ВАК (Россия)
РИНЦ (Россия)
EBSCO
Регистрационное агентство DOI (США)
Ulrichsweb (Ulrich’s Periodicals Directory)
Scientific Indexing Services

Разработка логистических регрессионных уравнений для оценки синдрома старческой астении у пациентов с острым коронарным синдромом

DOI: https://doi.org/10.29296/25877305-2021-04-14
Номер журнала: 
4
Год издания: 
2021

С.В. Ким(1, 2), А.С. Пушкин(1)–3, кандидат медицинских наук, С.А. Рукавишникова(1)–3, доктор
биологических наук, профессор, В.В. Яковлев(4), доктор медицинских наук, A.H. Наркевич(5), кандидат
медицинских наук (1)Городская многопрофильная больница №2, Санкт-Петербург (2)Санкт-Петербургский институт
биорегуляции и геронтологии (3)Первый Санкт-Петербургский государственный медицинский университет им. И.П.
Павлова Минздрава России (4)Военно-медицинская академия им. С.М. Кирова Министерства обороны России,
Санкт-Петербург (5)Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого
Минздрава России E-mail: Somavila@yahoo.com

Возраст является надежным предиктором неблагоприятных исходов при остром коронарном синдроме (ОКС). В этом контексте особое значение приобретает главный фактор риска у пожилых пациентов – синдром старческой астении (ССА), или хрупкость. Цель настоящего исследования – разработка математической модели логистической регрессии для выявления ССА у пациентов с ОКС и оценка ее качества в сравнении с другими исследовательскими инструментами, обычно используемыми для комплексной гериатрической оценки пациентов с ОКС. Материал и методы. Для построения математических моделей логистической регрессии использованы данные 300 пациентов c ОКС. У 50 (16,7%) пациентов диагностирован инфаркт миокарда с подъемом сегмента ST, у 126 (42,0%) – инфаркт миокарда без подъема сегмента ST и у 124 (41,3%) – нестабильная стенокардия. Оценка ССА производилась с помощью шкал оценки хрупкости Green и Fried. В ходе исследования осуществлялось построение математических моделей логистической регрессии с применением методов Enter и пошаговых прямых и обратных методов. Результаты. Показатели чувствительности, специфичности и точности при оценке хрупкости пациентов с ОКС при применении модели, построенной с применением обратного пошагового метода, имеют максимальные значения и составляют соответственно 86,3 (80,1; 90,7%), 90,8 (84,9; 94,5%) и 88,4 (86,0; 89,7%). При уменьшении числа измеряемых у пациента параметров с 7 до 4 показатели чувствительности, специфичности и точности ниже и составляют соответственно 81,3 (74,5; 86,5%), 87,2 (80,7; 91,8%), 84,1 (81,5; 85,7%). Заключение. В ходе исследования построены 3 математические модели логистической регрессии, позволяющие производить оценку хрупкости пациентов с ОКС, которые могут быть использованы в условиях неотложной помощи на догоспитальном этапе и после выписки из стационара.

Ключевые слова: 
кардиология
острый коронарный синдром
хрупкость
синдром старческой астении
оценочные шкалы
логистическая регрессия

Для цитирования
С.В. Ким, А.С. Пушкин, С.А. Рукавишникова, В.В. Яковлев, A.H. Наркевич Разработка логистических регрессионных уравнений для оценки синдрома старческой астении у пациентов с острым коронарным синдромом . Врач, 2021; (4): 76-83 https://doi.org/10.29296/25877305-2021-04-14


Список литературы: 
  1. Beard J.R., Officer de Carvalho I.A., Sadana R. et al. The World report on ageing and health: a policy framework for healthy ageing. Lancet. 2016; 387 (10033): 2145–54. DOI: 10.1016/S0140-6736(15)00516-4
  2. Shanmugam V., Harper R., Meredith I. et al. An overview of PCI in the very elderly. J Geriatr Cardiol. 2015; 12 (2): 174–84. DOI: 10.11909/j.issn.1671-5411.2015.02.012
  3. Агафонова О.В., Гриценко Т.А., Богданова Ю.В. и др. Поликлиническая терапия: Учебник. Под ред. Д.И. Давыдкина, Ю.В. Щукина. 2-е изд., перераб. и доп. М.: ГЭОТАР-Медиа, 2020; 840 с. [Agafonova O.V., Gritsenko T.A., Bogdanova Yu.V. et al. Poliklinicheskaya terapiya: Uchebnik. Pod red. D.I. Davydkina, Yu.V. Shchukina. 2-e izd., pererab. i dop. M.: GEOTAR-Media, 2020; 840 s. (in Russ.)]. DOI: 10.33029/9704-5545-6-PLT-2020-1-840
  4. Angela Y.C., Vegard F.S., Stefanos T. et al. Measuring population ageing: an analysis of the Global Burden of Disease Study 2017. Lancet Public Health. 2019; 4: e159–e167. DOI: 10.1016/S2468-2667(19)30019-2
  5. Hogan D.B., MacKnight C., Bergman H. Steering Committee. Canadian Initiative on Frailty and Aging. Models, definitions, and criteria of frailty. Aging Clin. Exp. Res. 2003; 15 (3): 1–29.
  6. Manthorpe J., Iliffe S. Frailty – from bedside to buzzword? J Integrated Care. 2015; 23 (3): 120–8. DOI: 10.1108/JICA-01-2015-0007
  7. Fried L., Tangen C., Walston J. et al. Cardiovascular Health Study Collaborative Research Group. Frailty in older adults: evidence for a phenotype. J Gerontol A Biol Sci Med Sci. 2001; 56: 146–56. DOI: 10.1093/gerona/56.3.m146
  8. Sanchis J., Bonanad C., Ruiz V. et al. Frailty and other geriatric conditions for risk stratification of older patients with acute coronary syndrome. Am Heart J. 2014; 168: 784–91. DOI: 10.1016/j.ahj.2014.07.022
  9. Sanchis J., Ruiz C., Bonanad G. et al. Prognostic value of geriatric conditions beyond age after acute coronary syndrome. Mayo Clin Proc. 2017; 92 (6): 934–9. DOI: 10.1016/j.mayocp.2017.01.018
  10. Zhang S., Meng H., Chen Q. et al. Is frailty a prognostic factor for adverse outcomes in older patients with acute coronary syndrome? Aging Clin Exp Res. 2020; 32: 1435–42. DOI: 10.1007/s40520-019-01311-6
  11. Hao Q., Zhou L., Dong B. et al. The role of frailty in predicting mortality and readmission in older adults in acute care wards: a prospective study. Sci Rep. 2019; 9 (1): 1207. DOI: 10.1038/s41598-018-38072-7
  12. Elisabetta T., Rita P., Simone B. et al. Frailty in patients admitted to hospital for acute coronary syndrome: when, how and why? J Geriatr Cardiol. 2019; 16 (2): 129–37. DOI: 10.11909/j.issn.1671-5411.2019.02.005
  13. Jeremy W., Thomas R., Susan Z. et al. Integrating Frailty Research into the Medical Specialties-Report from a U13 Conference. J Am Geriatr Soc. 2017; 65 (10): 2134–9. DOI: 10.1111/jgs.14902
  14. Pablo D.V., Albert A.S., Maria T.V. et al. Recommendations of the Geriatric Cardiology Section of the Spanish Society of Cardiology for the Assessment of Frailty in Elderly Patients With Heart Disease. Rev Esp Cardiol (Engl Ed). 2019; 72 (1): 63–71. DOI: 10.1016/j.rec.2018.06.035
  15. Baldwin M.R., Reid M.C., Westlake A.A. et al. The feasibility of measuring frailty to predict disability and mortality in older medical intensive care unit survivors. J Crit Care. 2014; 29 (3): 401–8. DOI: 10.1016/j.jcrc.2013.12.019
  16. Papachristou E., Wannamethee S., Lennon L. et al. Ability of self-reported frailty components to predict incident disability, falls, and all-cause mortality: results from a population-based study of older British men. J Am Med Dir Assoc. 2017; 18 (2): 152–7. DOI: 10.1016/j.jamda.2016.08.020
  17. Nidadavolu L.S., Ehrlich A.L., Sieber F.E. Preoperative evaluation of the frail patient. Anesth Analg. 2020; 130 (6): 1493–503. DOI: 10.1213/ANE.0000000000004735
  18. Graham A., Brown C. 4th. Frailty, aging, and cardiovascular surgery. Anesth Analg. 2017; 124 (4): 1053–60. DOI: 10.1213/ANE.0000000000001560
  19. Taneja S., Mitnitski A., Rockwood K. et al. Dynamical network model for age-related health deficits and mortality. Phys Rev E. 2016; 93 (2): 022309. DOI: 10.1103/PhysRevE.93.022309
  20. Mitnitski A., Rutenberg A., Farrell S. et al. Aging, frailty and complex networks. Biogerontology. 2017; 18 (4): 433–46. DOI: 10.1007/s10522-017-9684-x
  21. Farrell S., Mitnitski A., Rockwood K. et al. Network model of human aging: Frailty limits and information measures. Phys Rev E. 2016; 94 (5–1): 052409. DOI: 10.1103/PhysRevE.94.052409
  22. Ambale-Venkatesh B., Yang X., Wu C. et al. cardiovascular event prediction by machine learning: the multi-ethnic study of atherosclerosis. Circ Res. 2017; 121 (9): 1092–101. DOI: 10.1161/CIRCRESAHA.117.311312
  23. Juárez-Cedillo T., Basurto Acevedo L., Vega-Garcia S. et al. Prevalence of anemia and its impact on the state of frailty in elderly people living in the community: SADEM study 2014. Ann Hematol. 2014; 14 (2): 395–402. DOI: 10.1007/s00277-014-2155-4
  24. Kong S., Ahn D., Kim B. et al. A novel fracture prediction model using machine learning in a community-based cohort. JBMR Plus. 2020; 4 (3): e10337. DOI: 10.1002/jbm4.10337
  25. Fuentes-Garcia A. Katz Activities of Daily Living Scale. In: Michalos A.C. Encyclopedia of Quality of Life and Well-Being Research. N.: Springer, Dordrecht. 2014; p.311. DOI: 10.1007/978-94-007-0753-5_1572
  26. Katz S., Downs T.D., Cash H.R. et al. Progress in Development of the Index of ADL. Gerontologist. 1970; 10 (1): 20–30. DOI: 10.1093/geront/10.1_Part_1.20
  27. International Physical Activity Questionnaire. Home. Retrieved available at: https://sites.google.com/site/theipaq [Accessed 18.10.2020].
  28. Lee P.H., Macfarlane D.J., Lam T.H. et al. Validity of the international physical activity questionnaire short form (IPAQ-SF): A systematic review. Int J Behav Nutr Phys Act. 2011; 8: 115. DOI: 10.1186/1479-5868-8-115
  29. Sanchez-Lastra M., Martinez-Lemos I., Cancela J. et al. Physical activity questionnaires: a systematic review and analysis of their psychometric properties in Spanish population over 60 years old. Rev Esp Salud Publica. 2018; 92: e201805018.
  30. Charlson M., Pompei P., Ales K. et al. A new method of classifying prognostic comorbidity in longitudinal studies: development and validation. J Chronic Dis. 1987; 40 (5): 373–83. DOI: 10.1016/0021-9681(87)90171-8
  31. Tseng S., Liu L., Peng L. et al. Development and validation of a tool to screen for cognitive frailty among community-dwelling elders. J Nutr Health Aging. 2019; 23: 904–9. DOI: 10.1007/s12603-019-1235-5
  32. Aimo A., Barison A. Mammini C. et al. The Barthel Index in elderly acute heart failure patients. Frailty matters. Int J Cardiol. 2018; 254: 240–1. DOI: 10.1016/j.ijcard.2017.11.010