射血分数改善型心力衰竭的临床特点及预后研究

来源 :中国全科医学 | 被引量 : 0次 | 上传用户:wangshaohua11
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
背景 左心室射血分数(LVEF)常被用来对心力衰竭(HF)进行分型,但部分HF患者经治疗后射血分数会发生改善,因此产生了射血分数改善型心力衰竭(HFimpEF)这一概念.然而目前HFimpEF相关研究多集中于欧美国家,我国关于此类人群的临床特点及预后分析鲜有报道.目的 分析我国HFimpEF患者临床特点、预后及预后的预测因素.方法 纳入于2018年6月至2020年5月在河北省人民医院心内科住院治疗的慢性心力衰竭(CHF)患者,从电子病历中获取患者的人口学数据和基线临床信息,根据基线及复查时的LVEF分为射血分数保留(HFpEF)组、射血分数中间值(HFmrEF)组、射血分数降低(HFrEF)组、射血分数改善(HFimpEF)组.自最后一次复查超声心动图开始,通过电子病历、门诊及电话进行随访,终点事件为全因死亡及全因再住院,随访时间截至2021-06-01.采用二元Logistic回归分析探讨LVEF改善的影响因素,采用Kaplan-Meier法绘制全因死亡和全因住院的生存曲线,采用Cox比例风险回归模型分析全因死亡和全因再入院的危险因素.结果 最终纳入患者530例,HFpEF组245例(占46.2%),HFmrEF组55例(占10.4%),HFrEF组133例(占25.1%),HFimpEF组97例(占18.3%).HFimpEF组死亡率低于HFpEF组(P=0.014)和HFrEF组(P<0.001).HFimpEF组再住院率低于HFpEF组(P=0.011)和HFmrEF组(P=0.001).基线时收缩压较高〔OR=1.036,95%CI(1.019,1.053),P<0.001〕、左心室收缩末内径(LVESD)≤37 mm〔OR=0.245,95%CI(0.118,0.507),P<0.001〕、应用β-受体阻滞剂〔OR=2.868,95%CI(1.304,6.305),P=0.009〕和醛固酮受体拮抗剂〔OR=2.691,95%CI(1.316,5.503),P=0.007〕是LVEF改善的影响因素.HFrEF、年龄较大、合并心脏瓣膜病、慢性肾脏病、贫血、未应用β-受体阻滞剂及口服抗凝药是CHF患者全因死亡的独立风险因素(P<0.05),HFpEF、HFmrEF、慢性肾脏病是CHF患者全因再入院的独立风险因素(P<0.05).合并心脏瓣膜病〔HR=6.499,95%CI(1.504,28.089),P=0.012〕、贫血〔HR=4.884,95%CI(1.242,19.208),P=0.023〕是HFimpEF患者死亡的风险因素.结论 HFimpEF是一组独立的HF表型,此类患者临床表现较轻、心室重构程度较小、预后较好,收缩压较高、LVESD≤37 mm、应用β-受体阻滞剂和醛固酮受体拮抗剂是LVEF改善的独立预测因子,而合并心脏瓣膜疾病、贫血是HFimpEF患者全因死亡的风险因素.
其他文献
心力衰竭是各类心血管疾病的最终主战场,其危害巨大,可诱发各类心律失常甚至心源性猝死.2016年欧洲心脏病学会(ESC)指南正式将射血分数中间值心力衰竭(HFmrEF)定义为左心室射血分数(LVEF)在40%~49%的心力衰竭,旨在细化心力衰竭的分类,加强临床工作者对心力衰竭病理生理学的重视,促进更多临床研究的开展,从而更好地指导临床诊疗.目前关于HFmrEF的病理生理学、治疗等方面仍然存在不少争议,本文从流行病学、临床特征、病理生理学、治疗等方面分别阐述HFmrEF患者的特点,发现HFmrEF更像是介于射
目的 对基于代谢组学技术的乳腺癌代谢产物的研究成果进行系统综述,以期为乳腺癌代谢研究提供新的方向.方法 通过检索近年来相关文献,分析和总结代谢组学技术在识别乳腺癌高危人群、监测肿瘤进展情况和评估放化疗反应方面的应用.结果 随着高分辨率、高敏感度和高通量生物分析平台技术的研发进展,代谢组学凭借其独特视角和技术优势,广泛应用于乳腺癌研究领域,能更精确、系统和动态地监测宿主代谢产物的变化规律.结论 代谢组学技术为乳腺癌的一级预防、早期筛查诊断和优化治疗策略选择提供了新的研究方向.
背景 2型糖尿病周围神经病变(DPN)患病率高、危害性大,目前尚无有效的治疗方法.目的 探讨DPN的危险因素,旨在建立并验证一种辅助临床预测DPN患者的可视化评价工具.方法 收集2010—2019年在新疆医科大学第一附属医院就诊的15020例2型糖尿病(T2DM)患者,按照3:1的比例将患者随机分为训练组(n=11265)和验证组(n=3755).收集患者的一般资料和生化资料.通过Lasso回归分析筛选独立预测因子,在此基础上利用多因素Logistic回归分析进一步探讨并建立列线图预测模型,并由验证组评估