预测尿路结石复发:从MSTONE数据库中重复采集24小时尿液的联合模型分析

科学领域:

• 脏病学和泌尿病学 医学
• 生物统计学和统计建模
• 预防医学 预防医学

背景情况:

• 现有的尿路结石复发 (USR) 模型未能将24小时尿液 (24U) 参数的时间变化纳入其中,并解释了多次复发事件.
• 准确预测USR对于有效的患者管理和预防策略至关重要.
• 患者异质性和风险因素的动态性需要先进的建模技术.

研究的目的:

• 开发和验证一种新的统计方法,用于联合建模24U纵向参数和多重重复性石头事件.
• 通过计算时间变化的生物标志物和多个事件来改善尿路结石复发的预测.
• 确定关键的24U参数与USR风险相关.

主要方法:

• 开发了一个联合循环模型,将24U纵向数据的线性混合效应模型与具有AR(1) 结构的循环事件模型集成在一起.
• 一个混合疗法组件被纳入,以解决患者异质性和没有复发的可能性.
• 该模型应用于MSTONE数据库 (2001年5月至2015年4月),并与多变量考克斯回归和条件普伦蒂斯-威廉姆斯-彼得森回归进行比较.

主要成果:

• 与现有方法相比,联合循环模型显示出优异的预测性能.
• 在几个24U参数和USR之间发现了显著的关联,包括尿液pH,总体积,,尿酸,和酸盐.
• 例如,更高的尿液pH (aHR=1.991) 和尿酸 (aHR=1.528) 与增加USR风险有关,而更高的总体体积 (aHR=0.700) 和酸盐 (aHR=0.796) 与降低风险有关.

结论:

• 新的联合循环模型有效地解决了以前的USR预测方法的局限性,通过结合时间趋势和多个事件.
• 24U参数是USR的关键预测指标,强调它们在临床监测和预防策略中的重要性.
• 对于有石头病史的患者,建议定期进行24U测试,以监测风险并预防未来的复发.