Acceso usuarios
China
Antecedentes: la enfermedad hepática asociada a nutrición parenteral (PNALD) es una complicación frecuente en pacientes que reciben nutrición parenteral total (TPN). Nuestro estudio tuvo como objetivo establecer un nomograma para predecir la aparición a corto plazo de pacientes con PNALD e implementar una intervención lo más temprana posible.
Métodos: 187 pacientes que cumplieron los criterios de elección se examinaron retrospectivamente de mayo de 2020 a mayo de 2022.
Se dividieron entre la cohorte de formación y la cohorte de validación. Se utilizó el análisis univariable y multivariado para seleccionar los factores de riesgo del modelo de predicción, que se presentó con un nomograma. La construcción y validación del modelo se realizó usando R versión 4.4.0. La discriminación y la calibración del nomograma se evaluaron mediante el análisis de la curva ROC y las curvas de calibración. Los beneficios netos del nomograma a diferentes umbrales de probabilidad se cuantificaron utilizando el análisis de curva de decisión (DCA).
Resultados: la incidencia de la PNALD en pacientes que recibieron TPN fue del 22,99 %. La ecuación del modelo de regresión logística se construyó a partir de tres factores: tiempo de ayuno, ratio de glicolípidos y ALT mediante el análisis univariable y multivariable: Logit (p) = 0,056 x tiempo de ayuno - 3,721 x ratio de glicolípidos + 0,044 x ALT + 0,518. El valor de AUC (0,695) indicó una capacidad discriminatoria satisfactoria del nomograma. Las parcelas de calibración mostraron una consistencia favorable entre la predicción del nomograma y las observaciones reales, tanto en las cohortes de entrenamiento como en las de validación. Además, el DCA mostró que el nomograma era clínicamente útil y tenía capacidad discriminatoria para reconocer a los pacientes con alto riesgo de PNALD.
Conclusion
Background: parenteral nutrition-associated liver disease (PNALD) is a common complication in patients receiving total parenteral nutrition (TPN).
Our study aimed to establish a nomogram to predict short-term occurrence of PNALD patients and implement intervention early as far as possible.
Methods: 187 patients who met the eligibility criteria were retrospectively screened May 2020 to May 2022. They were further divided into the training cohort and validation cohort. The univariate and multivariate analysis were used to select risk factors for the predictive model which was presented with a nomogram. Model building and validation were done using R version 4.4.0. The discrimination and calibration of the nomogram were evaluated using receiver operating characteristic (ROC) curve analysis and calibration plots. The net benefits of the nomogram at different threshold probabilities were quantified using decision curve analysis (DCA).
Results: the incidence of PNALD in patients who received TPN was 22.99 %. The logistic regression model equation was constructed based on the three factors of fasting time, glycolipid ratio and ALT by the univariate and multivariate analysis: Logit (p) = 0.056 x fasting time - 3.721 x glycolipid ratio + 0.044 x ALT + 0.518. The AUC value (0.695) indicated satisfactory discriminative ability of the nomogram. The calibration plots showed favorable consistency between the prediction of the nomogram and actual observations in both the training and validation cohorts.
Furthermore, DCA showed that the nomogram was clinically useful and had discriminative ability to recognize patients at high PNALD risk.
Conclusions: a nomogram was developed and validated to assist clinicians in predicting possibility of PNALD
