Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dipeptidyl peptidase 3 lưu hành trên bệnh nhân nhập viện phòng hồi sức cấp cứu là yếu tố dự đoán tình trạng suy chức năng cơ quan và tỷ lệ tử vong
Tóm tắt
Mục tiêu của chúng tôi là điều tra tiềm năng dự đoán của dipeptidyl peptidase 3 lưu hành (cDPP3) để dự đoán tỷ lệ tử vong và phát triển tình trạng suy chức năng cơ quan trong một quần thể bệnh nhân hồi sức cấp cứu (ICU) đa dạng. Để đạt được điều này, chúng tôi đã phân tích các mẫu máu được thu thập một cách có hệ thống từ bệnh nhân ICU người lớn tại bốn bệnh viện ở Thụy Điển. Các mẫu máu đã được lưu trữ trong một ngân hàng sinh phẩm để phân tích theo nhóm sau này. Mối liên hệ giữa mức cDPP3 với tỷ lệ tử vong trong 30 ngày và điểm số Đánh giá Suy chức năng cơ quan Liên tiếp (SOFA) vào ngày thứ hai đã được điều tra trước và sau khi điều chỉnh cho điểm số sinh lý cấp tính đơn giản hóa III (SAPS-3), bằng cách sử dụng hồi quy logistic đa biến (đẳng thức). Độ chính xác dự đoán của cDPP3 được đánh giá bằng diện tích dưới đường cong đặc trưng cho nhận diện (AUROC). Trong số 1978 bệnh nhân liên tiếp được bao gồm trong 1 năm (2016), 632 bệnh nhân đáp ứng tiêu chí sepsis 3, 190 bệnh nhân nhập viện sau khi ngừng tim, và 157 bệnh nhân do chấn thương. Mức cDPP3 lúc nhập viện có liên quan độc lập (không phụ thuộc vào SAPS-3) với tỷ lệ tử vong trong 30 ngày với tỷ lệ cược là 1.45 (khoảng tin cậy 95% (CI) 1.28–1.64) trong toàn bộ quần thể ICU, 1.30 (95% CI 1.08–1.57) trong nhóm sepsis và 2.28 (95% CI 1.50–3.62) trong trường hợp ngừng tim. Đối với chấn thương, không có mối liên hệ rõ ràng. DPP3 lưu hành một mình là một yếu tố dự đoán trung bình đối với tỷ lệ tử vong trong 30 ngày với AUROC lần lượt là 0.68, 0.62 và 0.72 trong toàn bộ nhóm, nhóm sepsis và nhóm ngừng tim. Khi thêm cDPP3 vào SAPS-3, AUROC cải thiện cho toàn bộ nhóm, nhóm sepsis và nhóm ngừng tim (p = 0.023). DPP3 lưu hành tại thời điểm nhập viện là một yếu tố dự đoán độc lập của SAPS-3 đối với tình trạng suy chức năng cơ quan vào ngày thứ hai và tỷ lệ tử vong trong 30 ngày ở một quần thể ICU đa dạng và cần được đánh giá thêm.
Từ khóa
#Dipeptidyl peptidase 3 #DPP3 #suy chức năng cơ quan #tỷ lệ tử vong #hồi sức cấp cứu #SAPS-3 #SOFATài liệu tham khảo
Ellis S, Nuenke J. Dipeptidyl arylamidase iii of the pituitary. purification and characterization. J Biol Chem. 1967; 242(20):4623–9.
Prajapati S, Chauhan S. Dipeptidyl peptidase III: a multifaceted oligopeptide N-end cutter. FEBS J. 2011; 278(18):3256–76.
Lee C, Snyder S. Dipeptidyl-aminopeptidase iii of rat brain. selective affinity for enkephalin and angiotensin. J Biol Chem. 1982; 257(20):12043–50.
Baršun M, Jajčanin N, Vukelić B, Špoljarić J, Abramić M. Human dipeptidyl peptidase iii acts as a post-proline-cleaving enzyme on endomorphins. Biol Chem. 2007; 388(3):343.
Kumar P, Reithofer V, Reisinger M, Wallner S, Pavkov-Keller T, Macheroux P, Gruber K. Substrate complexes of human dipeptidyl peptidase III reveal the mechanism of enzyme inhibition. Sci Rep. 2016; 6:23787.
Rehfeld L, Funk E, Jha S, Macheroux P, Melander O, Bergmann A. Novel Methods for the Quantification of Dipeptidyl Peptidase 3 (DPP3) Concentration and Activity in Human Blood Samples. J Appl Lab Med. 2019; 3(6):943–53.
Deniau B, Rehfeld L, Santos K, Dienelt A, Azibani F, Sadoune M, Kounde P, Samuel J, Tolpannen H, Lassus J, Harjola V, Vodovar N, Bergmann A, Hartmann O, Mebazaa A, Blet A. Circulating dipeptidyl peptidase 3 is a myocardial depressant factor: dipeptidyl peptidase 3 inhibition rapidly and sustainably improves haemodynamics. Eur J Heart Fail. 2020; 22(2):290–9.
Takagi K, Blet A, Levy B, Deniau B, Azibani F, Feliot E, Bergmann A, Santos K, Hartmann O, Gayat E, Mebazaa A, Kimmoun A. Circulating dipeptidyl peptidase 3 and alteration in haemodynamics in cardiogenic shock: results from the OptimaCC trial. Eur J Heart Fail. 2020; 22(2):279–86.
Bossuyt P, Reitsma J, Bruns D, Gatsonis C, Glasziou P, Irwig L, Lijmer J, Moher D, Rennie D, de Vet H, Kressel H, Rifai N, Golub R, Altman D, Hooft L, Korevaar D, Cohen J, Alonzo T, Altman D, Azuara-Blanco A, Bachmann L, Blume J, Bossuyt P, Boutron I, Bruns D, B?ller H, Buntinx F, Byron S, Chang S, Cohen J, Cooper R, de Groot J, Deeks J, Dendukuri N, Dinnes J, Fleming K, Gatsonis C, Glasziou P, Golub R, Guyatt G, Heneghan C, Hilden J, Hooft L, Horvath R, Hunink M, Hyde C, Ioannidis J, Janes H, Kleijnen J, Knottnerus A, Korevaar A, Kressel H, Lange S, Leeflang M, Lijmer J, Lord S, Lumbreras B, Macaskill P, Magid E, Mallett S, McInnes M, McNeil B, McQueen M, Moher D, Moons K, Morris K, Mustafa R, Obuchowski N, Ochodo E, Onderdonk A, Overbeke J, Pai N, Peeling R, Pepe M, Petersen S, Price C, Ravaud P, Reitsma J, Rennie D, Rifai N, Rutjes A, Schunemann H, Simel D, Simera I, Smidt N, Steyerberg E, Straus S, Summerskill W, Takwoingi Y, Thompson M, van de Bruel A, van Maanen H, Vickers A, Virgili G, Walter S, Weber W, Westwood M, Wilczynski N, Ziegler A. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015; 351:5527.
Lengquist M, Lundberg O, Spångfors M, Annborn M, Levin H, Friberg H, Frigyesi A. Sepsis is underreported in Swedish intensive care units: A retrospective observational multicentre study. Acta Anaesthesiol Scand. 2020; 64(8):1167–76.
Metnitz P, Moreno R, Almeida E, Jordan B, Bauer P, Campos R, Iapichino G, Edbrooke D, Capuzzo M, Le Gall J. Saps 3–from evaluation of the patient to evaluation of the intensive care unit. part 1: Objectives, methods and cohort description. Intensive Care Med. 2005; 31(10):1336–44. https://doi.org/10.1007/s00134-005-2762-6.
Moreno R, Metnitz P, Almeida E, Jordan B, Bauer P, Campos R, Iapichino G, Edbrooke D, Capuzzo M, Le Gall J. SAPS 3–from evaluation of the patient to evaluation of the intensive care unit. part 2: Development of a prognostic model for hospital mortality at ICU admission. Intensive Care Med. 2005; 31(10):1345–55. https://doi.org/10.1007/s00134-005-2763-5.
Ferreira F, Bota D, Bross A, Mélot C, Vincent J. Serial evaluation of the SOFA score to predict outcome in critically ill patients. JAMA. 2001; 286(14):1754–8.
Hosmer D, Lemeshow S, Sturdivant R. Applied Logistic Regression, 3rd. Hoboken: Wiley & Sons Inc.; 2004, pp. 157–68.
Hothorn T, Möst L, Bühlmann P. Most likely transformations. Scand J Stat. 2018; 45(1):110–34. https://doi.org/10.1111/sjos.12291.
Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett; 27(8):861–74. https://doi.org/10.1016/j.patrec.2005.10.010..
DeLong E, DeLong D, Clarke-Pearson D. Comparing the areas under two or more correlated receiver operating characteristic curves: A nonparametric approach. Biom. 1988; 3:837.
Dépret F, Amzallag J, Pollina A, Fayolle-Pivot L, Coutrot M, Chaussard M, Santos K, Hartmann O, Jully M, Fratani A, Oueslati H, Cupaciu A, Benyamina M, Guillemet L, Deniau B, Mebazaa A, Gayat E, Farny B, Textoris J, Legrand M. Circulating dipeptidyl peptidase-3 at admission is associated with circulatory failure, acute kidney injury and death in severely ill burn patients. Crit Care. 2020; 24(1):168.
Khorashadi M, Beunders R, Pickkers P, Legrand M. Proenkephalin: A New Biomarker for Glomerular Filtration Rate and Acute Kidney Injury. Nephron. 2020; 144(12):655–61.
Nolan J, Soar J, Cariou A, Cronberg T, Moulaert V, Deakin C, Bottiger B, Friberg H, Sunde K, Sandroni C. European Resuscitation Council and European Society of Intensive Care Medicine Guidelines for Post-resuscitation Care 2015: Section 5 of the European Resuscitation Council Guidelines for Resuscitation 2015. Resuscitation. 2015; 95:202–22.
Holmgren G, Andersson P, Jakobsson A, Frigyesi A. Artificial neural networks improve and simplify intensive care mortality prognostication: a national cohort study of 217,289 first-time intensive care unit admissions. J Intensive Care. 2019; 7:44.