Arq Bras Cardiol abc Arquivos Brasileiros de Cardiologia Arq. Bras. Cardiol. 0066-782X 1678-4170 Sociedade Brasileira de Cardiologia - SBC KMwTr87djVtYQRFtMLx8T5t S0066-782X2021005013202 S0066-782X2021001200615 abc.20200435 10.36660/abc.20200435 Artigo Original Escore de Risco Clínico Simples para Prever a Mortalidade Pós-Alta Hospitalar em Pacientes Chineses Hospitalizados por Insuficiência Cardíaca 0000-0002-8896-8176 Wang Lei 1 * 0000-0001-6816-3875 Wang Li-Qin 2 * 0000-0001-7369-6131 Gu Mo-Li 1 0000-0003-3814-8185 Li Liang 1 0000-0003-3778-2782 Wang Chen 1 0000-0002-2497-629X Xia Yun-Feng 1 Departamento de Medicina Geriátrica Fourth Medical Center Chinese PLA General Hospital Beijng China Departamento de Medicina Geriátrica, the Fourth Medical Center, Chinese PLA General Hospital, Beijng - China Departamento de Enfermagem Eighth Medical Center Chinese PLA General Hospital Beijng China Departamento de Enfermagem, the Eighth Medical Center, Chinese PLA General Hospital, Beijng - China Correspondência: Xia Yunfeng • Fourth Medical Center of PLA General Hospital - No.51 Fucheng Road, Haidian District Beijing 100048 – China E-mail: yunfengxia111@163.com

Os autores contribuíram igualmente para esse artigo

Contribuição dos autores

Concepção e desenho da pesquisa e Redação do manuscrito: Wang L, Yun-Feng X; Obtenção de dados: Li-Qin W, Mo-Li G; Análise e interpretação dos dados: Li Liang; Análise estatística: Li-Qin W, Li Liang, Wang C; Obtenção de financiamento: Mo-Li G, Wang C; Revisão crítica do manuscrito quanto ao conteúdo intelectual importante: Wang L, Mo-Li G, Li Liang, Yun-Feng X.

Potencial conflito de interesse

Não há conflito com o presente artigo

 13 08 2021 10 2021 117 4 615 623 07 05 2020 10 09 2020 04 11 2020 This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Resumo Fundamento

Doenças cardiovasculares são a principal causa de morte na China. Entretanto, os esforços atuais para se identificar os fatores de risco de morte em pacientes hospitalizados com insuficiência cardíaca (IC) estão direcionados principalmente para a mortalidade durante a internação e a mortalidade após 30 dias nos Estados Unidos. Dessa forma, é necessário um modelo semelhante ao modelo utilizado para prever o risco considerado para procedimentos cirúrgicos cardiovasculares em pacientes para avaliar o risco de pacientes internados com diagnóstico de IC.

 Objetivo

Identificar variáveis que podem prever a mortalidade por IC um ano após a alta hospitalar, e desenvolver um escore de risco para avaliar o risco de morte no período de um ano.

 Métodos

No presente estudo, 1.742 pacientes chineses com IC foram divididos aleatoriamente em dois grupos: um grupo de amostra de derivação e um grupo de amostra de teste. O método de simulação Monte Carlo via Cadeias de Markov foi usado para identificar variáveis que podem prever a mortalidade um ano após a alta hospitalar. Variáveis com uma frequência >1% na análise bivariada, e que foram consideradas clinicamente significativas, foram qualificadas para análises de modelagens posteriores. A probabilidade posterior de que uma variável estava estatística e significativamente associada ao resultado foi calculada como o número total de vezes em que o IC de 95% da variável não coincidiu com 1 (ou seja, o ponto de referência), dividido pelo número total de iterações. Uma variável com uma probabilidade de 0,9 ou mais alta foi considerado um fator de risco robusto para prever o resultado, e foi incluída na lista final de variáveis. O nível de significância estatística adotado foi 5%.

 Resultados

Cinco variáveis que pudessem prever de maneira robusta a mortalidade um ano após a alta hospitalar foram identificadas: idade, sexo feminino, escore da New York Heart Association (Associação de Cardiologia de Nova Iorque) >3, diâmetro do átrio esquerdo, e índice de massa corporal. Os modelos de derivação e de teste tiveram uma área de curva característica de operação do receptor de 0,79. Essas variáveis selecionadas foram utilizadas para avaliar o escore de risco de mortalidade por IC após um ano, e este foi dividido em três grupos (baixo, moderado e alto). O grupo de alto risco corresponde a aproximadamente 86% das mortes, e o grupo de risco moderado corresponde a 12% das mortes.

 Conclusão

Um escore de risco de 5 variáveis simples pode ser utilizado para avaliar a mortalidade um ano após a alta hospitalar de pacientes internados com IC.

 Insuficiência Cardíaca Pontuação de Propensão Mortalidade Alta Hospitalar Epidemiologia Introdução

Doenças cardiovasculares são a principal causa de morte na China, correspondendo a aproximadamente 22,5% de todas as mortes.1 A insuficiência cardíaca (IC) é a décima-segunda principal causa de internação hospitalar na China, e quatro milhões de chineses sofrem dessa doença.1 No geral, a IC na China tem um prognóstico especialmente ruim, com até 40% dos pacientes morrendo por IC no período de um ano.1 A carga financeira da IC também é considerável.2

Entretanto, os esforços atuais para se identificar os fatores de risco de morte em pacientes hospitalizados por IC, tais como o escore de risco de Framingham, estão voltados principalmente para a mortalidade durante a internação hospitalar3 , 4 e a mortalidade após 30 dias nos Estados Unidos.5 , 6 Como a IC é uma doença crônica, a identificação dos fatores de risco de mortalidade de pacientes com IC no longo prazo poderia beneficiar os pacientes. Um modelo semelhante ao modelo utilizado para prever o risco considerado para procedimentos cirúrgicos cardiovasculares em pacientes pode ser utilizado para avaliar o risco de pacientes internados com diagnóstico de IC.7 Considerando-se o aumento da carga de IC na China, é importante encontrar meios para a estratificação de pacientes com base no risco, no momento do diagnóstico inicial e no momento da alta. Além disso, como a população asiática representa aproximadamente 5% da população dos Estados Unidos e a população chinesa representa 20% da população mundial, os escores de risco desenvolvidos com base em populações ocidentais geralmente estimam incorretamente o risco para populações asiáticas.8 Portanto, é importante desenvolver ferramentas clinicamente relevantes para chineses e outros grupos asiáticos. Uma ferramenta que pudesse especificamente indicar a probabilidade de mortalidade após um ano em pacientes chineses com IC teria grande utilidade clínica, pois teria o potencial de orientar a tomada de decisão clínica e de identificar pacientes que têm mais probabilidade de precisar de um monitoramento pós-alta intenso. Além disso, como a raça, a etnia, e o país de origem têm um grande impacto nos resultados clínicos, é importante desenvolver uma avaliação de risco específica para o grupo de interesse, ou seja, os pacientes chineses com IC.

O presente estudo tem o objetivo de identificar fatores de risco que estão mais fortemente correlacionados à mortalidade após um ano entre pacientes chineses com IC, e de desenvolver um escore de risco simples para avaliar o risco de mortalidade um ano após a alta hospitalar nesses pacientes.

 Métodos Sujeitos

O presente estudo foi aprovado pelo Comitê de Ética de nosso hospital, e todos os pacientes assinaram o termo de consentimento informado.

O coorte do estudo foi extraído do Beijing Monitoring Heart Failure Patients and Building Heart Failure Management Network Study (Estudo de monitoramento de pacientes com insuficiência cardíaca e de construção de rede de gestão da insuficiência cardíaca de Pequim), que incluiu todos os pacientes com idade ≥20 anos hospitalizados por IC em dos 14 hospitais designados em Pequim, na China, entre 10 de outubro de 2015 e 9 de outubro de 2017. Esses pacientes foram divididos aleatoriamente em dois grupos usando um método de tabela aleatória: um grupo de amostra de derivação e um grupo de amostra de teste. As informações sobre mortalidade após um ano foram obtidas por entrevistas telefônicas pós-alta hospitalar.

 Candidatas a variáveis de risco e variáveis de resultado

As candidatas a variáveis de risco incluíram as características demográficas (idade, sexo, e índice de massa corporal [IMC]), histórico médico e comorbidades, fatores de estilo de vida, cirurgias cardíacas prévias, achados clínicos e resultados de testes laboratoriais. A idade e o IMC foram medidos como variáveis contínuas, enquanto sexo foi codificado como feminino (sim/não). O histórico médico incluiu histórico de infarto do miocárdio agudo (IMA), histórico de IC, e histórico de doença cardíaca coronária (DCC), diabetes tipo I ou tipo II, e hipertensão. Cirurgias cardíacas prévias incluíram cirurgias de válvula anteriores. Os achados clínicos incluíram o escore de classificação funcional da New York Heart Association (NYHA) (classe >3) e fração de ejeção ventricular esquerda (<40%). Fatores de estilo de vida incluíram histórico de tabagismo, tabagismo atual e consumo de álcool. Os dados de testes laboratoriais incluíram a frequência cardíaca, a pressão arterial, e o diâmetro do átrio esquerdo (em milímetros), que foi medido como variável contínua.

A variável de resultado foi a mortalidade por IC um ano após a alta hospitalar, definida como morte por qualquer causa que tenha ocorrido após uma internação hospitalar por IC registrada. As informações sobre mortalidade foram obtidas por meio de entrevistas telefônicas com esses pacientes. A última entrevista foi realizada em 19 de fevereiro de 2019. Se um paciente tivesse morrido dentro de um ano após a alta, a data da morte era obtida de familiares. Pacientes foram excluídos da amostra do estudo quando nem eles, nem seus familiares puderam ser contactados.

 Análise estatística

Os dados do grupo de amostra de derivação e o grupo de amostra de teste foram comparados pelo teste qui-quadrado em relação às variáveis categóricas e testes t não pareados em relação às variáveis contínuas. Em seguida, o julgamento clínico e a análise de correlação bivariada de Spearman foram utilizados para identificar candidatas a variáveis que possam estar associadas à mortalidade um ano após a alta hospitalar. Variáveis com uma frequência >1% na análise bivariada, e que foram consideradas clinicamente significativas, foram qualificadas para análises de modelagens posteriores. Para as observações em que faltavam dados, foi criada uma variável dummy para atribuir um valor de 0 quando o valor da variável estava presente, e um valor de 1 quando a variável não estava presente. Em seguida, os valores que faltavam foram substituídos pela mediana dos valores presentes daquela variável contínua, e as variáveis contínuas e dummy foram incluídas no modelo. Esse método para modelagem dos dados faltantes considerou que esses dados faltavam aleatoriamente, e permitiu a inclusão de todos os casos disponíveis, embora não tenha sido tão eficiente quanto procedimentos de imputação múltipla.

O método de simulação Monte Carlo via Cadeias de Markov (MCMC) foi usado juntamente com a técnica de regressão logística para identificar um conjunto final de fatores de risco que podem prever a mortalidade por IC um ano após a alta hospitalar. As simulações foram feitas com 10.000 iterações para a amostra de derivação, e um modelo logístico foi ajustado a cada iteração, produzindo um conjunto de variáveis que são “estatisticamente significativas”, ou associadas ao resultado. Dessa forma, 10.000 iterações da simulação produziram 10.000 conjuntos de razões de chance (RC) e intervalos de confiança (IC) de 95%, indicando o nível de significância da associação de cada variável com o resultado. A probabilidade posterior de que uma variável estava estatisticamente e significativamente associada ao resultado foi calculada como o número total de vezes em que o IC de 95% da variável não coincidiu com 1 (ou seja, o ponto de referência), dividido pelo número total de iterações. Uma variável com uma probabilidade de 0,9 ou mais alto foi considerado um fator de risco robusto para prever o resultado, e foi incluído na lista final de variáveis. Esse método foi utilizado em outros estudos.9 A área sob a curva característica de operação do receptor (ROC) foi calculada para cada modelo ajustado por iteração, para se avaliar seu poder discriminatório.10

 Desenvolvimento do escore de risco

Com base nos resultados da simulação, foi construído um escore de risco simples, baseado em variáveis selecionadas para avaliar a mortalidade após um ano. Cada variável foi ponderada utilizando-se o coeficiente padronizado (CP) específico da variável obtido de um modelo logístico baseado na amostra de derivação original, com a mortalidade após um ano como resultado, e as variáveis selecionadas como variáveis independentes. O CP, que mediu a mudança de coeficiente para uma alteração de desvio padrão (DP) na variável independente, teve o objetivo de representar a importância relativa da variável independente num modelo de regressão. Isso permite fazer a comparação entre variáveis independentes utilizando-se unidades comuns. O escore de risco para cada observação, nas amostras de derivação e de validação, foi calculado como: Escore = ∑ Pesoi ⋅ Variáveli, em que pesoi = SCi / ∑ |SC|, e i = 1, 2, 3, …, número total de variáveis selecionadas finais. Em seguida, cada peso foi redimensionado por 100 para permitir que o escore seja uma prática de fácil utilização, com exceção do peso da idade, que é dimensionado apenas em 10. Cada peso foi posteriormente arredondado para cima ou para baixo, até seu número inteiro mais próximo em intervalos de 5 (por exemplo, 32,5 para 30,0, ou 18,0 para 20,0). A idade foi arredondada para baixo até seu patamar mais próximo, com um ponto decimal. Por último, uma base de 100 foi adicionada ao risco para garantir que não houvesse valores negativos nos escores. Para validar e testar esse escore de risco, dois modelos logísticos foram ajustados. Um modelo utilizou variáveis individuais que foram selecionadas na simulação MCMC como variáveis independentes, e o outro modelo utilizou o escore de risco como variável independente. Esses dois modelos foram ajustados com amostras de derivação e de teste, e os valores de r quadrado e ROC foram calculados de ambos os modelos para avaliar o desempenho do escore de risco. Todos os testes estatísticos foram bilaterais e tiveram um nível de significância de 5%, e todas as análises foram realizadas utilizando-se a o software SAS versão 9.3 versão de 64 bits (SAS Institute Inc., Cary, Carolina do Norte, EUA). Todas as variáveis contínuas foram distribuídas normalmente como testadas pelos testes de Shapiro-Wilk. As variáveis contínuas com distribuição normal são descritas utilizando-se média e desvio padrão.

 Resultados Características do paciente

O coorte final do estudo incluiu um total de 1.742 pacientes com IC. Entre esses pacientes, as amostras de derivação e de teste incluíram 882 e 860 pacientes, respectivamente. A idade média (DP) do coorte foi de 57,0 (12,5) anos, e 9,5% desses pacientes tinham 40 anos de idade ou menos, enquanto 30,9% desses pacientes tinham idade igual ou superior a 65 anos. Além disso, 19,9% desses pacientes eram mulheres. As características dos pacientes nas amostras de derivação e de validação eram comparáveis ( Tabela 1 ). Não houve diferenças significativas entre esses dois grupos em termos de idade, sexo, diâmetro do átrio esquerdo, frequência cardíaca, FEVE <40 (%), IMA (%), NYHA >3 (%), DCC (%), DM (%), HTN (%), cirurgia de válvula (%), histórico de tabagismo (%), consumo de álcool (%), e mortalidade após um ano (%). Entretanto, não houve diferenças significativas entre esses dois grupos em termos de frequência cardíaca >100 (%) e IC (%). Não houve diferenças significativas em termos de medicamentos e consultas médicas durante o acompanhamento, nem diferenças significativas em resultados de testes laboratoriais entre todos os pacientes.

– Características de linha de base da população do estudo
Características do paciente Geral (n=1742) Amostra de derivação (n=882) Amostra de teste (n=860) Valor de p
Dados demográficos Idade, média (DP) anos 57,1 (12,4) 57,0 (12,4) 57,1 (12,5) 0,9295
Idade faltante, n=4 (%) 0,2 0,2 0,2 0,9798
Feminino (%) 19,9 19,8 19,9 0,9823
IMC, média (DP) 25,1 (3,4) 25,1 (3,4) 25,0 (3,4) 0,3455
IMC faltante, n=0 (%) 0 0 0
Achados clínicos e testes laboratoriais
Diâmetro do átrio esquerdo (mm), média (DP) 39,9 (7,9) 40,0 (8,1) 39,9 (7,7) 0,823
Tamanho do átrio esquerdo faltante, n=66 (%) 3,8 4,2 3,1 0,1611
Frequência cardíaca, média (DP) 73,0 (14,0) 73,3 (14,8) 72,7 (13,2) 0,8762
Frequência cardíaca faltante, n=12 (%) 0,7 0,5 0,9 0,2291
Frequência cardíaca >100 (%) 4,5 5,6 3,4 0,0276
FEVE <40 (%) 35,5 35,8 35,1 0,7564
FEVE faltante, n=0(%) 0 0 0
Histórico médico
IC (%) 18,1 20,2 15,8 0,0177
IMA (%) 22,6 23,4 21,9 0,4557
NYHA >3(%) 42,7 42,6 42,8 0,9461
DCC (%) 71,2 70,4 72,0 0,4699
DM (%) 27,8 27,2 28,4 0,5885
TxC (%) 63,6 62,7 64,5 0,4258
Cirurgia de válvula (%) 6,1 6,8 5,4 0,2044
Estilo de vida
Tabagismo (%) 57,8 57,6 57,9 0,8956
Consumo de álcool (%) 35,1 34,5 35,8 0,5561
Mortalidade após um ano (%) 6,5 7,3 5,8 0,2236

NYHA: Escore de classificação funcional da New York Heart Association, IMC: Índice de massa corporal, DCC: Doença cardíaca coronária, IC: Insuficiência cardíaca, IMA: Infarto do miocárdio agudo, DM: Diabetes tipo I ou tipo II, HTN: Hipertensão. Dados contínuos foram analisados por teste t. Dados categóricos foram analisados por teste qui-quadrado. P<0,05 é significativo.

Variáveis de risco para previsão da mortalidade por IC após um ano

Os índices de mortalidade após um ano observados nas amostras de derivação e validação foram 7,3% e 5,8%, respectivamente (p = 0,2236). A Figura 1 apresenta a probabilidade de que cada variável seja associada à mortalidade por IC após um ano. Cinco variáveis, incluindo idade, sexo feminino, IMC, diâmetro do átrio esquerdo, e classe NYHA >3, tinham uma probabilidade de 0,9 ou mais alta de associação significativa com a mortalidade após um ano. Elas foram identificadas como as variáveis finais ( Figuras 1a e 1b ). A Tabela 2 ilustra as RC, CP, e IC de 95% para cada uma das cinco variáveis selecionadas no conjunto de dados de derivação. A área sob a curva ROC desse modelo baseado em 5 variáveis foi 0,789, com um r quadrado de 0,1761 e uma bondade do ajuste de 0,9013. A capacidade preditiva variou de 0,04, no decil mais baixo, a 0,43 no decil mais alto, indicando que o modelo tem bom poder discriminatório ( Figura 1c ). Esse modelo também se comportou de maneira semelhante ao conjunto de dados de teste ( Figura 1d e Tabela 3 ).

– <italic>Seleção variável e desenvolvimento de modelo para escore de risco.</italic>

– Fatores de risco e pesos correspondentes no escore de risco clínico
Características do paciente Probabilidade posterior* Razões de chance (IC 95%) Coeficiente padronizado Peso inicial Direção Peso redimensionado
Idade, anos 0,969 1,03 (1.01-1.05) 0,1864 0,155891946 1,5
Feminino 0,02 0,44 (0.20-0.97) -0,1796 0,150204901 (-) -15
diâmetro do átrio esquerdo (mm) 0,993 1,05 (1.02-1.09) 0,2157 0,180396421 20
IMC 0,001 0,89 (0.82-0.96) -0,2254 0,188508823 (-) -20
NYHA > 3 1,000 4,2 (2.07-8.34) 0,3886 0,324997909 30

*Probabilidade posterior de que a característica aumente a probabilidade de morte por IC após um ano. Uso do escore: Score = 100 + 1.5age – 15female + 20 leftatrium – 20 BMI + 30 NYHA_3 em que NYHA_3 denota o escore de classificação funcional da New York Heart Association >3. Considerando uma paciente específica, de 45 anos de idade, do sexo feminino, com IC, IMC de 23, e diâmetro do átrio esquerdo de 30, e classificação NYHA =2, o escore de risco de mortalidade um ano pós-alta hospitalar para essa paciente pode ser calculado utilizando-se a seguinte fórmula: Escore=100 + 1,5×45 -15×1 + 20×30 - 20×23 + 30×0=322,5. O escore de risco fica entre a faixa de risco baixo e a de risco moderado.

– Desempenho do modelo nos diferentes escores de risco
Amostra Modelo baseado em 5 fatores de risco Modelo baseado em fatores de risco
ROC R-quadrado redimensionado máximo Teste de Hosmer e Lemeshow ROC R-quadrado redimensionado máximo Teste de Hosmer e Lemeshow
Derivação 0,789 0,1761 0,9013 0,75 0,1159 0,0243
Teste 0,792 0,1514 0,3725 0,771 0,097 0,005
Geral 0,7858 0,1589 0,5945 0,759 0,1069 0,003

Escore de risco

O escore de risco foi construído utilizando-se as estimativas de CP da Tabela 2 . A equação de cálculo também está listada na Tabela 2 . A média (DP) do escore de risco baseado em amostra de derivação foi de 492,5 (177,1), com uma faixa de 89,9-1195,63, e a média (DP) do escore baseado em amostra de teste foi de 493,0, com uma faixa de 89,9-1073,9. A diferença em escores médios entre as amostras de derivação e de teste não era estatisticamente significativa (p = 0,7324). O escore de risco foi utilizado como variável independente para ajustar a um modelo logístico, o que produziu uma área sob a curva ROC de 0,75 e 0,77 para as amostras de derivação e de teste, respectivamente ( Tabela 3 ). A Figura 2 mostra a distribuição do escore de risco ( Figura 2a e 2b ) e a relação exponencial entre o escore e a probabilidade de mortalidade por IC um ano após a alta hospitalar ( Figura 2c ).

– <italic>Distribuição do escore de risco.</italic>

O escore de risco tem boa capacidade preditiva. Com a amostra de derivação, as probabilidades médias previstas para mortalidade após um ano foram de 0,15 e 0,07 para aqueles que morreram dentro do período de um ano e aqueles que sobreviveram após o período de um ano, respectivamente. Esse padrão foi semelhante para a amostra de teste, as probabilidades médias previstas para mortalidade após um ano foram de 0,14 e 0,07 para aqueles que morreram e aqueles que sobreviveram, respectivamente. O escore de risco foi dividido em três faixas baseadas em sua distribuição: (1) risco baixo, se o escore fosse <300; (2) risco moderado se o escore fosse ≥300 e ≤800; (3) risco alto se o escore fosse >800. As proporções de pacientes em cada um desses três grupos de risco foram as seguintes: 11,7% para grupos de risco baixo, 73,8% para grupos de risco moderado, e 14,5% para grupos de alto risco. A Figura 2d mostra as taxas de mortalidade após um ano por risco de grupo e pelas amostras de derivação e de teste. A Figura 3 mostra a distribuição da pontuação de risco por grupos que morreram e sobreviveram.

– <italic>Distribuição do escore de risco entre os grupos de óbito e sobreviventes.</italic>

Discussão

O desenvolvimento de um modelo de risco de IC específico para a população chinesa é importante, considerando-se que os escores de risco existentes, tais como o amplamente utilizado escore de risco de Framingham, são desenvolvidos principalmente nos Estados Unidos, e não conseguem estimar corretamente o risco em populações asiáticas.8 - 12 O presente estudo desenvolveu e validou um escore de risco de 5 variáveis simples para avaliar o risco de mortalidade após um ano em pacientes chineses com IC. Esse escore simples pode ser adicionado à avaliação atual de pacientes antes da alta hospitalar, para proporcionar uma base para que os médicos possam alocar melhor os recursos e identificar pacientes que possam precisar cuidados após a alta. As variáveis finais identificadas no presente estudo foram consistentes com os fatores de risco identificados em coortes ocidentais. Além da idade e da classificação NYHA, que são fatores de risco de mortalidade por IC bem conhecidos, identificou-se que o sexo feminino e o IMC são fatores de proteção dentro do coorte chinês, consistente com os achados baseados na população ocidental.13 , 14 Da mesma forma, identificou-se que o diâmetro do átrio esquerdo estava associado à hospitalização por IC e morte.15

O número de pacientes dentro do presente coorte foi semelhante aos escores de risco desenvolvidos para outras populações com IC.16 Além disso, em comparação com os estudos anteriores, o presente estudo tem vários pontos fortes. Primeiramente, diferentemente de estudos anteriores que avaliaram o risco de mortalidade em curto prazo em pacientes com IC, o presente estudo focou em resultados em longo prazo. Segundo, estes presentes resultados são específicos para pacientes chineses, já que não são derivados de dados obtidos de outros grupos raciais ou étnicos. Portanto, isto se aplica mais a pacientes chineses, em comparação com escores de risco baseados largamente em coortes ocidentais. Por exemplo, o tamanho de efeito entre IMC e mortalidade por IC pode variar entre a população ocidental e a chinesa, uma vez que a população chinesa tem um padrão de gordura corporal diferente do dos grupos populacionais ocidentais. Como resultado, o critério de IMC universal desenvolvidos pela Organização Mundial de Saúde (OMS) não é adequado para a população chinesa e outras populações asiáticas.17 , 18 Da mesma forma, o tamanho de efeito entre o diâmetro do átrio esquerdo e a mortalidade por IC entre a população chinesa e a população ocidental pode variar, mostrando que caucasianos geralmente têm um diâmetro do átrio esquerdo maior.19 Entretanto, estudos e explorações posteriores são necessários para quantificar essas diferenças. O presente escore foi desenvolvido usando um método estatístico robusto e foi validado utilizando-se dados adicionais. Também houve uma alta concordância com os resultados de derivação. Estas cinco presentes variáveis parecem atender aos critérios de variável ideal. Elas não são afetadas por interpretações clínicas, são amplamente aceitas, estão disponíveis no momento da internação, e podem ser facilmente coletadas.20 Por último, ao identificar os componentes modificáveis do presente escore de risco, os serviços de saúde pública podem ser desenvolvidos para resolver esses problemas específicos. Considerando a extraordinariamente grande população da China, esse escore poderia permitir o uso direcionado de recursos médicos e de saúde pública que não inevitavelmente limitados.

O presente estudo tem várias limitações comumente observadas no desenvolvimento de escores de risco baseados em dados clínicos. Isso não leva em conta fatores, tais como a qualidade do médico e do cuidado hospitalar, influências socioeconômicas, ou acesso ao cuidado. Os limiares de risco baixo, intermediário e alto foram baseados naquilo que os pesquisadores consideraram ser risco aceitável dentro de cada categoria. Além disso, informações importantes sobre tratamento, tais como tratamentos farmacológicos e por intervenção, incluindo inibidores de enzima de conversão de angiotensina, bloqueadores de receptores da angiotensina, betabloqueadores, e diuréticos, marca-passos biventriculares, e cardioversores desfibriladores implantáveis, não foram incluídos no modelo. Exames laboratoriais, tais como níveis de hemoglobina e sódio, não foram incluídos no modelo. Finalmente, os pacientes amostrados estavam em 14 hospitais em Pequim, uma das maiores cidades da China. Pode haver diferenças entre as características e o cuidado desses pacientes com IC em relação a residentes de áreas mais rurais ou remotas, que não são levados em consideração. Esse é um achado que foi observado ao se avaliar o risco cardiovascular na China.21 Além disso, 42% dos pacientes têm classificação NYHA >3, e o índice de mortalidade é de apenas 6,5%, o que deve ser avaliado em mais detalhes em detalhes futuros. No entanto, embora vários fatores clínicos não tenham sido incorporados à análise, o objetivo do estudo foi desenvolver uma ferramenta simples com variáveis facilmente definíveis para ajudar os médicos.

O presente escore pode ser utilizado para identificar pacientes de alto risco para garantir melhor cuidado após a alta. Dessa forma, ele pode ser usado como guia para médicos planejarem o cuidado de pacientes com IC, derivado de resultados baseados em evidências de pesquisas relevantes e confiáveis. Portanto, os resultados do presente estudo oferecem uma abordagem ao cuidado de saúde, que promove a coleta, a interpretação, e a integração de evidências válidas, importantes e aplicáveis, que estão relacionadas ao paciente, são observadas pelo clínico, e são derivadas de pesquisa, além do uso dessas evidências para ajudar a tomada de decisão.

 Conclusão e direcionamentos futuros

Foi demonstrado um modelo para desenvolvimento de um escore de risco que é diretamente aplicável a pacientes chineses com IC. Isso poderia garantir melhor que fatores genéticos e ambientais de um grupo específico sejam levados em consideração e possam ser usados como estrutura para o desenvolvimento de escores de riscos em outros grupos raciais e étnicos.

 Referências 1. Jiang H, Ge J. Epidemiology and clinical management of cardiomyopathies and heart failure in China. Heart. 2009;95(21):1727-31. Jiang H Ge J Epidemiology and clinical management of cardiomyopathies and heart failure in China Heart 2009 95 21 1727 1731 2. Kaul P, McAlister FA, Ezekowitz JA, Grover VK, Quan H. Ethnic differences in 1-year mortality among patients hospitalised with heart failure. Heart 2011;97:1048-53. Kaul P McAlister FA Ezekowitz JA Grover VK Quan H Ethnic differences in 1-year mortality among patients hospitalised with heart failure Heart 2011 97 1048 1053 3. Vaughan-Sarrazin MS, Hannan EL, Gormley CJ, Rosenthal GE. Mortality in Medicare beneficiaries following coronary artery bypass graft surgery in states with and without certificate of need regulation. Jama 2002;288(15):1859-66. Vaughan-Sarrazin MS Hannan EL Gormley CJ Rosenthal GE Mortality in Medicare beneficiaries following coronary artery bypass graft surgery in states with and without certificate of need regulation Jama 2002 288 15 1859 1866 4. Hannan EL, Stone CC, Biddle TL, DeBuono BA. Public release of cardiac surgery outcomes data in New York: what do New York state cardiologists think of it? Am Heart J. 1997;134(1):1120-8. Hannan EL Stone CC Biddle TL DeBuono BA Public release of cardiac surgery outcomes data in New York: what do New York state cardiologists think of it? Am Heart J 1997 134 1 1120 1128 5. Murphy GJ, Ascione R, Caputo M, Angelini GD. Operative factors that contribute to post-operative atrial fibrillation: insights from a prospective randomized trial. Card Electrophysiol Rev. 2003;7(2):136-9. Murphy GJ Ascione R Caputo M Angelini GD Operative factors that contribute to post-operative atrial fibrillation: insights from a prospective randomized trial Card Electrophysiol Rev 2003 7 2 136 139 6. Mathew JP, Fontes ML, Tudor IC, et al. A multicenter risk index for atrial fibrillation after cardiac surgery. JAMA. 2004;291(14):1720-9. Mathew JP Fontes ML Tudor IC et al A multicenter risk index for atrial fibrillation after cardiac surgery JAMA 2004 291 14 1720 1729 7. Davila-Roman VG, Kouchoukos NT, Schechtman KB, Barzilai B. Atherosclerosis of the ascending aorta is a predictor of renal dysfunction after cardiac operations. J Thorac Cardiovasc Surg. 1999;117(1):111-6. Davila-Roman VG Kouchoukos NT Schechtman KB Barzilai B Atherosclerosis of the ascending aorta is a predictor of renal dysfunction after cardiac operations J Thorac Cardiovasc Surg 1999 117 1 111 116 8. Barzi F, Patel A, Gu D, Sretara P, Lam T, Asia Pacific Comunity et al. Cardiovascular risk prediction tools for populations in Asia. J Epidemiol Comm Health. 2007;61(2):115-21. Barzi F Patel A Gu D Sretara P Lam T Asia Pacific Comunity et al Cardiovascular risk prediction tools for populations in Asia J Epidemiol Comm Health 2007 61 2 115 121 9. Wang Y. A Multinomial Logistic Regression Modeling Approach for Anomaly Intrusion Detection. Computers and Security 2005;24:662-74. Wang Y A Multinomial Logistic Regression Modeling Approach for Anomaly Intrusion Detection Computers and Security 2005 24 662 674 10. Hosmer D, Lemeshow, S. Applied logistic regression, 2nd ed Philadelphia: Wiley & Sons, Inc.; 2000. Hosmer D Lemeshow S Applied logistic regression 2nd Philadelphia Wiley & Sons, Inc. 2000 11. Palaniappan LP, Wong EC, Shin JJ, Fortmann SP, Lauderdale DS. Asian Americans have greater prevalence of metabolic syndrome despite lower body mass index. Int J Obes (Lond) 2011;35(3):393-400. Palaniappan LP Wong EC Shin JJ Fortmann SP Lauderdale DS Asian Americans have greater prevalence of metabolic syndrome despite lower body mass index Int J Obes (Lond) 2011 35 3 393 400 12. Palaniappan LP, Araneta MR, Assimes TL, Barrett- Connor EI, Carnethon E, Criqui M, et al. Call to action: cardiovascular disease in Asian Americans: a science advisory from the American Heart Association. Circulation 2010;122(12):1242-52. Palaniappan LP Araneta MR Assimes TL Barrett- Connor EI Carnethon E Criqui M et al Call to action: cardiovascular disease in Asian Americans: a science advisory from the American Heart Association Circulation 2010 122 12 1242 1252 13. Adams KF, Jr., Sueta CA, Gheorghiade M, O’Connor CM, Schwartz TA, Koch AA. et al. Gender differences in survival in advanced heart failure. Insights from the FIRST study. Circulation 1999;99(14):1816-21. Adams KF Jr. Sueta CA Gheorghiade M O’Connor CM Schwartz TA Koch AA et al Gender differences in survival in advanced heart failure. Insights from the FIRST study Circulation 1999 99 14 1816 1821 14. Oreopoulos A, Padwal R, Kalantar-Zadeh K, Fonarow GC, Norris CM, McAlister FA. Body mass index and mortality in heart failure: a meta-analysis. Am Heart J.2008;156(1)13-22. Oreopoulos A Padwal R Kalantar-Zadeh K Fonarow GC Norris CM McAlister FA Body mass index and mortality in heart failure: a meta-analysis Am Heart J 2008 156 1 13 22 15. Rossi A, Temporelli PL, Quintana MF, Ghio S, Hillis G, Dini F, et al. Independent relationship of left atrial size and mortality in patients with heart failure: an individual patient meta-analysis of longitudinal data (MeRGE Heart Failure). Eur J Heart Fail .2009;11(10):929-36. Rossi A Temporelli PL Quintana MF Ghio S Hillis G Dini F et al Independent relationship of left atrial size and mortality in patients with heart failure: an individual patient meta-analysis of longitudinal data (MeRGE Heart Failure) Eur J Heart Fail 2009 11 10 929 936 16. O’Connor CM, Whellan DJ, Wojdyla D, Leifer E, Clark RM, Fini RJ, et al. Factors related to morbidity and mortality in patients with chronic heart failure with systolic dysfunction: the HF-ACTION predictive risk score model. Circ Heart Fail.2012;5(1):63-71. O’Connor CM Whellan DJ Wojdyla D Leifer E Clark RM Fini RJ et al Factors related to morbidity and mortality in patients with chronic heart failure with systolic dysfunction: the HF-ACTION predictive risk score model Circ Heart Fail 2012 5 1 63 71 17. World Health Organization. (WHO). Obesity: preventing and managing the global epidemic: WHO technical report series n.o 894. Geneva;2000. World Health Organization. (WHO) Obesity: preventing and managing the global epidemic: WHO technical report series 894 Geneva 2000 18. Shiwaku K, Anuurad E, Enkhmaa B, Kitajima K, Yamane Y, Appropriate BMI for Asian populations. Lancet -.2004; 363(9414):1077. DOI: 10.1016/S0140-6736(04)15856-X Shiwaku K Anuurad E Enkhmaa B Kitajima K Yamane Y Appropriate BMI for Asian populations Lancet 2004 363 9414 1077 10.1016/S0140-6736(04)15856-X 19. Gottdiener JS, Reda DJ, Williams DW, Materson BJ. Left atrial size in hypertensive men: influence of obesity, race and age. J Am Coll Cardiol. 1997;29(3):651–8. Gottdiener JS Reda DJ Williams DW Materson BJ Left atrial size in hypertensive men: influence of obesity, race and age J Am Coll Cardiol 1997 29 3 651 658 20. Radford MJ, Heidenreich PA, Bailey SR, et al. ACC/AHA 2007 Methodology for the Development of Clinical Data Standards: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Data Standards. J Am Coll Cardiol. 2007;49(7):830-7. Radford MJ Heidenreich PA Bailey SR et al ACC/AHA 2007 Methodology for the Development of Clinical Data Standards: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Data Standards J Am Coll Cardiol 2007 49 7 830 837 21. Gu D, Gupta A, Muntner P, Hu S, Suan X, Chen J, et al. Prevalence of cardiovascular disease risk factor clustering among the adult population of China: results from the International Collaborative Study of Cardiovascular Disease in Asia (InterAsia). Circulation 2005;112(5):658-65. Gu D Gupta A Muntner P Hu S Suan X Chen J et al Prevalence of cardiovascular disease risk factor clustering among the adult population of China: results from the International Collaborative Study of Cardiovascular Disease in Asia (InterAsia) Circulation 2005 112 5 658 665

Vinculação acadêmica

Não há vinculação deste estudo a programas de pós-graduação.

Aprovação ética e consentimento informado

Este estudo foi aprovado pelo Comitê de Ética do Fourth Medical Center of PLA General Hospital sob o número de protocolo 2020KY002-KS001. Todos os procedimentos envolvidos nesse estudo estão de acordo com a Declaração de Helsinki de 1975, atualizada em 2013. O consentimento informado foi obtido de todos os participantes incluídos no estudo.

Fontes de financiamento: O presente estudo não teve fontes de financiamento externas.

 Original Article A Simple Clinical Risk Score to Predict Post-Discharge Mortality in Chinese Patients Hospitalized with Heart Failure 0000-0002-8896-8176 Wang Lei 1 * 0000-0001-6816-3875 Wang Li-Qin 2 * 0000-0001-7369-6131 Gu Mo-Li 1 0000-0003-3814-8185 Li Liang 1 0000-0003-3778-2782 Wang Chen 1 0000-0002-2497-629X Xia Yun-Feng 1 China Department of Geriatric Medicine, the Fourth Medical Center,Chinese PLA General Hospital, Beijng - China China Department of Nursing, the Eighth Medical Center, Chinese PLA General Hospital, Beijng - China Mailing Adress: Xia Yunfeng • Fourth Medical Center of PLA General Hospital - No.51 Fucheng Road, Haidian District Beijing 100048 – China E-mail: yunfengxia111@163.com

The authors contributed equally to this article

Author Contributions

Conception and design of the research and Writing of the manuscript: Wang L, Yun-Feng X; Acquisition of data: Li-Qin W, Mo-Li G; Analysis and interpretation of the data: Li Liang; Statistical analysis: Li-Qin W, Li Liang, Wang C; Obtaining financing: Mo-Li G, Wang C; Critical revision of the manuscript for intellectual content: Wang L, Mo-Li G, Li Liang, Yun-Feng X.

Potential Conflict of Interest

No potential conflict of interest relevant to this article was reported.

 Abstract Background

Cardiovascular diseases are the leading causes of death in China. However, present efforts to identify the risk factors for death in patients hospitalized with heart failure (HF) are primarily focused on in-hospital mortality and 30-day mortality in the United States. Thus, a model similar to the model used for predicting the risk in patients considered for cardiovascular surgical procedures is needed to evaluate the risk of the patients admitted with a diagnosis of HF.

 Objective

To identify variables that can predict post-discharge one-year HF mortality and develop a risk score to assess the risk of dying within one year.

 Methods

In the present study, 1,742 Chinese patients with HF were randomly divided into two groups: a derivation sample group and a test sample group. A Markov Chain Monte Carlo simulation method was used to identify variables that can predict the one-year post-discharge mortality. Variables with a frequency of >1% in the bivariate analysis and that were considered clinically meaningful were eligible for further modeling analyses. The posterior probability that a variable was statistically and significantly associated with the outcome was calculated as the total number of times that the variable’s 95% CI did not overlap with 1 (i.e., the reference point) divided by the total number of iterations. A variable with a probability of 0.9 or higher was considered a robust risk factor for predicting the outcome, and this was included in the final variable list. The level of statistical significance adopted was 5%.

 Results

Five variables that could robustly predict the one-year post-discharge mortality were identified: age, female gender, New York Heart Association functional classification score >3, left atrial diameter, and body mass index. Both derivation and test models had a receiver operating curve area of 0.79. These selected variables were used to assess the one-year HF mortality risk score, and these were divided into three groups (low, moderate, and high). The high-risk group corresponds to nearly 86% of the deaths, while the moderate group corresponds to 12% of the deaths.

 Conclusion

A simple 5-variable risk score can be used to assess the one-year post-discharge mortality of hospitalized Chinese patients with HF.

 Heart Failure Propensity Score Mortality Patient Discharge Epidemiology Introduction

Cardiovascular diseases are the leading causes of death in China, accounting for approximately 22.5% of all deaths.1 Heart failure (HF) is the twelfth leading cause of hospitalization in China, and four million Chinese suffer from this condition.1 Overall, HF in China has an especially poor prognosis, with up to 40% of patients with HF dying within one year.1 The financial burden of HF is also substantial.2

However, present efforts to identify the risk factors for death in patients hospitalized with HF, such as the Framingham risk score, are primarily focused on in-hospital mortality3 , 4 and 30-day mortality in the United States.5 , 6 Since HF is a chronic condition, identifying risk factors for the long-term mortality of patients with HF could bring more benefits to patients. A model similar to the model used for predicting the risk in patients considered for cardiovascular surgical procedures can be used to evaluate the risk of the patients admitted with a diagnosis of HF.7 Given the increasing burden of HF in China, it is important to find means to stratify patients based on risk, upon initial diagnosis, and upon discharge. Furthermore, with the Asian population encompassing nearly 5% of the population of the United States and the Chinese population representing 20% of the world’s population, the risk scores developed based on Western populations often incorrectly estimate the risk for Asian populations.8 Thus, it is important to develop clinically relevant tools for Chinese and other Asian groups. A tool that could specifically provide the likelihood of one-year mortality in Chinese patients with HF would be of great clinical utility because this would have the potential to guide clinical decision-making and identify patients who are more likely to require intensive post-discharge monitoring. Furthermore, given that race, ethnicity, and country of origin have a large impact on clinical outcomes, it is important to develop a risk assessment specific to the group of interest, that is, Chinese patients with HF.

The present study aimed to identify risk factors that are most strongly correlated with one-year mortality among Chinese patients with HF and develop a simple risk score to assess the risk of one-year post-discharge mortality for these patients.

 Methods Subjects

The present study has been approved by the Ethics Committee of our hospital, and all patients provided signed written informed consent.

The study cohort was drawn from the Beijing Monitoring Heart Failure Patients and the Building Heart Failure Management Network Study, which included all patients who were ≥20 years of age and hospitalized for HF in one of the 14 designated hospitals in Beijing, China, from October 10, 2015, to October 9, 2017. These patients were randomly assigned into two groups, using a random table method: a derivation sample group and a test sample group. The one-year mortality information was obtained from post-discharge phone interviews.

 Candidate risk variables and outcome variables

The candidate risk variables included the demographic characteristics (age, gender, and body mass index [BMI]), medical history and comorbidities, lifestyle factors, previous cardiac surgeries, clinical findings, and laboratory test results. Age and BMI were measured as continuous variables, while gender was coded as female (yes/no). The medical history included the history of acute myocardial infarction (AMI), history of HF, and history of coronary heart disease (CHD), Type I or Type II diabetes, and hypertension. The previous cardiac surgeries included previous valve surgery. The clinical findings included the New York Heart Association (NYHA) functional classification score (class >3) and left ventricular ejection fraction (<40%). The lifestyle factors included a history of tobacco use, present use of tobacco, and alcohol consumption. The laboratory test data included heart rate, blood pressure, and left atrial diameter (in millimeters), which was measured as a continuous variable.

The outcome variable was the one-year post-discharge HF mortality, which was defined as all-cause deaths that occurred after an index HF hospitalization. The mortality information was obtained by phone interviews with these patients. The last interview date was February 19, 2019. If a patient died within one year after discharge, the date of death was obtained from family members. Patients were excluded from the study sample when neither themselves nor their family members could be reached.

 Statistical analysis

The data of the derivation sample group and test sample group were compared by Chi-square tests for categorical variables and unpaired t -tests for continuous variables. Then, clinical judgment and Spearman bivariate correlation analysis were used to identify candidate variables that may be associated with one-year post-discharge mortality. Variables with a frequency of >1% in the bivariate analysis and which were considered clinically meaningful were eligible for further modeling analyses. For observations with missing data, a dummy variable was created to assign a value of 0 when the value of a variable was present, and a value of 1 when the variable was missing. The missing values were then replaced by the median of non-missing values from that continuous variable, and both the dummy and continuous variables were included in the model. This method of modeling the missing data assumed that these data were missing at random, and permitted the inclusion of all available cases, although this was not as efficient as multiple imputation procedures.

The Markov Chain Monte Carlo (MCMC) simulation method was used in conjunction with the logistic regression technique to identify a set of final risk factors for predicting the one-year post-discharge HF mortality. The simulations were carried out with 10,000 iterations for the derivation sample, and a logistic model was fitted for each iteration, yielding a set of variables that are “statistically significant,” or associated with the outcome. Thus, 10,000 iterations of the simulation yielded 10,000 sets of odds ratios (ORs) and 95% confidence intervals (CI), indicating the significance level for each variable’s association with the outcome. The posterior probability that a variable was statistically and significantly associated with the outcome was calculated as the total number of times that the variable’s 95% CI did not overlap with 1 (i.e., the reference point) divided by the total number of iterations. A variable with a probability of 0.9 or higher was considered a robust risk factor for predicting the outcome, and this was included in the final variable list. This method has been used elsewhere.9 The area under the receiver operating characteristic (ROC) curve was calculated for each fitted model per iteration to evaluate its discriminating power.10

 Development of risk score

Based on the simulation results, a simple risk score was constructed based on the variables selected to assess the one-year mortality. Each variable was weighted using the variable-specific standardized coefficient (SC) obtained from a logistic model based on the original derivation sample, with one-year mortality as the outcome and the selected variables as independent variables. The SC, which measured the change in coefficient for one standard deviation (SD) change in the independent variable, was designed to represent the relative importance of the independent variable in a regression model. This allows for the comparison among independent variables using common units. The risk score for each observation in both derivation and validation samples was calculated as: Score = ∑ Weighti⋅ Variablei, where weighti= SCi/ ∑ |SC|, and i = 1, 2, 3, …, total number of the final selected variables. Each weight was then rescaled by 100 to allow the score to be user-friendly in practice, except for the weight for age, which only scales to 10. Each weight was further rounded up or down to its close integer by 5-interval (for example, 32.5 to 30.0, 18.0 to 20.0). Age was rounded down to its close floor with one decimal point. Finally, a base of 100 was added to the score to ensure that there were no negative values in the scores. To validate and test the risk score, two logistic models were fitted. One model used individual variables that were selected from the MCMC simulation as independent variables, while the other model used the risk score as an independent variable. These two models were fitted with both derivation and test samples, and the r-squared and ROC values were calculated from both models to assess the performance of the risk score. All statistical tests were two-sided and had a significance level of 5%, and all analyses were performed using SAS version 9.3 64-bit version (SAS Institute Inc., Cary, North Carolina, USA). All continuous variables were normally distributed as tested by Shapiro–Wilk tests. Continuous variables with normal distribution are described using mean and standard deviation.

 Results Patient characteristics

The final study cohort included a total of 1,742 patients with HF. Among these patients, the derivation and test samples included 882 patients and 860 patients, respectively. The mean (SD) age of the cohort was 57.0 (12.5) years, and 9.5% of these patients were 40 or younger, while 30.9% of these patients were 65 or older. Furthermore, 19.9% of these patients were women. The characteristics of patients in the derivation and validation samples were comparable ( Table 1 ). There were no significant differences between these two groups in terms of age, gender, left atrial diameter, heart rate, LVEF <40 (%), AMI (%), NYHA >3 (%), CHD (%), DM (%), HTN (%), valve surgery (%), smoking history (%), alcohol consumption (%), and one-year mortality (%). However, there were significant differences between these two groups in terms of heart rate >100 (%) and HF (%). There was no significant difference in drugs and medical appointments during the follow-up and no significant difference in lab test results among all patients.

– Baseline characteristics of the study population
Patient characteristics Overall (n=1742) Derivation sample (n=882) Test sample (n=860) P-value
Demographics Age, mean (SD) years 57.1 (12.4) 57.0 (12.4) 57.1 (12.5) 0.9295
Age missing, n=4 (%) 0.2 0.2 0.2 0.9798
Female (%) 19.9 19.8 19.9 0.9823
BMI, mean (SD) 25.1 (3.4) 25.1 (3.4) 25.0 (3.4) 0.3455
BMI missing, n=0 (%) 0 0 0
Clinical findings, and laboratory test
Left atrial diameter (mm), mean (SD) 39.9 (7.9) 40.0 (8.1) 39.9 (7.7) 0.823
Left atrial size missing, n=66 (%) 3.8 4.2 3.1 0.1611
Heart rate, mean (SD) 73.0 (14.0) 73.3 (14.8) 72.7 (13.2) 0.8762
Heart rate missing, n=12 (%) 0.7 0.5 0.9 0.2291
Heart rate >100 (%) 4.5 5.6 3.4 0.0276
LVEF <40 (%) 35.5 35.8 35.1 0.7564
LVEF missing, n=0(%) 0 0 0
Medical history
HF (%) 18.1 20.2 15.8 0.0177
AMI (%) 22.6 23.4 21.9 0.4557
NYHA >3(%) 42.7 42.6 42.8 0.9461
CHD (%) 71.2 70.4 72.0 0.4699
DM (%) 27.8 27.2 28.4 0.5885
HTN (%) 63.6 62.7 64.5 0.4258
Valve surgery (%) 6.1 6.8 5.4 0.2044
Lifestyle
Smoke (%) 57.8 57.6 57.9 0.8956
Alcohol consumption (%) 35.1 34.5 35.8 0.5561
One-year mortality (%) 6.5 7.3 5.8 0.2236

NYHA: New York Heart Association functional classification score, BMI: Body mass index, CHD: Coronary heart disease, HF: Heart failure, AMI: Acute myocardial infarction, DM: Type I or Type II diabetes, HTN: Hypertension. Continuous data were analyzed by the t-test. Categorical data were analyzed by the chi-squared test. P<0.05 is significant.

Risk variables for predicting the one-year HF mortality

The observed one-year mortality rates for the derivation and validation samples were 7.3% and 5.8%, respectively ( P = 0.2236). Figure 1 presents the probability that each variable was associated with one-year HF mortality. Five variables, including age, female gender, BMI, left atrial diameter, and NYHA class >3, had a probability of 0.9 or above for significantly being associated with one-year mortality. These were identified as the final variables ( Figures 1a and 1b ). Table 2 illustrates the OR, SC, and 95% CI for each of the five selected variables in the derivation dataset. The area under the ROC curve of this 5-variable-based model was 0.789, with an r-squared of 0.1761 and a goodness-of-fit of 0.9013. The predictive ability ranged from 0.04 in the lowest decile to 0.43 in the highest decile, indicating that the model had good discrimination ( Figure 1c ). This model also performed similarly to the test dataset ( Figure 1d and Table 3 ).

– <italic>Variable selection and model development for risk score</italic>

– Risk factors and corresponding weights in the clinical risk score
Patient characteristics Posterior probability* Odds ratio (95% CI) Standardized coefficient Initial weight Direction Rescaled weight
Age, years 0.969 1.03 (1.01-1.05) 0.1864 0.155891946 1.5
Female 0.02 0.44 (0.20-0.97) -0.1796 0.150204901 (-) -15
left atrial diameter (mm) 0.993 1.05 (1.02-1.09) 0.2157 0.180396421 20
BMI 0.001 0.89 (0.82-0.96) -0.2254 0.188508823 (-) -20
NYHA > 3 1.000 4.2 (2.07-8.34) 0.3886 0.324997909 30

*Posterior probability that the characteristic increases the probability of one-year HF death. Use of the score: Score = 100 + 1.5age – 15female + 20 leftatrium – 20 BMI + 30 NYHA_3 where NYHA_3 denotes the New York Heart Association functional classification score >3. Giving a particular 45-year-old female HF patient with BMI of 23 and left atrial diameter of 30, and NYHA classification=2, the risk score of one-year post HF discharge mortality for this patient can be calculated as Score=100 + 1.5×45 -15×1 + 20×30 - 20×23 + 30×0=322.5. The risk score is between the low and moderate range.

– Model performance of the different risk scores.
Sample 5-risk factor-based model Risk score-based model
ROC Max-rescaled R-Square Hosmer and Lemeshow Test ROC Max-rescaled R-Square Hosmer and Lemeshow Test
Derivation 0.789 0.1761 0.9013 0.75 0.1159 0.0243
Test 0.792 0.1514 0.3725 0.771 0.097 0.005
Overall 0.7858 0.1589 0.5945 0.759 0.1069 0.003

Risk score

The risk score was constructed using the SC estimates in Table 2 . The calculation equation is also listed in Table 2 . The mean (SD) of the derivation sample-based risk score was 492.5 (177.1), with a range of 89.9–1195.63, and the mean (SD) of the test sample-based score was 493.0, with a range of 89.9–1,073.9. The difference in mean scores between the derivation and test samples was not statistically significant (p = 0.7324). The risk score was used as the independent variable to fit a logistic model, which yielded an area under the ROC curve of 0.75 and 0.77 for the derivation and test samples, respectively ( Table 3 ). Figure 2 shows the distribution of the risk score ( Figures 2a and 2b ) and the exponential relationship between the score and the probability of one-year post-discharge HF mortality ( Figure 2c ).

– <italic>Distribution of risk score.</italic>

The risk score has a good predictive ability. With the derivation sample, the mean predicted probabilities of one-year death were 0.15 and 0.07 for those who died within the one-year window and those who survived after the one-year window, respectively. This pattern was similar for the test sample, in which the mean predicted probabilities of one-year death were 0.14 for those who died and 0.07 for those who survived. The risk score was divided into three ranges based on its distribution: (1) low risk if the score was <300; (2) moderate risk if the score was ≥300 and ≤800; (3) high risk if the score was >800. The proportions of patients in each of these three risk groups were as follows: 11.7% for low-risk groups, 73.8% for moderate-risk groups, and 14.5% for high-risk groups. Figure 2d shows the one-year mortality rates by risk group, and by the derivation and test samples. Figure 3 shows the distribution of risk score by died and survived groups.

– <italic>Distribution of risk score by groups of patients who died and who survived.</italic>

Discussion

Developing a Chinese-population-specific risk model for HF is important, given that the present risk scores, such as the widely used Framingham risk score, are developed predominantly in the United States, which cannot correctly estimate the risk in Asian populations.8 - 12 The present study developed and validated a simple 5-variable risk score for assessing the risk of one-year mortality for Chinese patients with HF. This simple score can be added in the present assessment of patients prior to hospital discharge in order to provide a basis for physicians to better allocate resources and identify patients who may need post-discharge care. The final variables identified from the present study were consistent with the risk factors identified in Western cohorts. In addition to age and the NYHA classification, which are well-known risk factors for HF mortality, it was found that female gender and BMI are protective factors within the Chinese cohort, consistent with findings based on the Western population.13 - 14 Similarly, it was found that the left atrial diameter was associated with HF hospitalization and death.15

The number of patients within the present cohort was similar to risk scores developed for other HF populations.16 Furthermore, compared to the previous studies, the present study has several strengths. First, unlike previous studies that evaluated the short-term risk of mortality in HF patients, the present study focused on long-term outcomes. Second, these present results are specific to Chinese patients because these are not derived from data obtained from other racial or ethnic groups. Therefore, this is more applicable to Chinese patients, when compared to risk scores based largely on Western cohorts. For example, the effect size between the BMI and HF mortality could differ between the Western and Chinese population, because the Chinese population has a different pattern of body fat when compared to the Western population groups. As a result, the universal BMI criteria developed by the World Health Organization (WHO) is not suitable for Chinese and other Asian populations.17 , 18 Similarly, the effect size between the left atrial diameter and HF mortality between the Chinese population and the Western population could differ, showing that Caucasians usually have a large left atrial diameter.19 Nevertheless, further studies and explorations are required to quantify such differences. The present score was developed using a robust statistical method and was validated using additional data. There was also a high agreement with the derivation results. These five variables appear to meet the criteria for an ideal variable. These are unaffected by clinical interpretation, widely accepted, available on admission, and easily collected.20 Last, by identifying the modifiable components of the present risk score, public health services can be developed to resolve these specific issues. Given the extraordinarily large population of China, this would allow for the focused use of medical and public health resources that are unavoidably limited.

The present study has several limitations commonly observed in the development of clinic-based risk scores. This does not take into account such factors as the quality of physician and hospital care, socioeconomic influences, or access to care. The thresholds for low-, intermediate-, and high-risk were based on what the investigators considered was an acceptable risk within each category. In addition, important treatment information, such as pharmacological and interventional treatments, including angiotensin-converting enzyme inhibitors, angiotensin receptor blockers, beta-blockers, and diuretics, biventricular pacemakers, and automatic implantable cardioverter-defibrillator devices, were not included in the model. Laboratory evaluations, such as hemoglobin and sodium levels, were also not included in the model. Finally, the patients sampled were from 14 hospitals in Beijing, a major city in China. There may be differences between the characteristics and care of these patients with HF and those residing in more rural or remote areas that are not accounted for, which is a finding that has been observed when assessing cardiovascular risk in China.21 In addition, 42% of patients are NYHA >3, and mortality is only 6.5%, which should be further evaluated in future studies. Nevertheless, although a number of clinical factors were not incorporated into the analysis, the purpose of the study was to develop a simple tool with easy-to-define variables to assist physicians.

The present score can be used to identify high-risk patients to provide better post-discharge care. As such, this could be employed as a guide for physicians to plan for the care of patients with HF, derived from evidence-based results of relevant and reliable research. Thus, the results of the present study provide an approach to healthcare, which promotes the collection, interpretation, and integration of valid, important, and applicable patient-reported, clinician-observed, and research-derived evidence, and the use of this evidence for better decision-making.

 Conclusion and future directions

The present study showed a model for developing a risk score that is directly applicable to Chinese patients with HF. This model could better ensure that group-specific genetic and environmental factors are taken into account and can be used as a framework for developing risk scores in other racial and ethnic groups.

Sources of Funding: There were no external funding sources for this study.