檢驗;計數(shù)資料以頻數(shù)、百分比表示,組間比較采用χ2檢驗。采用Stata 15.0統(tǒng)計軟件進行Lasso回歸和多因素logistic回歸,繪制ROC曲線、校正曲線、臨床決策曲線及列線圖。P<0.05為差異有統(tǒng)計學意義。
2.1 血液透析患者的基本資料 260例患者中發(fā)生高鉀血癥126例,發(fā)生率為48.5%。高鉀血癥組和血鉀正常組患者的基本資料比較見表1,結果發(fā)現(xiàn),高鉀血癥組血流量、超濾量、Hb、白蛋白、血液透析治療時間、尿素、尿酸、血肌酐、血磷均高于血鉀正常組,而血鈉、hs-CRP、eGFR水平低于血鉀正常組,差異均有統(tǒng)計學意義(均P<0.05)。建模集和驗證集患者的基本資料比較見表2,兩組間比較差異均無統(tǒng)計學意義(均P>0.05),表明隨機抽樣符合要求,數(shù)據(jù)可進行后續(xù)研究。
表1 高鉀血癥組和血鉀正常組患者的基本資料比較
續(xù)表1
表2 血液透析患者建模集和驗證集的基本資料比較
2.2 血液透析患者發(fā)生高鉀血癥的Lasso回歸和多因素logistic回歸分析 Lasso回歸分析結果顯示,Hb、血鈉、白蛋白、尿素、血磷是血液透析患者高鉀血癥的獨立危險因素,見圖1、2和表3。將Lasso篩選的獨立危險因素納入多因素logistic回歸分析中進行模型建立,結果見表4。
表3 血液透析患者發(fā)生高鉀血癥的Lasso回歸分析
表4 血液透析患者發(fā)生高鉀血癥的logistic多因素回歸分析
圖1 Lasso回歸分析篩選危險因素(圖中每條實線代表不同懲罰系數(shù)時各個自變量進入模型的動態(tài)過程)
圖2 Lasso交叉驗證(豎直實線代表最小誤差時懲罰系數(shù)所在的取值,豎直虛線代表1個標準誤時懲罰系數(shù)所在的取值)
2.3 風險預測模型的驗證 將Lasso回歸篩選出的危險因素納入多因素logistic回歸分析,對建模集進行血液透析患者高鉀血癥風險預測模型的建立。采用Hosmer-Lemeshow檢驗對預測模型進行檢驗,結果顯示建模集 χ2=1.37、P=0.999,驗證集 χ2=11.85、P=0.295,表明模型預測值和真實值之間差異無統(tǒng)計學意義,模型工作效果良好。建模集AUC為0.788(95%CI:0.723~0.853),驗證集 AUC 為 0.706(95%CI:0.587~0.825),顯示該預測模型為中度區(qū)分度,具有較好的預測性能,見圖3、4。校準曲線顯示真實值和模型預測值擬合度良好,決策曲線可知對血液透析高鉀血癥患者干預的獲益程度,列線圖對模型進行效果呈現(xiàn),見圖5-9。
圖3 建模集血液透析患者高鉀血癥風險預測模型ROC曲線
圖4 驗證集血液透析患者高鉀血癥風險預測模型ROC曲線
圖5 建模集血液透析患者高鉀血癥風險預測模型校準曲線(虛線是理想模型所在的參考線,實線表示模型預測性能偏差的修正,豎線是95%CI)
圖6 驗證集血液透析患者高鉀血癥風險預測模型校準曲線(虛線是理想模型所在的參考線,實線表示模型預測性能偏差的修正,豎線是95%CI)
圖7 建模集血液透析患者高鉀血癥風險預測模型決策曲線(A代表沒有患者為高鉀血癥的假設決策曲線;B代表模型的決策曲線,實線代表所有患者均為高鉀血癥)
圖8 驗證集血液透析患者高鉀血癥風險預測模型決策曲線(A代表沒有患者為高鉀血癥的假設決策曲線;B代表模型的決策曲線,實線代表所有患者均為高鉀血癥)
圖9 血液透析患者高鉀血癥風險預測模型列線圖
盡管血液透析可以清除毒素,但接受血液透析治療的終末期腎病患者仍然是發(fā)生高鉀血癥的高危人群,且具有反復發(fā)作性[9-10]。一項日本真實世界研究表明,終末期腎病患者高鉀血癥發(fā)生率為51.19%,合并高鉀血癥的病死率最高可達35.58%[11]。本研究Lasso回歸分析結果表明,Hb、血鈉、白蛋白、尿素、血磷為血液透析患者發(fā)生高鉀血癥的獨立危險因素。血液透析患者常出現(xiàn)水鈉潴留和容量過多,且日常飲食限制鈉鹽攝入,病久體質(zhì)消耗,蛋白質(zhì)分解過多造成細胞內(nèi)張力降低,水分逸出,容易引起低鈉血癥,細胞內(nèi)Na+與K+置換導致鉀在體內(nèi)蓄積增多[12],故低鈉血癥往往提示患者具有潛在的血鉀升高風險。研究顯示,尿素是血液透析患者發(fā)生高鉀血癥的獨立危險因素,尿素升高會增加高鉀血癥的發(fā)生風險[13]。高血磷水平也與血液透析高鉀血癥發(fā)生顯著相關,血磷水平偏高提示患者可能存在透析不充分,從而影響血鉀的清除。此外,筆者發(fā)現(xiàn)Hb和白蛋白水平越高會增加血液透析患者高鉀血癥發(fā)生率。此結果與文獻報道結果一致[14]。飲食對鉀的攝入也是影響血液透析患者血鉀水平的一個重要原因[15]。Hb、白蛋白水平較高的患者往往營養(yǎng)、飲食狀況較好,提示可能從日常飲食中攝入的鉀高于血鉀正常的患者。對于這類患者,應對其日常膳食進行優(yōu)化,配合低鉀飲食,宣教患者注意控制飲食中鉀的攝入。
本研究采用Lasso回歸分析進行危險因素的選擇。Lasso回歸是一種變量選擇和參數(shù)估計相結合的方法,通過在最小二乘回歸的基礎上增加懲罰函數(shù),對自變量的回歸系數(shù)進行壓縮和降維處理,將無意義和意義較小的自變量系數(shù)壓縮至0,從而篩選出更有意義的自變量。相比于采用logistic回歸篩選影響因素,Lasso回歸可以解決logistic回歸對變量多重共線性的問題[16-17]。適用于臨床研究中自變量太多,樣本量少,及自變量存在相關性指標的問題。
本研究通過對260例血液透析患者資料信息進行Lasso回歸和多因素logistic回歸分析,篩選血液透析患者發(fā)生高鉀血癥獨立危險因素,建立了風險預測模型。AUC為0.5~0.7時,表明診斷價值低,0.7~0.9時表明模型為中等預測效果,預測效果可接受,>0.9時,表明模型具有高等預測效果[18-19],預測效果較好。本研究以靈敏度為縱坐標、1-特異度為橫坐標,建立建模集AUC為0.788(>0.75),驗證集AUC為0.706,表明具有中度預測效能。校準曲線結果表明模型預測值和真實值擬合度較好。列線圖對模型進行了效果呈現(xiàn),臨床醫(yī)務人員可根據(jù)患者的實際情況進行評分,根據(jù)總分判斷患者發(fā)生高鉀血癥的風險概率,可對高危患者進行及時干預,阻止其結局事件的發(fā)生。
國內(nèi)外對慢性腎臟病患者發(fā)生高鉀血癥的影響因素研究較多,但缺乏有效的手段對規(guī)律血液透析的患者進行高鉀血癥的預測。本研究構建的血液透析患者發(fā)生高鉀血癥風險預測模型,彌補了對血液透析患者的早期預測并干預潛在高鉀血癥發(fā)生的空白。然而,本研究依然存在一些局限性,例如:(1)研究及驗證數(shù)據(jù)僅來源于單中心調(diào)查,樣本量較小,后續(xù)研究可圍繞多中心、大樣本量展開,避免因小樣本研究所帶來的偏差。(2)由于本研究缺少患者生活飲食習慣的隨訪記錄數(shù)據(jù),未將食用含高鉀食物的因素納入風險因素中。而研究表明,含高鉀離子食物也有潛在誘發(fā)高鉀血癥的可能[15]。(3)本研究將研究對象按照7∶3的比例隨機分為建模集和驗證集,驗證模型的方法采用內(nèi)部驗證法,未對模型進行外部驗證。將在后期納入符合準入標準的血液透析患者對模型進行外部驗證。本研究將在后期彌補這兩點不足,繼續(xù)優(yōu)化血液透析患者發(fā)生高鉀血癥的風險預測模型,提高其準確度。
綜上所述,Hb、血鈉、白蛋白、尿素、血磷為血液透析患者發(fā)生高鉀血癥的獨立危險因素。利用多因素logistic回歸分析建立的高鉀血癥風險預測模型作為一種量化的評估工具,有助于醫(yī)務人員在血液透析患者隨訪期間進行評估,了解患者發(fā)生高鉀血癥的風險概率,及時進行人為干預,從而提高終末期腎病患者的生存時間和生活質(zhì)量,對臨床具有指導意義。