慢性肾脏病非透析400例患者蛋白质能量消耗危险因素的相关研究

发布时间：2020-03-29 20:49

【摘要】：目的:分别采用Logistic回归和分类树模型分析探讨慢性肾脏病(chronic kidney disease,CKD)非透析患者蛋白质-能量消耗(protein-energy wasting,PEW)的发病情况及相关危险因素,旨在为临床防治提供理论依据。方法:收集我院肾脏内科2017年1月-2018年6月CKD1-5期非透析患者的临床资料,根据入排标准纳入研究对象。按照PEW临床诊断标准分为PEW组和非PEW组。比较两组间各临床指标的差异;分别用Logistic回归和分类树模型分析PEW的危险因素,并通过ROC曲线对两种方式的有效性进行评估;研究分类树模型筛选出的解释变量之间的关系,相关分析根据变量的具体情况选择Pearson/Spearman相关分析。结果:1.(1)本次研究共纳入CKD1-5期非透析患者400例,合并PEW的患者共有217例,男性121例,女性96例,平均年龄(52.13±17.08)岁;非PEW的患者有183例,男性101例,女性82例,平均年龄(48.72±15.27)岁;总体PEW的患病率为54.25%。(2)PEW组与非PEW组相比,PEW组患者在年龄(P=0.03)、CRE(P=0.012)、Urea(P=0.048)、UA(P=0.006)、PTH(P=0.038)、UACR(P0.001)等指标上高于非PEW组的患者;在e GFR(P=0.003)和Hb(P0.001)上明显低于非PEW组的患者,差异有统计学意义。但在性别、MAP、LDL-C、糖化血红蛋白(Hb Alc)、GLU、Ca、P、Mg等项目上的差异无统计学意义。2.(1)Logistic回归分析显示:Hb(P=0.003)、CRE(P0.001)、HCO3(P0.001)、UA(P=0.006)、CRP(P=0.002)是发生PEW的独立危险因素,(2)构建的分类树模型有3层,包括15个结点,其中9个终末结点,从20余个预测变量中筛出5个解释变量:PTH、CRE、Hb、UACR和CRP;(3)分类树模型筛选出5个解释变量,将相邻两层中可能具有相关性的变量进行Pearson/Spearman相关分析,结果显示:PTH与Hb(r=-0.257、P0.001)、CRE与Hb(r=-0.409、P0.001)呈负性相关;PTH与CRE(r=0.304、P0.001)、CRE与CRP(r=0.100、P=0.046)、CRE与UACR(r=-0.225、P0.001)呈正性相关。3.两种分析方法所得的预测概率绘制ROC曲线。Logistic回归的ROC曲线下面积(area under curve,AUC)为0.722,分类树模型ROC曲线的AUC为0.859。经z检验,两模型的AUC比较差异有统计学意义(Z1.96,P0.05)。结论:1.在CKD非透析患者中,PEW的发病率高,CRE、Hb、CRP及PTH等因素与PEW的发生密切相关。2.与Logistic回归分析相比较,分类树模型对CKD患者PEW的发生有更好的的预测价值。
【图文】：

图 1 PEW 的诊断标准1.2.4 统计学方法采用 SPSS22.0 软件进行数据的统计学处理。对收集到的变量资料进行统一量化和编码，定量资料用 X S表示，采用 t 检验进行分析，，定性资料用2 检验进行分析。分别采用 Logistic 回归和分类树模型研究 PEW 的相关危险因素；绘制两模型的 ROC 曲线，对其结果进行评价；对分类树模型筛选出的解释变量，根据变量具体情况进行 Pearson/Spearman 相关分析。以 P<0.05 为差异有统计学意义。应用 Exhaustive CHAID 模型方法构建分类树模型，对树进行剪枝以防止树型的过度拟合，模型中参数合并与拆分的显著性检验水准均为 0.05，分类树模型能够自动识别连续变量的最佳分界点，并对其进行有效的拆分。设定最大的生长层数为 4

节点 危险人群结点 增益（PEW） 响应（%） 指数(%)总例数（N）百分比（%）例数（n）百分比（%）（n/N） (nNnN00)13 PTH＞54.64且78.2＜CRE≤133.7且UACR＞4.33 132 33.0 112 51.6 84.8 156.315 PTH＞54.64且CRE＞133.7且CRP为异常 37 9.3 30 13.8 81.1 149.514 PTH＞54.64且CRE＞133.7且CRP为正常 106 26.5 66 30.4 62.3 114.810 PTH＞54.64且CRE≤78.2且HB≤122.0 6 1.5 3 1.4 50.0 92.29 41.32＜PTH≤54.64且HB≤129且 12 3.0 5 2.3 41.7 76.911 PTH＞54.64且CRE≤78.2且HB＞122.0 34 8.5 1 0.5 2.9 5.34 PTH≤54.64且HB>129 57 14.3 0 0.0 0.0 0.08 PTH≤41.32且HB≤129 11 2.8 0 0.0 0.0 0.012 PTH＞54.64且78.2＜CRE≤133.7且UACR≤4.33 5 1.3 0 0.0 0.0 0.0
【学位授予单位】：山西医科大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R692

【相似文献】

中国期刊全文数据库 前10条

1 杜琳;刘伟佳;刘伟;林汉生;麦锦城;何秀芳;张维蔚;林国桢;;SPSS中的分类树模型在分析伤害影响因素中的应用[J];中国卫生统计;2010年05期

2 侯小东;杜咏梅;刘新民;程森;;分类树模型在烟草农业研究中的应用[J];中国烟草科学;2012年05期

3 张晗希;刘聪;李艺然;乔佳颖;许志梦;曾澄波;李凌华;蔡卫平;郭艳;;HIV/AIDS患者自杀危险因素分类树模型筛选[J];中国公共卫生;2018年12期

4 赵自强;郑明;;应用分类树模型筛选logistic回归中的交互因素[J];中国卫生统计;2007年02期

5 刘建平;程锦泉;张仁利;耿艺介;聂绍发;;应用分类树模型构建缺血性脑卒中发病风险的预测模型[J];中国慢性病预防与控制;2012年03期

6 张勇晶;陈坤;金明娟;范春红;;应用分类树模型筛选恶性肿瘤危险因素的研究[J];中华流行病学杂志;2006年06期

7 钱雪亚;刘焕香;陈志;;成本、收益:工资效应的企业异质性[J];统计研究;2013年11期

8 张剑锋;高春芳;王秀丽;郑国宝;李冬晖;沈东海;;结直肠癌分类树模型建立的初步探讨[J];中华消化杂志;2007年07期

9 孙月;陈菲;屈会;雷雪;严云膺;吴小翎;;基于分类树模型的老年人智慧健康养老服务购买意愿影响因素分析[J];现代预防医学;2018年18期

10 谢远涛;杨娟;王稳;;Logistic与分类树模型变量筛选的比较——基于信用卡邮寄业务响应率分析[J];统计与信息论坛;2011年06期

中国重要会议论文全文数据库 前2条

1 曾洁;林爱华;;分类树模型下脑卒中影响因素分析及发病风险预测[A];2017年中国卫生统计学学术年会论文集[C];2017年

2 陈坤;张勇晶;金明娟;范春红;;应用分类树模型筛选乳腺癌危险因素的研究[A];应对突发公共卫生事件论坛论文集[C];2005年

中国硕士学位论文全文数据库 前4条

1 张琪琪;慢性肾脏病非透析400例患者蛋白质能量消耗危险因素的相关研究[D];山西医科大学;2019年

2 陈志;工资效应的测度及差异性分析[D];浙江工商大学;2012年

3 彭婷婷;早产影响因素的分类树模型和交互作用分析[D];山西医科大学;2015年

4 解冰洁;基于分类树模型的妊娠期糖尿病影响因素分析[D];山西医科大学;2016年

本文编号：2606500