A comparative study of two Nomograph risk factor predictive models of chronic heart failure with renal insufficiency
-
摘要:目的
基于Lasso-Logistic回归分析构建2种慢性心力衰竭患者合并肾功能不全的列线图风险预测模型并进行比较。
方法收集996例慢性心力衰竭患者的临床资料，按7∶3比例随机分为建模组698例与验证组298例。基于Lasso回归筛选变量，将差异具有统计学意义的变量纳入多因素Logistic回归分析筛选独立影响因素，对构建的2种列线图模型进行比较并评价临床有效性。
结果建模组698例患者中, 148例患者合并肾功能不全，占21.20%。模型1多因素Logistic回归分析结果显示，血红蛋白、肌酐、尿酸、年龄、瓣膜性心脏病、有无合并症是慢性心力衰竭患者合并肾功能不全的独立影响因素(P < 0.05); 模型2多因素Logistic回归分析结果显示，血红蛋白、肌酐、尿酸、有无合并症是慢性心力衰竭患者合并肾功能不全的独立影响因素(P < 0.05)。模型1的曲线下面积(AUC)为0.814, Hosmer-Lemeshow检验结果显示该模型未偏离完美拟合(P=0.08), 且校准图显示该模型具有较好的一致性; 模型2的AUC为0.806, Hosmer-Lemeshow检验结果显示该模型偏离完美拟合(P < 0.01), 且校准图显示该模型的一致性较差。验证组结果显示，模型1、模型2的AUC分别为0.835、0.824, Hosmer-Lemeshow检验结果显示模型均未偏离完美拟合(P=0.12、0.45), 且校准曲线显示一致性较好。
结论基于Lasso-Logistic回归分析构建的2个风险预测模型对慢性心力衰竭患者合并肾功能不全风险具有较好的预测能力，但模型1的区分度、Hosmer-Lemeshow检验结果和校准曲线一致性更佳，临床适用性更强，净收益更高，建议临床应用时选择模型1。
Abstract:ObjectiveTo construct two Nomograph risk factor predictive models for chronic heart failure patients with renal insufficiency based on Lasso-Logistic regression analysis and compare their efficacy.
MethodsThe clinical data of 996 patients with chronic heart failure were collected. These patients were randomly divided into modeling group(698 cases) and verification group(298 cases) in a ratio of 7∶3. Lasso regression was used to screen variables, multivariate Logistic regression was used to screen independent risk factors for variables with statistical significance, and two models were compared to the evaluate their clinical effectiveness.
ResultsOf 698 patients in the modeling group, 148(21.20%) were complicated with renal insufficiency. Multivariate Logistic regression results of model 1 showed that hemoglobin, creatinine, uric acid, age, valvular heart disease, and presence or absence of complication were independent risk influencing factors(P < 0.05). Multivariate Logistic regression results of model 2 showed that hemoglobin, creatinine, uric acid, and presence or absence of complication were independent influencing factors (P < 0.05). The area under the curve (AUC) of model 1 was 0.814, and Hosmer-Leishow test results showed that it did not deviate, and was perfectly matched (P=0.08), the calibration chart showed that the model has good consistency. The AUC of model 2 was 0.806. The results of Hosmer-Lemeshow showed that the model was deviated from the perfect fit (P < 0.01), and the calibration chart showed that the consistency of the model was poor. The results of the validation group showed that the AUCs of model 1 and model 2 were 0.835, 0.824, respectively. Hosmer Lemeshow test showed that the models did not deviate from the perfect fit (P=0.12, 0.45), and the calibration curve also had good consistency.
ConclusionThe two Nomograph risk factors predictive models based on Lasso-Logistic regression have better ability in predicting the risk of chronic heart failure patients with renal insufficiency, but model 1 has better differentiation, consistency beween Hosmer-Lemeshow test results and calibration curve, stronger clinical applicability and higher net benefit, so model 1 is recommended for clinical application.
-
阻塞性睡眠呼吸暂停低通气综合征(OSAHS)是一种以睡眠期间上呼吸道反复阻塞而导致气流中断或减少为特征的临床综合征，患者可表现为夜间打鼾、白天嗜睡、情绪障碍等，与心脑血管疾病、内分泌与代谢性疾病及神经认知功能障碍等密切相关[1]。近年来，随着OSAHS研究的不断深入, OSAHS伴发的2型糖尿病逐渐引起关注。OSAHS已被证实是2型糖尿病的独立危险因素之一，且在2型糖尿病的发展中发挥重要作用[2]。相关研究[3]表明, OSAHS患者的2型糖尿病患病率为15%~30%, 且重度OSAHS患者的患病率可能更高。反复呼吸阻塞或暂停引起的间歇性缺氧(IH)是低通气的特征性病理改变，最终导致OSAHS患者以低氧血症、高碳酸血症为主的病理生理基础[4]。研究[2]证实, IH通过多种机制参与2型糖尿病的发病过程。夜间脉搏血氧饱和度(SpO2)监测可反映睡眠期间血氧状态，已被应用于OSAHS和2型糖尿病等多种疾病的研究中，但关于OSAHS患者SpO2与发生2型糖尿病关系的研究目前尚少见。本研究探讨了OSAHS患者夜间SpO2水平与2型糖尿病之间的关系，并分析SpO2对OSAHS患者伴发2型糖尿病的预测价值，现报告如下。
1. 资料与方法
1.1 一般资料
选取2021年1—9月因打鼾至扬州大学附属医院门诊或住院申请行多导睡眠图仪(PSG)监测的患者作为研究对象。结合患者病史、体格检查及相关实验室检查结果，根据《阻塞性睡眠呼吸暂停低通气综合征诊治指南(草案)》[5]中OSAHS的诊断标准及2013年版《中国2型糖尿病防治指南》[6]中的糖尿病诊断标准，将纳入患者分为单纯OSAHS组76例和OSAHS伴2型糖尿病组77例。纳入标准: ①年龄18~80岁者; ②确诊OSAHS者。排除标准: ①中枢性睡眠呼吸暂停低通气综合征患者; ②发作性睡病患者; ③接受过OSAHS治疗者; ④妊娠期妇女; ⑤合并急性呼吸道感染者; ⑥严重肺部疾病如慢性阻塞性肺疾病、支气管哮喘、间质性肺疾病、慢性呼吸衰竭等患者; ⑦心功能不全者; ⑧合并糖尿病急性并发症者。
1.2 研究方法
1.2.1 临床资料收集
通过电子病历系统搜索并记录所有入组患者的性别、年龄、身高和体质量，计算体质量指数(BMI); 收集每例患者既往病史[高血压病、动脉粥样硬化性心血管疾病、高脂血症和糖尿病家族史(一级亲属患有2型糖尿病)]、个人史(吸烟史、饮酒史)等信息。
1.2.2 睡眠指标监测
在睡眠室患者信息系统根据住院号或门诊号搜索所有患者的睡眠指标结果并记录，包括呼吸暂停低通气指数(AHI)、氧减指数(ODI)、平均脉搏血氧饱和度(MSpO2)和最低脉搏血氧饱和度(LSpO2)。所有接受PSG监测的患者均在医院睡眠室进行整夜(至少7 h)睡眠监测，并监测鼾声、胸腹呼吸运动、口鼻气流和体位等。SpO2由指触式脉搏血氧饱和度仪监测获得，所有患者监测当天禁饮酒、咖啡，禁服镇静剂及催眠药。
1.3 统计学分析
采用SPSS 20.0统计学软件对数据进行处理，计量资料进行正态性和方差齐性检验，符合正态分布者以(x±s)表示, 2组比较行独立样本t检验，计数资料以[n(%)]表示, 2组比较行χ2检验。OSAHS患者伴2型糖尿病的影响因素分析采用二元Logistic回归分析。采用受试者工作特征(ROC)曲线分析夜间SpO2对OSAHS患者伴2型糖尿病的预测价值。以P＜0.05为差异有统计学意义。
2. 结果
2.1 一般资料及睡眠监测指标比较
与单纯OSAHS组比较, OSAHS伴2型糖尿病组患者年龄较大, BMI、AHI、ODI水平和高脂血症患病率、有糖尿病家族史者占比较高, MSpO2、LSpO2水平较低，差异有统计学意义(P＜0.05)。2组患者在性别、吸烟史、饮酒史、高血压病及动脉粥样硬化性心血管疾病患病率方面比较，差异无统计学意义(P>0.05)。见表 1。
表 1 2组患者一般资料与睡眠监测指标水平比较(x±s) [n(%)]指标 OSAHS伴2型糖尿病组(n=77) 单纯OSAHS组(n=76) t/χ2 P 年龄/岁 59.19±12.17 54.42±13.14 -2.332 0.021 性别 男 51(66.23) 56(73.68) 1.010 0.315 女 26(33.77) 20(26.32) BMI/(kg/m2) 27.65±4.20 25.52±2.85 -3.680 ＜0.001 吸烟史 26(33.77) 22(28.95) 0.413 0.521 饮酒史 24(31.17) 22(28.95) 0.09 0.764 高血压病 60(77.92) 55(72.37) 0.632 0.427 高脂血症 46(59.74) 28(36.84) 8.03 0.005 动脉粥样硬化性心血管疾病 31(40.26) 36(47.37) 0.785 0.376 糖尿病家族史 19(24.68) 9(11.84) 4.213 0.040 AHI/(次/h) 31.98±22.22 25.45±17.87 -2.004 0.047 ODI/(次/h) 29.28±23.49 22.46±16.92 -2.063 0.041 MSpO2/% 92.64±3.24 94.50±3.37 3.482 0.001 LSpO2/% 70.61±12.05 78.04±8.97 4.327 ＜0.001 OSAHS: 阻塞性睡眠呼吸暂停低通气综合征; BMI: 体质量指数; AHI: 呼吸暂停低通气指数; ODI: 氧减指数; MSpO2: 平均脉搏血氧饱和度; LSpO2: 最低脉搏血氧饱和度。 2.2 OSAHS患者伴2型糖尿病的影响因素分析
二元Logistic回归分析结果显示，年龄小(OR=0.247, 95%CI为0.110~0.553, P=0.001)、BMI低(OR=0.366, 95%CI为0.152~0.881, P=0.025)是OSAHS患者伴2型糖尿病的保护因素，高脂血症(OR=2.337, 95%CI为1.068~5.113, P=0.034)、LSpO2降低(OR=3.511, 95%CI为1.132~10.891, P=0.030)是OSAHS患者伴2型糖尿病的危险因素，见表 2。
表 2 OSAHS患者伴2型糖尿病影响因素的二元Logistic回归分析因素 B SE Walds P OR 95%CI 年龄/岁 -1.399 0.412 11.554 0.001 0.247 0.110~0.553 BMI/(kg/m2) -1.004 0.448 5.033 0.025 0.366 0.152~0.881 高脂血症 0.849 0.399 4.517 0.034 2.337 1.068~5.113 糖尿病家族史 0.979 0.512 3.654 0.056 2.661 0.976~7.258 AHI/(次/h) 0.259 0.667 0.151 0.697 1.296 0.351~4.787 ODI/(次/h) 0.469 0.732 0.41 0.522 1.598 0.380~6.712 MSpO2/% 0.762 0.457 2.772 0.096 2.142 0.874~5.251 LSpO2/% 1.256 0.578 4.728 0.030 3.511 1.132~10.891 OSAHS: 阻塞性睡眠呼吸暂停低通气综合征; AHI: 呼吸暂停低通气指数; ODI: 氧减指数; BMI: 体质量指数; MSpO2: 平均脉搏血氧饱和度; LSpO2: 最低脉搏血氧饱和度。 2.3 LSpO2对OSAHS患者伴2型糖尿病的预测价值
ROC曲线结果显示, LSpO2预测OSAHS患者伴2型糖尿病的曲线下面积为0.695(95%CI为0.613~0.777, P＜0.001), LSpO2最佳截断值为76.50%(敏感度54.5%, 特异度75.0%), 见图 1。
3. 讨论
OSAHS是临床公认的可引起代谢紊乱尤其是2型糖尿病的独立危险因素[7]。OSAHS患者反复发生的低通气事件会导致IH, 使氧化-抗氧化系统失衡，最终引起体内炎性通路的激活[8-9]。据研究[10-11]报道，慢性炎症反应可能参与胰岛素抵抗和β细胞功能障碍的过程，增加了2型糖尿病的发生风险。缺氧和炎症之间存在密切联系，低氧可通过激活核因子κB(NF-κB)和缺氧诱导因子-1α(HIF-1α)刺激肿瘤坏死因子-α(TNF-α)、白细胞介素-1(IL-1)等各种炎症因子的产生[12]。近年来研究[13]发现, HIF-1α是一种低氧状态下在葡萄糖代谢中起重要作用的因子，可能是胰岛素抵抗和糖尿病发展的原因。SpO2降低是OSAHS患者的主要病理生理变化之一，其引起的氧化应激和炎症反应可能是OSAHS患者伴发2型糖尿病的关键因素[14]。
IH诱导的葡萄糖代谢受损的病理生理学和分子机制尚未完全清楚，但研究[15]证明，夜间IH与葡萄糖代谢受损关系密切, IH可能对OSAHS患者2型糖尿病的发生和进展起关键作用。IH对胰腺β细胞功能、胰岛素抵抗的有害影响已在动物研究中得到证实。一项动物实验[16]发现，慢性IH可能促进导致胰腺β细胞损伤和功能障碍的线粒体源性活性氧的产生。IH还可增加肝脏中磷酸烯醇式丙酮酸羧激酶、葡萄糖6-磷酸酶等糖异生酶的基因表达，引起空腹高血糖，导致2型糖尿病[17]。此外, IH通过诱导脂肪组织的炎症及脂肪分解、影响骨骼肌中葡萄糖摄取和代谢、激活交感神经产生儿茶酚胺等途径增强外周组织和细胞的胰岛素抵抗[2]。
流行病学研究[7]表明, PSG监测的SpO2参数与2型糖尿病的风险预估相关, OSAHS患者的夜间低氧血症与2型糖尿病的早期发病具有相关性，较低的LSpO2水平可使OSAHS患者发生2型糖尿病的年龄更具年轻化的趋势。日本一项前瞻性研究[18]也发现，脉搏血氧仪评估的LSpO2等参数与2型糖尿病的发生风险有关。本研究发现, OSAHS伴2型糖尿病组的LSpO2水平显著低于单纯OSAHS组，进一步分析发现, LSpO2降低是OSAHS患者伴2型糖尿病的危险因素, LSpO2水平降低对OSAHS并发2型糖尿病具有一定的预测价值，与国内外研究[19-22]结果相似。研究[19-20]发现, SpO2水平与OSAHS严重程度有关，可用于预测OSAHS合并代谢综合征的发生。相关研究[21-22]证实，低氧血症及PSG监测中氧饱和参数的降低可能与糖化血红蛋白(HbA1c)水平升高有关。本研究推测, LSpO2降低促使OSAHS患者发生2型糖尿病的原因可能是夜间低氧血症诱导的氧化应激与炎症反应，促进胰岛β细胞损伤、功能障碍及外周组织、细胞的胰岛素抵抗。
持续气道正压通气(CPAP)是OSAHS患者的一线治疗方法，可有效改善低氧状态，缓解嗜睡、觉醒、乏力等症状，提升患者的生活质量，且可降低OSAHS合并2型糖尿病患者的血糖及HbA1c水平。但目前关于纠正低氧状态在改善OSAHS合并2型糖尿病患者并发症发生情况、长期血糖控制中的作用的研究仍较缺乏，未来还需进一步探讨LSpO2干预措施对OSAHS合并2型糖尿病患者远期预后的作用。此外，本研究为单中心研究，数据来源较单一，今后仍需开展大样本量多中心临床研究及纵向研究进一步验证结论和探索具体机制。
综上所述，夜间LSpO2水平与OSAHS患者2型糖尿病的发生有关，且低水平LSpO2可能对OSAHS患者伴发2型糖尿病有一定预测价值。LSpO2便于临床监测且易被患者接受，有望成为一种理想的评估OSAHS患者伴发2型糖尿病的参考指标，而改善低氧状态、上调LSpO2水平或可成为OSAHS合并2型糖尿病患者新的治疗思路与手段。
-
表 1 建模组慢性心力衰竭患者的基线特征(x±s)[n(%)]
特征 分类 发生组(n=148) 未发生组(n=550) 性别 男 97(65.54) 330(60.00) 女 51(34.46) 220(40.00) 居住地区 城市 73(49.32) 254(46.18) 农村 75(50.68) 296(53.82) 冠心病 否 60(40.54) 223(40.55) 是 88(59.56) 327(59.45) 瓣膜性心脏病 否 97(65.54) 440(80.00) 是 51(34.46) 110(20.00) 心肌病 否 122(82.43) 445(80.91) 是 26(17.57) 105(19.09) 心律失常 否 120(81.08) 459(83.45) 是 28(18.92) 91(16.55) 吸烟史 否 85(57.43) 344(62.55) 是 63(42.57) 206(37.45) 酗酒史 否 105(70.95) 393(71.45) 是 43(29.05) 157(28.55) 合并症 无 3(2.03) 90(16.36) 有 145(97.97) 460(83.64) B型钠尿肽升高 否 4(2.70) 45(8.18) 是 144(97.30) 505(91.82) 年龄/岁 70.44±13.20 66.25±14.95 收缩压/mmHg 123.96±21.43 124.49±47.38 舒张压/mmHg 76.28±12.82 75.92±12.42 每搏量/mL 64.86±23.69 66.09±19.68 白细胞计数/(×109/L) 6.29±2.16 6.78±2.48 红细胞计数/(×1012/L) 3.92±0.73 4.22±0.64 血钠/(mmol/L) 138.78±5.46 139.43±3.74 血氯/(mmol/L) 100.70±5.52 101.48±6.18 肌酐/(μmol/L) 143.68±99.51 87.61±48.97 淋巴细胞百分比/% 22.49±11.32 24.35±9.44 血红蛋白/(g/L) 118.71±23.10 129.14±22.27 血钾/(mmol/L) 4.42±0.62 4.29±0.55 尿素/(mmol/L) 12.06±7.16 7.97±4.27 尿酸/(μmol/L) 458.51±162.30 376.34±136.81 
下载: 导出CSV
表 2 自变量赋值表
自变量 赋值 自变量 赋值 性别 男=0, 女=1 居住地区 城市=0, 农村=1 冠心病 否=0, 是=1 瓣膜性心脏病 否=0, 是=1 心肌病 否=0, 是=1 心律失常 否=0, 是=1 吸烟史 否=0, 是=1 酗酒史 否=0, 是=1 合并症程度 否=0, 是=1 BNP 否=0, 是=1
下载: 导出CSV
表 3 模型1、模型2的多因素Logistic回归分析结果
变量 模型1 模型2 SE OR(95%CI) P SE OR(95%CI) P 肌酐 0.002 1.01(1.00~1.01) < 0.001 0.002 1.01(1.01~1.02) < 0.001 尿酸 0 1.00(1.00~1.00) < 0.001 0.001 1.01(1.00~1.01) < 0.001 血红蛋白 0.004 1.00(0.98~1.00) 0.025 0.004 0.98(0.98~0.99) < 0.001 年龄 0.008 1.00(1.00~1.04) 0.019 — — — 有无合并症 0.612 7.17(2.71~32.38) < 0.001 0.612 7.22(2.56~30.49) < 0.001 瓣膜性心脏病 0.229 1.92(1.22~3.01) 0.004 — — —
下载: 导出CSV
-
[1] LAN T, LIAO Y H, ZHANG J, et al. Mortality and readmission rates after heart failure: a systematic review and meta-analysis[J]. Ther Clin Risk Manag, 2021, 17: 1307-1320. doi: 10.2147/TCRM.S340587
[2] LIM Y M F, ONG S M, KOUDSTAAL S, et al. Trends for readmission and mortality after heart failure hospitalisation in Malaysia, 2007 to 2016[J]. Glob Heart, 2022, 17(1): 20. doi: 10.5334/gh.1108
[3] EMMONS-BELL S, JOHNSON C, ROTH G. Prevalence, incidence and survival of heart failure: a systematic review[J]. Heart, 2022, 108(17): 1351-1360. doi: 10.1136/heartjnl-2021-320131
[4] LÖFMAN I, SZUMMER K, DAHLSTRÖM U, et al. Associations with and prognostic impact of chronic kidney disease in heart failure with preserved, mid-range, and reduced ejection fraction[J]. Eur J Heart Fail, 2017, 19(12): 1606-1614. doi: 10.1002/ejhf.821
[5] 中华人民共和国国务院. 中国防治慢性病中长期规划(2017—2025年)[J]. 中国实用乡村医生杂志, 2017, 24(11): 6-11. doi: 10.3969/j.issn.1672-7185.2017.11.002 [6] 郭艺芳. 2022年美国心力衰竭管理指南更新要点解读[J]. 中国全科医学, 2022, 25(17): 2051-2054. doi: 10.12114/j.issn.1007-9572.2022.0288 [7] NELSON R G, GRAMS M E, BALLEW S H, et al. Development of risk prediction equations for incident chronic kidney disease[J]. JAMA, 2019, 322(21): 2104-2114. doi: 10.1001/jama.2019.17379
[8] 澈乐木格, 邓龙廉, 赵建全. 预测早发冠心病的发生风险: 临床列线图的开发和评估[J]. 实用临床医药杂志, 2022, 26(24): 51-56. doi: 10.7619/jcmp.20222458 [9] 中华医学会, 中华医学会杂志社, 中华医学会全科医学分会, 等. 慢性心力衰竭基层诊疗指南(实践版·2019)[J]. 中华全科医师杂志, 2019, 18(10): 948-956. doi: 10.3760/cma.j.issn.1671-7368.2019.10.009 [10] TRIPOSKIADIS F, XANTHOPOULOS A, PARISSIS J, et al. Pathogenesis of chronic heart failure: cardiovascular aging, risk factors, comorbidities, and disease modifiers[J]. Heart Fail Rev, 2022, 27(1): 337-344. doi: 10.1007/s10741-020-09987-z
[11] CHA′ON U, TIPPAYAWAT P, SAE-UNG N, et al. High prevalence of chronic kidney disease and its related risk factors in rural areas of Northeast Thailand[J]. Sci Rep, 2022, 12(1): 18188. doi: 10.1038/s41598-022-22538-w
[12] 黄荔荔, 徐琴, 沈建宏, 等. 228例心力衰竭患者非计划再入院率调查及logistic预测模型建立研究[J]. 中国心血管病研究, 2022, 20(9): 811-816. doi: 10.3969/j.issn.1672-5301.2022.09.006 [13] 康元, 牛晓菁, 史秩菁, 等. 红细胞比容对老年女性心力衰竭患者3年不良结局事件的预测意义[J]. 中华老年心脑血管病杂志, 2022, 24(9): 908-911. doi: 10.3969/j.issn.1009-0126.2022.09.004 [14] 吴超, 赵雪燕, 袁晋青, 等. 心力衰竭患者NT-proANP、NT-proBNP和NT-proCNP与肾功能指标的相关性分析[J]. 南昌大学学报: 医学版, 2021, 61(2): 34-38, 67. https://www.cnki.com.cn/Article/CJFDTOTAL-JXYB202102007.htm [15] 徐玲玲, 周阳, 刘瑾, 等. 江苏省滨海县社区体检人群慢性肾功能不全的患病率及其相关因素调查[J]. 中华肾脏病杂志, 2022, 38(6): 520-527. doi: 10.3760/cma.j.cn441217-20211122-00072 [16] 孙磊, 李禄全, 杨晓慧. 基于决策曲线分析的临床预后重要影响因素研究[J]. 中国卫生统计, 2018, 35(6): 846-849. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGWT201806011.htm [17] 奚丽婧, 郭昭艳, 杨雪珂, 等. LASSO及其拓展方法在回归分析变量筛选中的应用[J]. 中华预防医学杂志, 2023, 57(1): 107-111. doi: 10.3760/cma.j.cn112150-20220117-00063 [18] CHANG H J, LIN K R, CHANG J L, et al. Risk factors for chronic kidney disease in older adults with hyperlipidemia and/or cardiovascular diseases in Taipei city, Taiwan: a community-based cross-sectional analysis[J]. Int J Environ Res Public Health, 2020, 17(23): 8763. doi: 10.3390/ijerph17238763
[19] 何珊, 关晓楠, 马桂伶, 等. 青年与中老年心力衰竭患者的临床特点及预后研究[J]. 中国临床医生杂志, 2023, 51(1): 24-27. doi: 10.3969/j.issn.2095-8552.2023.01.008 [20] 何文静. 血管紧张素抑制剂对心力衰竭合并肾性贫血患者肌酐和血红蛋白的影响[J]. 心脑血管病防治, 2019, 19(2): 153-155, 173. doi: 10.3969/j.issn.1009-816x.2019.02.015 [21] JANUS S E, HAJJARI J, CHAMI T, et al. Multi-variable biomarker approach in identifying incident heart failure in chronic kidney disease: results from the Chronic Renal Insufficiency Cohort study[J]. Eur J Heart Fail, 2022, 24(6): 988-995. doi: 10.1002/ejhf.2543
[22] HOEVELMANN J, MAHFOUD F, LAUDER L, et al. Valvular heart disease in patients with chronic kidney disease[J]. Herz, 2021, 46(3): 228-233. doi: 10.1007/s00059-020-05011-0
[23] TERNACLE J, CÔTÉ N, KRAPF L, et al. Chronic kidney disease and the pathophysiology of valvular heart disease[J]. Can J Cardiol, 2019, 35(9): 1195-1207. doi: 10.1016/j.cjca.2019.05.028
[24] 朱鹏程, 张倩, 卞金辉, 等. 二叶式主动脉瓣钙化关键基因的生物信息学分析[J]. 实用临床医药杂志, 2021, 25(9): 9-13, 17. doi: 10.7619/jcmp.20211339 [25] KAJIMOTO K, SATO N, TAKANO T. Relationship of renal insufficiency and clinical features or comorbidities with clinical outcome in patients hospitalised for acute heart failure syndromes[J]. Eur Heart J, 2017, 6(8): 697-708.
计量
- 文章访问数: 163
- HTML全文浏览量: 66
- PDF下载量: 14
苏公网安备 32100302010246号