Establishment and validation of a predictive model for sarcopenia in young and middle-aged patients with maintenance hemodialysis
-
摘要:目的 分析中青年维持性血液透析（MHD）患者发生肌少症的危险因素，建立风险预测模型并进行验证。方法 选取2020年9—12月连云港市第一人民医院收治的中青年MHD患者339例，采用简单随机法，并按7∶3的比例分为建模组（n=237）和验证组（n=102）。采用多因素Logistic回归模型分析建模组数据，筛选中青年MHD患者肌少症的独立危险因素并建立风险预测模型。应用Hosmer-Lemeshow检验评价该模型的拟合程度，应用受试者工作特征（ROC）曲线评估模型的鉴别力。选取验证组患者资料，应用ROC曲线检验模型预测效果。结果 本研究最终纳入体质量指数（BMI）（OR=0.742，95%CI=0.612~0.899）、上臂肌围（OR=0.767，95%CI=0.595~0.988）和血红蛋白（OR=0.975，95%CI=0.951~0.999）3个危险因素构建风险预测模型，模型方程为：Z=-0.298×BMI-0.265×上臂肌围-0.025×血红蛋白。建模组Hosmer-Lemeshow卡方检验结果显示模型有较好的拟合程度（χ2=14.954，P=0.060），ROC曲线的曲线下面积为0.862（95%CI=0.792~0.932）。验证组ROC曲线的曲线下面积为0.866（95%CI=0.788~0.943），灵敏度、特异度分别为89.5%、74.7%，约登指数为0.642。结论 本研究基于BMI、上臂肌围和血红蛋白3个指标构建的中青年MHD患者肌少症预测模型具有较高的预测价值，所需指标获取简单、方便，可为临床评估提供可靠依据。Abstract:Objective To analyze the risk factors of sarcopenia in young and middle-aged patients with maintenance hemodialysis (MHD), and to establish and verify the risk prediction model.Methods A total of 339 young and middle-aged MHD patients in the First People's Hospital of Lianyungang City from September to December 2020 were selected, and were divided into modeling group (n=237) and verification group (n=102) in a ratio of 7:3 by the simple random method. Multivariate Logistic regression model was used to analyze the data of the modeling group, the independent risk factors of sarcopenia in young and middle-aged MHD patients were screened, and a risk prediction model was established. The Hosmer-Lemeshow test was used to evaluate the fitting degree of the model, and the receiver operating characteristics (ROC) curve was used to evaluate the identification ability of the model. The data of the patients in the validation group were selected, and the ROC curve was used to test the prediction effect of the model.Results In this study, the body mass index (BMI) (OR=0.742, 95%CI, 0.612~0.899), upper arm muscle circumference (OR=0.767, 95%CI, 0.595~0.988) and hemoglobin (OR=0.975, 95%CI, 0.951~0.999) were included to construct a risk prediction model finally, and the model equation was: Z=-0.298×BMI -0.265×upper arm muscle circumference-0.025×hemoglobin. The Hosmer-Lemeshow chi square test result of the modeling group showed that the model had a good fitting degree (χ2=14.954, P=0.060), and the area under the curve of ROC curve was 0.862 (95%CI, 0.792~0.932). The area under the curve of ROC curve in the verification group was 0.866 (95%CI, 0.788~0.943), the sensitivity and specificity were 89.5% and 74.7% respectively, and the Youden index was 0.642.Conclusion In this study, the prediction model of sarcopenia for young and middle-aged MHD patients based on BMI, upper arm muscle circumference and hemoglobin has high prediction value, and the required indicators are easy and convenient to obtain, which can provide a reliable basis for clinical evaluation.
-
肱骨近端骨折(PHF)是一种常见的四肢骨折，受骨质疏松、车祸、高空坠物等因素影响, PHF的发病率呈逐年增高趋势[1-2]。PHF多采用切开复位内固定手术治疗，肩峰前外侧是较为成熟且常见的手术入路，其因具有骨膜剥离少、对骨折端血供破坏性小以及对软组织损伤性小、对旋肱血管升支损伤小等优点而被广泛应用于临床，尤其适用于伴有骨质疏松的老年PHF患者，有利于促进骨痂形成和术后恢复，降低肱骨头缺血坏死率[3]。Neer 3、4型PHF属于粉碎性骨折类型，常常只有部分或少量的关节囊附着，骨折后因血肿而易与附近软组织粘连，进而影响血运，如治疗不当则会进一步增高缺血性坏死风险[4-5]。随着数字化时代的发展, 3D打印技术已被广泛应用于创伤骨科并取得了较好的效果[6], 如术前评估[7]、手术规划[8]和术中导航[9]等方面，将3D打印技术辅助应用于治疗粉碎性骨折方面也获得了较好结果[10-11], 但关于3D打印辅助肩峰前外侧入路手术内固定治疗Neer 3、4型PHF的研究较少。本研究观察3D打印技术辅助肩峰前外侧入路手术内固定治疗Neer 3、4型PHF的效果，现将结果报告如下。
1. 资料与方法
1.1 一般资料
选取2018年8月—2021年8月采用肩峰前外侧入路手术内固定治疗的Neer 3、4型PHF患者43例，采用随机数字表法将患者分为3D打印组23例和对照组20例。纳入标准: ①采用第9版外科学Neer骨折分类方法，术前已确诊为PHF或伴有脱位，为Neer 3型或Neer 4型者; ②受伤时间 < 2周，均为新鲜闭合性骨折者; ③术后进行规范化的康复训练者; ④术后随访时间≥12个月者; ⑤年龄>50岁者。排除标准: ①患侧肩关节周围存在大面积感染灶者; ②合并难以修复的肩袖撕裂者; ③既往存在肩关节疾病或有肩关节手术史者; ④存在严重的内科并发症、意识障碍、脑梗死和肿瘤等疾病者; ⑤资料不完整，不配合治疗，未签署知情同意书者; ⑥妊娠期或哺乳期女性。2组患者的性别、年龄、体质量指数、手术距受伤时间、骨折分型、美国麻醉医师协会(ASA)分级和骨折原因等临床资料比较，差异无统计学意义(P > 0.05), 见表 1。本研究已获得华润武钢总医院伦理委员会批准，所有患者术前均签署知情同意书。
表 1 2组患者一般资料比较(x±s)[n(%)]指标 3D打印组(n=23) 对照组(n=20) t/χ2 P 性别 男 10(43.48) 9(45.00) 0.010 0.920 女 13(56.52) 11(55.00) 年龄/岁 72.13±4.76 71.00±5.46 0.725 0.477 体质量指数/(kg/m2) 23.15±2.15 23.61±2.36 0.669 0.512 手术距受伤时间/h 3.56±1.24 3.47±1.36 0.227 0.823 骨折分型 3型 15(56.52) 13(65.00) 0.125 0.724 4型 8(43.48) 7(35.00) ASA分级 Ⅱ级 13(56.52) 13(65.00) 0.322 0.571 Ⅲ级 10(43.48) 7(35.00) 骨折原因 摔伤 11(47.83) 10(50.00) 1.488 0.475 交通意外 9(39.13) 5(25.00) 其他 3(13.04) 5(25.00) 1.2 方法
1.2.1 3D打印骨折模型及体外手术模拟
3D打印组采用64排螺旋CT对患侧肱骨近端进行扫描，数据保存为DICOM格式，术前手术医生使用医学3D处理软件(Mimics Research 21.0)处理上述获得的CT数据，以构建三维数字模型。具体包括: 调整阈值显示患侧肩关节周围骨骼的完整结构，应用区域生长函数分割骨骼和软组织，区分PHF与正常肩胛骨和锁骨，以减少噪音并平滑裂缝; 分割以定义肱骨骨折碎片，然后重建肱骨近端以构建3D数字模型，将该数据导入科室自备的医用3D打印机，打印出1∶ 1骨折实物模型。骨科医生可以在体外模拟复位，在实物模型上演练骨折块复位及固定，以预先解决复位过程中可能遇到的问题，选择合适的钢板和螺钉。
1.2.2 手术方法
臂丛麻醉或全身麻醉后，所有患者采用沙滩椅姿势，患肩垫高。经肩峰前外侧入路，沿肌束间隙分离进入，注意保护三角肌前部纤维和头静脉。暴露骨折断端，适当剥离骨膜，清理骨折断端嵌入的软组织后，通过撬拨、夹持等方法进行复位。3D打印组按照术前演练的复位过程依次复位骨折块，选择相同型号的钢板螺钉固定。对照组术中采用常规方法摸索复位过程，仅依靠术中的测量选择合适的钢板和螺钉，必要时对部分老年患者进行植骨。所有患者术中均使用5号爱惜帮可吸收缝线将损伤的肩袖缝合于肱骨近端锁定钢板重建孔上。通过C臂机透视，仔细检查钢板螺钉的位置、深度，肱骨头下方的螺钉长度必须达到关节面进行固定，螺钉形成三角形结构，以确保有效的内侧支撑。检查骨折的复位和固定，确保不会影响肩关节的活动度。
1.2.3 术后处理及快速康复
所有患者术后24 h内均予相同抗生素。术后首日，复查患肩正侧位平片，并在骨科医生的指导下训练钟摆运动。术后第2天，所有患者均拔除伤口引流管，记录引流量。术后第3天，制订康复训练计划，在专业的康复医生指导下进行康复，逐渐向肩关节外展、前屈、内旋、外旋等主动动作过渡。出院后，患者在门诊康复中心继续进行相同的康复训练。
1.3 观察指标
收集手术相关指标，包括手术时间、术中出血量、C臂机透视次数、术后引流量和解剖复位率等。通过科室运营的公众号“杏仁医生”，组织专业人员进行术后随访，指标包括骨折愈合时间，术后3、12个月肩关节Neer评分和肩关节功能评分(CMS)。
1.4 统计学分析
采用SPSS 23.0统计学软件进行数据处理，计量资料以(x±s)表示，组间比较采用t检验; 计数资料以[n(%)]表示，组间比较采用卡方检验。P < 0.05为差异具有统计学意义。
2. 结果
2.1 临床指标
所有患者术后均未出现医源性桡神经损伤。3D打印组的手术时间、术中出血量、术后引流量和C臂机透视次数均短于或少于对照组，差异有统计学意义(P < 0.05); 2组解剖复位率比较，差异无统计学意义(P > 0.05), 见表 2。
表 2 2组患者手术相关情况比较(x±s)[n(%)]组别 n 手术时间/min 术中出血量/mL 术后引流量/mL C臂机透视/次 解剖复位 3D打印组 23 100.22±14.47* 138.09±8.47* 35.78±4.23* 2.85±0.75* 21(91.30) 对照组 20 113.05±7.13 150.05±12.32 49.05±2.96 5.57±1.04 14(70.00) 与对照组比较, * P < 0.05。 2.2 随访结果
随访12~48个月，随访中位数20个月。3D打印组出现1例(4.35%)肱骨头坏死，对照组出现3例(15.00%)肱骨头坏死，其余患者骨折均愈合。3D打印组骨折愈合时间和术后12个月疼痛评分短于或低于对照组，差异有统计学意义(P < 0.05); 术后3、12个月Neer评分，术后12个月肌力、日常活动和关节活动范围评分高于对照组，差异有统计学意义(P < 0.05), 见表 3、表 4。
表 3 2组术后随访结果比较(x±s)组别 n 骨折愈合时间/周 术后3个月Neer评分/分 术后12个月Neer评分/分 3D打印组 23 12.13±1.42* 74.74±3.86* 82.26±1.91* 对照组 20 13.45±1.43 72.20±2.97 80.50±1.43 与对照组比较, * P < 0.05。 表 4 2组术后12个月CMS评分比较(x±s)分 组别 n 疼痛 肌力 日常活动 关节活动范围 3D打印组 23 11.26±1.84* 21.13±2.10* 18.13±2.46* 34.52±3.53* 对照组 20 13.00±1.21 18.15±1.57 16.15±1.50 31.60±1.93 与对照组比较, * P < 0.05。 2.3 影像学评估
3D打印组术后3个月肱骨头丢失高度、肱骨头内翻角小于对照组，肱骨颈干角大于对照组，差异有统计学意义(P < 0.05), 见表 5。
表 5 2组术后3个月影像学资料比较(x±s)组别 n 肱骨颈干角/° 肱骨头内翻角/° 肱骨头丢失高度/mm 3D打印组 23 133.82±2.15* 0.62±0.21* 1.42±0.22* 对照组 20 129.63±2.60 4.39±1.31 14.35±0.74 与对照组比较, * P < 0.05。 2.4 典型病例
患者，女性, 71岁，车祸伤至左肩，疼痛且活动受限3 h。入院后予以镇痛、补液等常规药物治疗。完善入院检查化验，排除手术禁忌证。拟行急诊手术，术前行患肩CT检查，并建立三维数字模型，打印出骨骼模型，确诊为肱骨近端Neer 3型骨折。在实物模型上进行骨折块模拟复位及固定，演练复位固定过程，选择合适型号的钢板螺钉，术中采取肩峰前外侧入路行内固定治疗。术后请康复科医师指导，早期行规范康复训练。出院后定期于门诊复诊，继续于门诊康复病区进行康复训练。见图 1。
![]()
图 1 肱骨近端Neer 3型骨折患者行3D打印技术辅助肩峰前外侧入路手术治疗前后及随访A、B: 术前左肩正侧位，提示Neer 3型PHF; C、D: 术前实物模型正侧位，在实物模型上模拟演练复位及内固定可见骨折端复位良好，
肱骨内侧距恢复良好，钢板螺钉固定合适; E、F: 术后复查左肩正侧位，骨折复位固定较好，肱骨内侧距恢复良好; G、H: 术后3个月
左肩正侧位X线检查可见骨痂通过骨折线，骨折线较前模糊; I、J: 术后12个月左肩正侧位X线检查可见骨折线消失，骨折完全愈合。3. 讨论
目前，临床上普遍认为采用肩峰前外侧入路行切开复位内固定手术治疗PHF具有切口小、软组织和骨膜剥离少、对骨折端血供损伤小、有利于骨折愈合和减少术后并发症等优点[12-13]。陈启明等[14]也认为，采用肩峰前外侧入路不仅对机体刺激性小，而且对内环境影响小、术后疼痛轻，患者能够早期进行规范化康复训练，术后早期可明显改善肩关节稳定性。但对于Neer 3、4型PHF存在骨折块粉碎严重的情况，肩峰前外侧入路需要充分暴露肱骨大、小结节和肱骨头，广泛剥离周围软组织和骨膜，可损伤周围供血小动脉，导致肱骨头血运变差，容易继发肱骨头坏死等并发症[15], 加之不少高龄患者伴有不同程度的骨质疏松，对肩峰前外侧入路下有效复位固定骨折端提出了挑战[16]。
对于骨折修复，仅仅依靠传统影像学资料，如X线、CT断层扫描等资料提供的信息还不能作为骨科医生选择不同治疗方法和手术入路的依据[17]。3D打印技术可以制作各种1∶ 1骨折模型，在创伤骨科领域取得了长足的进步[18-19]。本研究应用3D打印技术辅助肩峰前外侧入路治疗Neer 3、4型PHF, 通过在模型上进行手术模拟、演练，达到术中精准复位，克服了单纯应用肩峰前外侧入路无法有效固定骨折端的缺点，避免了肱骨近端的血运破坏，显著提高了复位效果。相关研究[20]采用3D打印技术配合预制接骨板微创手术治疗骨关节创伤，结果显示，与对照组相比, 3D打印技术配合预制接骨板治疗可减小手术创伤、缩短手术时间及降低输血风险，提高痊愈率。徐琳等[21]采用3D打印技术辅助改良Stoppa联合K-L入路治疗复杂髋臼骨折，结果显示，该法可帮助临床医生术前制订合理手术方案，缩短手术时间，减少术中出血量，提高围术期的安全性，便于术中骨折精准复位。
本研究采用Mimics Research 21.0图像处理软件处理DICOM格式的薄层CT扫描数据，建立三维数字模型，使用本院自备的医用3D打印机(无需外委，显著缩短模型定制周期，完全可以满足急诊手术)术前即可做出1∶ 1的骨折模型。相较于传统影像学资料，实物模型能够让骨科医生更直观、准确地了解骨折部位及分类，有助于明确诊断和骨折分型[22-23]。术中证实, 3D打印组所有患者术前制造的3D模型和实际骨折形态完全相符，按照手术模拟，复位各部分骨折块，选择预先选好的钢板及螺钉固定，使复位固定过程精准化、简单化，显著缩短手术时间，骨折块周围需要剥离的周围软组织也明显减少，降低破坏肱骨头周围的供血小动脉风险。本研究中，在骨折愈合时间和术后3、12个月Neer评分及术后12个月CMS等方面比较, 3D打印组的骨折愈合时间更短，肩关节功能恢复及预后均优于对照组。3D打印组出现1例(4.35%)肱骨头坏死，对照组出现3例(15.00%)肱骨头坏死，说明3D打印组术中对肱骨头周围软组织剥离少，能够有效保证肱骨头周围小动脉的供血，降低肱骨头缺血坏死的可能性。由此可见，与单纯肩峰前外侧入路行切开复位内固定手术相比, 3D打印技术辅助肩峰前外侧入路手术内固定治疗Neer 3、4型PHF具有明显优势: ①临床理论上，通过3D打印技术，骨科医生手术前可以在实物模型上进行骨折块的模拟复位、固定，预演手术过程，制订精确、个性化的手术方案，加深对骨折真实直观的认识; 临床应用上, Neer 3、4型PHF的闭合复位对手法要求较高，反复复位容易造成软组织损伤, 3D打印技术有助于帮助主治医师提早分辨软组织的交锁阻挡。一方面可避免盲目或过度用力操作破坏软组织连接，降低血运变差风险，另一方面可在置入内固定物时，保护周围软组织，如防止卡压神经、血管与肌腱，并避免在腱鞘下制造桥型跨越，有助于肢体功能后期恢复，降低肱骨头坏死风险。3D打印技术可提高复位准确性，显著提高手术安全性，符合切开复位内固定生物力学的基本原则。②术前主治医生可以在3D模型上非常清晰地讲解手术过程、手术难点、手术风险以及可能出现的并发症，有利于促进同组医生的沟通和讨论，简化学习曲线[24], 同时便于医患沟通，增强了患者治疗信心，提高其治疗依从性[25]。本研究典型病例中，该患者系粉碎性骨折，系Neer 3型PHF, 本研究根据肱骨的解剖结构特点，通过术前模拟复位、固定，选择合适的肱骨近端接骨板，确定螺钉的数量和长度，确定螺钉的位置和方向，以避免螺钉进入肩关节腔内[25-27]。术后12个月，患者左肩正侧位X线检查可见骨折线消失，骨折完全愈合，随访结果也进一步印证了3D打印技术辅助肩峰前外侧入路手术治疗Neer 3、4型PHF具有可行性。本研究2组在解剖复位率上比较差异无统计学意义(P > 0.05), 可能与样本量小及随访时间短有关，因此还需通过多中心、前瞻性、长期随访研究进一步完善及验证。
关于肩峰前外侧入路治疗PHF, 有学者[28]认为该入路需经腋神经，可能因损伤腋神经而影响三角肌功能。腋神经走行于肩峰三角肌下4~5 cm, 但腋神经在三角肌前部分布较少，多在三角肌中后部。肩峰前外侧入路避开从四边孔横穿三角肌的前中束的一支腋神经就可避免损伤腋神经，操作技术难度也相应降低，加之3D打印技术术前辅助，主治医生也可提前模拟手术操作，避免损伤这支腋神经，最大程度降低风险。从这个角度看，应用3D打印技术辅助肩峰前外侧入路手术治疗Neer 3、4型PHF在维护三角肌功能方面具有一定优势。
综上所述，应用3D打印技术辅助肩峰前外侧入路手术治疗Neer 3、4型PHF可确定骨折分类和骨折损伤程度，可术前模拟复位及固定，制订精准微创的个性化手术方案，以缩短手术时间，减少术中出血量、内固定术后引流量及透视次数，提高复位效果，有效避免对肱骨头周围血运的破坏，促进骨折愈合，显著改善肩关节活动功能。
-
表 1 建模组中青年MHD患者临床资料比较(x±s)[n(%)][M(P25, P75)]
临床资料 建模组(n=237) 肌少症组(n=41) 非肌少症组(n=196) 性别 男 159(67.09) 27(65.85) 132(67.35) 女 78(32.91) 14(34.15) 64(32.65) 年龄/岁 46.00(37.00, 53.50) 46.00(37.00, 51.50) 47.00(37.00, 54.00) 透析龄/月 37.00(22.50, 64.00) 37.00(32.00, 71.50) 37.00(21.00, 63.00) BMI/(kg/m2) 23.10(19.90, 25.20) 18.70(16.85, 20.05)** 23.65(20.70, 25.48) 上臂围/cm 27.00(25.00, 29.00) 26.50(23.40, 29.00) 27.15(25.35, 29.00) 三头肌皮褶厚度/mm 14.50(10.25, 19.35) 14.50(9.50, 18.75) 14.75(10.50, 19.43) 上臂肌围/cm 24.20(21.95, 25.90) 21.20(19.80, 22.50)** 24.85(22.63, 26.08) 小腿围/cm 33.50(31.50, 35.50) 32.00(29.00, 34.95)* 33.50(31.50, 35.58) 透析前肌酐/(μmol/L) 941.40(758.00, 1 126.65) 828.30(661.40, 980.15)** 972.55(773.95, 1 143.55) 钙/(mmol/L) 2.17(1.96, 2.36) 2.19(2.03, 2.31) 2.16(1.90, 2.38) 磷/(mmol/L) 2.09(1.85, 2.35) 2.02(1.52, 2.39) 2.11(1.89, 2.35) PTH/(pg/mL) 409.70(227.50, 664.53) 294.60(171.65, 588.15) 425.10(235.25, 679.55) 白蛋白/(g/L) 40.00(38.40, 42.20) 40.10(38.55, 41.90) 40.00(38.23, 42.20) 胆固醇/(mmol/L) 4.01(3.38, 4.40) 4.05(3.60, 4.41) 4.01(3.31, 4.41) 血红蛋白/(g/L) 116.00(108.00, 131.00) 108.00(95.50, 119.00)** 119.00(110.00, 132.00) GFR/[mL/(min·1.73 m2)] 4.63(3.99, 5.98) 4.85(4.07, 6.58) 4.57(3.95, 5.91) Kt/V 1.69±0.41 1.60±0.31 1.72±0.43 BMI: 体质量指数; PTH: 甲状旁腺激素; GFR: 肾小球滤过率; Kt/V: 透析充分性。与非肌少症组比较, *P < 0.05, **P < 0.01。 
下载: 导出CSV
表 2 建模组中青年MHD患者发生肌少症的危险因素的Logistic回归分析
危险因素 偏回归系数 Wald P OR 95%CI BMI -0.298 9.244 0.002 0.742 0.612~0.899 上臂肌围 -0.265 4.205 0.040 0.767 0.595~0.988 血红蛋白 -0.025 4.001 0.045 0.975 0.951~0.999 常量 13.775 30.736 0.001 959 972.114 -
下载: 导出CSV
-
[1] HOJS N, FISSELL W H, ROY S. Ambulatory hemodialysis-technology landscape and potential for patient-centered treatment[J]. Clin J Am Soc Nephrol, 2020, 15(1): 152-159. doi: 10.2215/CJN.01970219
[2] 赵德龙. 维持性血液透析患者流行病学调查及生存预后相关性分析[D]. 北京: 中国人民解放军医学院, 2016. [3] CRUZ-JENTOFT A J, SAYER A A. Sarcopenia[J]. Lancet, 2019, 393(10191): 2636-2646. doi: 10.1016/S0140-6736(19)31138-9
[4] SABATINO A, CUPPARI L, STENVINKEL P, et al. Sarcopenia in chronic kidney disease: what have we learned so far[J]. J Nephrol, 2021, 34(4): 1347-1372. doi: 10.1007/s40620-020-00840-y
[5] WONG L, DUQUE G, MCMAHON L P. Sarcopenia and frailty: challenges in mainstream nephrology practice[J]. Kidney Int Rep, 2021, 6(10): 2554-2564. doi: 10.1016/j.ekir.2021.05.039
[6] CHEN L K, WOO J, ASSANTACHAI P, et al. Asian working group for sarcopenia: 2019 consensus update on sarcopenia diagnosis and treatment[J]. J Am Med Dir Assoc, 2020, 21(3): 300-307, e2. doi: 10.1016/j.jamda.2019.12.012
[7] LEVEY A S, STEVENS L A, SCHMID C H, et al. A new equation to estimate glomerular filtration rate[J]. Ann Intern Med, 2009, 150(9): 604-612. doi: 10.7326/0003-4819-150-9-200905050-00006
[8] LIN Y L, LIOU H H, WANG C H, et al. Impact of sarcopenia and its diagnostic criteria on hospitalization and mortality in chronic hemodialysis patients: a 3-year longitudinal study[J]. Taiwan Yi Zhi, 2020, 119(7): 1219-1229.
[9] GIGLIO J, KAMIMURA M A, LAMARCA F, et al. Association of sarcopenia with nutritional parameters, quality of life, hospitalization, and mortality rates of elderly patients on hemodialysis[J]. J Ren Nutr, 2018, 28(3): 197-207. doi: 10.1053/j.jrn.2017.12.003
[10] BRUYÈRE O, BEAUDART C, ETHGEN O, et al. The health economics burden of sarcopenia: a systematic review[J]. Maturitas, 2019, 119: 61-69. doi: 10.1016/j.maturitas.2018.11.003
[11] XU W, CHEN T, CAI Y, et al. Sarcopenia in community-dwelling oldest old is associated with disability and poor physical function[J]. J Nutr Health Aging, 2020, 24(23): 339-345.
[12] 高雅靖, 单岩, 杜理平, 等. 终末期肾脏病患者肌少症的研究进展[J]. 中华护理杂志, 2019, 54(9): 1423-1426. doi: 10.3761/j.issn.0254-1769.2019.09.029 [13] 杜雯, 陈孜瑾, 王雪洁, 等. 维持性血液透析患者肌少症的患病率及相关影响因素[J]. 中华肾脏病杂志, 2021, 37(5): 407-413. doi: 10.3760/cma.j.cn441217-20200727-00060 [14] 杜晓菊, 张海林, 尹丽霞, 等. 维持性血液透析患者骨骼肌质量下降预测模型的构建及对护理工作的启示[J]. 中华护理杂志, 2021, 56(4): 496-501. doi: 10.3761/j.issn.0254-1769.2021.04.003 [15] IKIZLER T A, BURROWES J D, BYHAM-GRAY L D, et al. KDOQI clinical practice guideline for nutrition in CKD: 2020 update[J]. Am J Kidney Dis, 2020, 76(Suppl 1): S1-S107.
[16] HORTEGAL E V F, ALVES J J D A, SANTOS E J F, et al. Sarcopenia and inflammation in patients undergoing hemodialysis[J]. Nutr Hosp, 2020, 37(4): 855-862.
[17] 张琦, 秦海峰, 简桂花, 等. 老年血液透析患者肌少症临床特点及危险因素分析[J]. 中华老年医学杂志, 2020, 39(9): 1046-1049. doi: 10.3760/cma.j.issn.0254-9026.2020.09.013 [18] BEAUDART C, MCCLOSKEY E, BRUYōRE O, et al. Sarcopenia in daily practice: assessment and management[J]. BMC Geriatr, 2016, 16(1): 170. doi: 10.1186/s12877-016-0349-4
[19] 戴祺洁, 陶静, 华建武, 等. 维持性血液透析患者肌少症发生情况及其影响因素分析[J]. 实用临床医药杂志, 2020, 24(12): 103-106. doi: 10.7619/jcmp.202012029 [20] NOORI N, KOPPLE J D, KOVESDY C P, et al. Mid-arm muscle circumference and quality of life and survival in maintenance hemodialysis patients[J]. Clin J Am Soc Nephrol, 2010, 5(12): 2258-2268. doi: 10.2215/CJN.02080310
[21] TIAN X, CHEN Y, YANG Z K, et al. Novel equations for estimating lean body mass in patients with chronic kidney disease[J]. J Ren Nutr, 2018, 28(3): 156-164. doi: 10.1053/j.jrn.2017.09.004
[22] HORNBY S T, NUNES Q M, HILLMAN T E, et al. Relationships between structural and functional measures of nutritional status in a normally nourished population[J]. Clin Nutr, 2005, 24(3): 421-426. doi: 10.1016/j.clnu.2005.01.002
[23] TSENG S H, LEE W J, PENG L N, et al. Associations between hemoglobin levels and sarcopenia and its components: results from the I-Lan longitudinal study[J]. Exp Gerontol, 2021, 150: 111379. doi: 10.1016/j.exger.2021.111379
[24] ZHANG F M, CHEN X L, WU Q, et al. Development and validation of nomograms for the prediction of low muscle mass and radiodensity in gastric cancer patients[J]. Am J Clin Nutr, 2021, 113(2): 348-358. doi: 10.1093/ajcn/nqaa305
[25] BANI HASSAN E, VOGRIN S, HERNANDEZ VIÑA I, et al. Hemoglobin levels are low in sarcopenic and osteosarcopenic older persons[J]. Calcif Tissue Int, 2020, 107(2): 135-142. doi: 10.1007/s00223-020-00706-2
[26] 贾玉龙, 周洁, 陈颖, 等. 临床预测模型的综合评价体系研究[J]. 中国卫生统计, 2019, 36(5): 728-730, 734. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGWT201905025.htm -
期刊类型引用(18)
1. 马肖寒，周凤丽，周莉. 呼吸机管路低位摆放预防行机械通气患者呼吸机相关性肺炎的效果观察. 山东医学高等专科学校学报. 2025(01): 96-98 . 
百度学术
2. 李晓，胡加运，秦梦. 革兰阴性杆菌感染呼吸机相关性肺炎患者病原菌分布及耐药性. 中国民康医学. 2024(05): 16-18 . 百度学术
3. 黄小芬，夏良娥，赵世元，黄敏敏. 建立梯度提升机模型预测RICU机械通气并发呼吸机相关性肺炎患者的短期预后. 广西医学. 2024(01): 78-83 . 百度学术
4. 郑丽欢. 某院ICU呼吸机相关性肺炎患者呼吸道标本中病原菌的检出情况和耐药性分析. 抗感染药学. 2024(02): 177-180 . 百度学术
5. 徐海蓉，陆恺，陈林祥. 有创-无创序贯机械通气治疗重症肺炎合并呼吸衰竭的效果观察. 大医生. 2024(07): 96-98 . 百度学术
6. 钟晓莉，余林，邓海波，张帆，罗洲. 236例ICU呼吸机相关性肺炎患者病原菌分布及耐药性分析. 中国病原生物学杂志. 2024(07): 838-841 . 百度学术
7. 邹君俊. 一种免倾倒呼吸机集水杯的设计与使用. 科技与创新. 2024(13): 57-58+64 . 百度学术
8. 张先梅，文艳，哈海霞，罗永丽，张艳. 重症肺炎患儿呼吸机相关性肺炎发生风险列线图模型构建. 临床医学研究与实践. 2024(27): 9-13 . 百度学术
9. 陈妙莉，黄腊梅，赵红苑. 基于循证理念主导的早期康复活动在ICU机械通气患者中的应用效果. 现代养生. 2024(20): 1584-1588 . 百度学术
10. 伏帅. 慢阻肺合并呼吸衰竭机械通气患者发生呼吸机相关性肺炎的危险因素分析. 黑龙江医药科学. 2024(06): 149-151 . 百度学术
11. 吴小杰，郜永月. 呼吸机相关性肺炎的影响因素及护理预防策略. 现代养生. 2024(22): 1750-1753 . 百度学术
12. 张楠，李红双，兰迎春. 基于网式控制模式的吸痰方案优化对重症机械通气患者VAP的预防效果研究. 齐鲁护理杂志. 2024(21): 129-131 . 百度学术
13. 王一山，阮萍，章夏萍. 基于渥太华研究应用模式的肺部感染预防方案在ICU机械通气病人中的应用. 循证护理. 2024(24): 4543-4547 . 百度学术
14. 丁剑，周俊. 慢性阻塞性肺疾病合并肺炎患者的痰培养菌种分布及耐药性分析. 实用临床医药杂志. 2023(01): 60-63+67 . 本站查看
15. 王彦芬，朱萍莲，刘玉芳，凌碧珍，王航莉，郑丽华. 重症监护室患者呼吸机相关性肺炎的影响因素分析及预防性应对措施探讨. 中西医结合护理(中英文). 2023(02): 145-147 . 百度学术
16. 周红，李志红，徐丽红. 分级肺康复护理对ICU机械通气病人的应用效果. 全科护理. 2023(34): 4842-4845 . 百度学术
17. 王进，李玉侠. ICU老年机械通气患者呼吸机相关性肺炎风险预测模型的构建探讨. 中国实用医药. 2023(23): 52-56 . 百度学术
18. 荆惠，关胜男，谢凯，王海峰. 纤维支气管镜肺泡灌洗辅助治疗重症呼吸机相关性肺炎的Meta分析. 实用临床医药杂志. 2022(21): 1-7+13 . 本站查看
其他类型引用(3)
计量
- 文章访问数: 234
- HTML全文浏览量: 122
- PDF下载量: 22
- 被引次数: 21
苏公网安备 32100302010246号
