کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5953972 1173311 2015 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Prognostication of Mortality in Critically 111 Patients With Severe Infections
ترجمه فارسی عنوان
پیش‌بینی مرگ‌ومیر در بیماران بدحال با عفونت‌های شدید
فهرست مطالب مقاله
چکیده

کلمات کلیدی

مواد و روش‌ها

جمعیت بیمار

تعاریف و خصوصیات عفونت

تحلیل آماری

نتایج

مشخصات بیمار از گروه‌‌های مشتق و اعتبار سنجی

توسعه و اعتبارسنجی مدل عفونت برای پیش‌بینی مرگ و میر در بیمارستان

جدول 1 مشخصات بیمارهای مختلف توسعه و اعتبار سنجی با توجه به شدت عفونت

بحث

جدول 2: سطح پلاسمایی نشانگرهای زیستی و نمرات شدت کوهورت اشتقاقی بر اساس شدت عفونت

جدول 3 سطح پلاسمایی نشانگرهای زیستی و نمره شدت گروه اعتبار سنجی، با توجه به شدت عفونت

جدول 4 سطح پلاسمای نشانگرهای زیستی و نمرات شدت کوهورت‌های اشتقاقی و اعتبارسنجی، طبقه‌بندی شده براساس وضعیت بقا

جدول 5 عملکرد مدل‌‌های پیش‌بینی مرگ و میر در بیمارستان در کوهورت اشتقاقی

شکل 1 - A، B، گیرنده‌‌های منحنی مشخصه بهترین مدل‌‌های پیش‌بینی‌کننده مرگ و میر در بیمارستان (گزارش APACHE II 1 [PCT] 1 log [PSP] و SAPS II 1 log [PCT] 1 log [PSP]] و APACHE II، SAPS II، PCT و PSP در گروه‌‌های مشتق (A) و اعتبار سنجی (B APACHE فیزیولوژی حاد و ارزیابی سلامت مزمن ؛ PCT  پروكالسیتونین؛ پروتئین سنگ پانکراتیکی PSP  ؛ SAPS  نمره فیزیولوژی حاد ساده.

شکل 2 - A، B، مرگ و میر در بیمارستان پیش‌بینی شده توسط مدل در گروه‌‌های اشتقاق و اعتبار سنجی بیماران مبتلا به عفونت شدید و شوک عفونی. احتمال مرگ به عنوان تابعی از PSP با استفاده از مقادیر ثابت میانگین‌‌های PCT و APACHE II (A) و SAPS II (B) نمرات شدت برای کوهورت اشتقاقی رسم شده است. برای گسترش اختصارات به شکل 1 مراجعه کنید.

نتیجه‌گیری

 
ترجمه چکیده
پیش‌زمینه: هدف از این پژوهش تایید مقدار پانکراتیکی پروتئین سنگ پانکراتیکی (PSP) در بیماران مبتلا به عفونت‌های شدید و نیازمند به مدیریت ICU، همچنین ایجاد و اعتبارسنجی مدلی برای بهبود پیش‌بینی مرگ‌ومیر از طریق ترکیب نمرات شدت با نشانگرهای زیستی است. روش‌ها: ما به شکل آینده‌نگر بیماران مبتلا به عفونت شدید یا شوک عفونی را در ICUهای ترکیبی سوم در سوئیس (کوهورت اشتقاقی) و برزیل (کوهورت اعتبارسنجی) ثبت‌نام کردیم. نمرات شدت (APACHE ]ارزیابی سلامت مزمن و فیزیولوژی حاد[ II یا نمره‌ی ساده‌شده‌ی وضعیت فیزیولوژیک حاد [SAPS] II) با نشانگرهای زیستی که در زمان تشخیص عفونت به دست آمده بودند، مانند پروتئین واکنشی C، پره‌کلسیتونین (PCT) و PSP ترکیب شده بود. مدل‌های رگرسیون لجستیک با خطای پیش‌بینی پایین برای پیش‌بینی مرگ‌ومیر درون‌بیمارستانی انتخاب شده بودند. نتایج: نرخ مرگ‌ومیر بیماران مبتلا به شوک عفونی در کوهورت اشتقاقی (103 از 158) و کوهورت اعتبارسنجی (53 از 91)، به ترتیب 37% و 57% بود. APACHE II و PSP به شکل چشمگیری در بیماران روبه‌موت بیشتر بود. در کوهورت اشتقاقیی، مدل‌های ترکیبی چه برای APACHE II، PCT و PSP (ناحیه‌ی زیر منحنی مشخصه‌ی عملیاتی گیرنده [AUC]، 0.721; 95% Cl, 0.632-0.812) و یا برای SAPS II، PCT و PSP (AUC, 0.710; 95% CI, 0.617-0.802) عملکرد بهتری نسبت به هر نشانه‌ی زیستی (AUC PCT, 0.534; 95% CI, 0.433-0.636; AUC PSP, 0.665; 95% Cl, 0.572-0.758) یا نمره‌ی شدت (AUC APACHE II, 0.638; 95% CI, 0.543-0.733; AUC SAPS II, 0.598; 95% CI, 0.499-0.698 ) داشت. این مدل‌ها به شکل خارجی در کوهورت اعتبارسنجی مستقل تایید شدند. نتیجه‌گیری: ما مقدار پیش‌بینی PSP در بیماران مبتلا به عفونت شدید و شوک عفونی را که به مدیریت ICU نیاز دارند، تایید کردیم. یک مدل ترکیبی از نمرات شدت با PCT و PSP پیش‌بینی مرگ‌ومیر در این بیماران را بهبود می‌دهد. نشانگان اختصاری: APACHE: ارزیابی سلامت مزمن و فیزیولوژی حاد؛ AUC: ناحیه‌ی زیر منحنی؛ CRP: پروتئین واکنشی C؛ IQR: دامنه‌ی بین چارکی؛ MCE: خطای طبقه‌بندی نادرست؛ PCT: پره‌کلسیتونین؛ PSP: پروتئین سنگ پانکراتیکی؛ SAPS: نمره‌ی ساده‌شده‌ی وضعیت فیزیولوژیکی حاد؛ SOFA: ارزیابی شکست اعضای متوالی؛ SPE خطای پیش‌بینی مربع؛ suPAR: گیرنده‌ی فعال‌کننده‌ی یوروکینازی پلاسمینوژن
موضوعات مرتبط
علوم پزشکی و سلامت پزشکی و دندانپزشکی کاردیولوژی و پزشکی قلب و عروق
چکیده انگلیسی
We confirmed the prognostic value of PSP in patients with severe sepsis and septic shock requiring ICU management. A model combining severity scores with PCT and PSP improves mortality prediction in these patients.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Chest - Volume 148, Issue 3, September 2015, Pages 674-682
نویسندگان
, , , , , , , , , , , , , , , , ,