14522例高血压患者随访和死亡期间的长期和超长期血压变异性外文翻译资料

14522例高血压患者随访和死亡期间的长期和超长期血压变异性

原文作者：Claire E. Hastie,* Panniyammakal Jeemon,* Holli Coleman, Linsay McCallum, Rajan Patel, Jesse Dawson, William Sloan, Peter Meredith, Gregory C. Jones, Scott Muir, Matthew Walters, Anna F. Dominiczak, David Morrison, Gordon T. McInnes, Sandosh Padmanabhan

摘要：最近的证据表明，长期访视血压变异性（BPV）可能是一个独立的心血管风险预测因子。高血压临床实践中这种变异性的含义尚不清楚。 BPV作为平均真实变异性（ARV）计算在14 522例高血压患者的4个时间框架中：第1年（Y1），第2至5年（Y2-5），第5至10年（Y5-10）和年首次就诊时gt; 10（Y10 ）。针对原因特定死亡率的Cox比例风险模型分别用于长期BPV的每个时间框架，跨超时间BPV的时间框架，以及在平均BP分层的每个时间框架内。收缩压（SBP）的ARV，称为ARVSBP，Y1（21.3plusmn;11.9 mm Hg）高于Y2-5（17.7plusmn;9.9 mm Hg），Y5-10（17.4plusmn;9.6 mm Hg）和Y10 （16.8plusmn;8.5 mm Hg）。在所有时间范围内，ARVSBP在女性（P lt;0.01）和年龄较大（P lt;0.001），慢性肾病（P lt;0.01）和流行的心血管疾病（P lt;0.01）中较高。较高的长期和超长期BPV值与死亡率增加有关（全因，心血管和非心血管死亡率; P为趋势，lt;0.001）。在所有时间范围内平均SBP lt;140 mmHg的亚组中，这种关系也很明显。在临床实践中监测BPV可以通过识别高风险的治疗高血压个体来促进风险降低策略，尤其是那些血压在正常范围内的人。

关键词:血压； 血压变异性； 流行病； 死亡率； 高血压

1. 介绍

众所周知，血压（BP）在个体中内在变化。这种变异性（BPV）表现为昼夜BP节律伴夜间浸润，假周期变异性（从逐搏记录的光谱分析获得），以及以分钟，小时，周，月或年分隔的血压测量之间的变异性。 BP的个体内波动在生理上归因于压力反射，自主神经功能和对攻击的反应（响应于情绪，情绪，压力，觉醒，环境温度和身体活动需要更大的组织灌注）。几个流有证据表明，BPV与血压风险增加有关，与BP无关。有令人信服的证据表明，短期BPV（从24小时内的多次血压测量中获得）可预测终末器官损害和心血管。然而，关于是否长期访问BPV（这可能反映出更多样化的问题）的问题，一系列影响小于短期24小时BPV）也独立预测临床结果最近受到更多关注。该领域的一项原始研究确定了访问访问BPV之间的关联大型随机对照试验的事后分析发现，在血管事件风险增加的受试者群体中，高访视BPV与卒中发病率增加之间存在关联。此外，进一步英国斯堪的纳维亚心脏病预后试验（ASCOT）-BP-降低臂（BPLA）治疗高血压人群的分析发现，临床访视之间收缩期BPV增加与卒中和冠状动脉事件相关。一般人群国家健康与营养检查调查（NHANES）研究表明，与最低三分位数的受试者相比，BPV较高三分位数受试者的风险增加50％。有趣的是，长期的内部病例l BPV与伴随的短期24小时BPV（相关系数lt;0.2）几乎没有相关性，这表明它们可能与不同的潜在机制有关。所有这些都暗示长期BPV是风险的标志。目前尚未被临床实践中常规使用的办公室和动态血压测量所捕获。如果长期BPV确实真正独立于长期平均血压，那么在临床实践中监测BPV将对高血压实践产生影响。在现实生活中，BP倾向于以不同的间隔进行测量，并且患者的治疗滴定和依从性不同。因此，在这种情况下，BPV与风险之间的关联及其在临床实践中的应用尚不清楚。我们研究了格拉斯哥血压诊所人群le;35岁，以确定BPV与不同随访时间框架和长期死亡率的关联和特征。

1. 方法

2.1研究人口

我们研究了所有就诊于格拉斯哥血压诊所的患者，这项服务自1968年以来一直为苏格兰西部的高血压患者提供二级和三级医疗服务。来自16011名参与者的数据存储在诊所的数据库中。 所有参与者均接受高血压患者治疗。 通过与苏格兰总登记处的记录联系得出死亡率结果。 结果分类详细信息在仅在线数据补充中提供。 使用匿名数据库进行分析由苏格兰西部国家卫生服务研究伦理服务部门批准。

2.2 BP测量

格拉斯哥血压诊所使用专业的高血压护士，他们在血压测量方面经验丰富且训练有素。该程序要求受试者在坐姿前休息5分钟，然后使用标准血压计手动测量血压，并使用Korotkoff声音（阶段V）估算舒张压（DBP）。进行三次血压测量，间隔1分钟，记录第二次和第三次测量的平均值。建议就诊的患者照常服用他们的常规药物。每位患者都在同一诊所就诊;因此，在每次访问时，他们的血压测量将在早晨或下午的同一个3小时时间窗口内进行。在每次诊所预约之前，食物和饮料的消费以及体力消耗水平无法控制。在随访期间根据临床指南进行药物替代，添加和剂量调整。在每次门诊就诊时，与患者交叉检查处方药物，并建议他们始终遵守治疗。无法更准确地测量药物消耗和血压测量之间的时间。没有关于特定药物，剂量和正式一致性测试的信息。

2.3 BP特质定义

BPV在不同的时间范围内而不是在整个随访期间进行计算和分析，主要是因为BPV的确定取决于一段时间内的多次血压测量，而在现实生活中，不可能维持长时间内BP测量的频率相同。此外，我们假设BP临床访问之间的间隔随着时间的推移而增加，因为血压得到更好的控制，导致临床血压值的记录频率降低。此外，其他可能影响BPV的因素，如年龄和肾功能，随着时间的推移而变化，抗高血压药物滴定/替代/添加引入的进一步的异质性在随访的早期阶段将更大，以使BP达到目标与患者建立治疗后的随访期相反。因此，我们假设在实际数据中的较短时期内计算BPV将更具信息性和可靠性。

我们在本研究中定义了两种类型的BPV：在1至5年的时间内计算的长期访视BPV;和超长期变异性（BPVul）作为访问访问BPV超过5年的时间。这些时间段的定义来自对BP临床访问的评论和我们数据库中可用的BP测量数据。在4个时间范围内的每个时间段内测量长期BPV，作为从第一次就诊到诊所的随访期;第1年（Y1），第2年至第5年（Y2-5），第5至10年（Y5-10），年gt; 10（Y10 ）。要包括在每个分析时间范围内，受试者要求至少3个血压读数ge;30天。其他排除标准是极端年龄（lt;20和gt; 80岁）和体重指数（lt;15和gt; 50 kg / m2）。图S1中的在线数据补充中提供了详细的研究流程图。

对于每个时间范围，我们计算了收缩压（SBP）和DBP的平均实际变异性（ARVSBP，ARVDBP），变异系数（CoeffVSBP，CoeffVDBP）和SDSBP，SDDBP作为BPV的度量。使用这些方法计算的变异性估计值只是部分相关，可能有不同的主要决定因素。ARV =n-1Sigma;i= 1 | BP -BP |是连续血压测量值之间的平均绝对差值，与CoeffV相比，它考虑了BP测量的顺序，同时量化了相邻读数之间的可变性。ARV的一个优点是它受趋势影响较小.19,20我们使用所有血压测量值（SBPtw，DBPtw）的时间加权平均值计算每个时间帧的平均血压，以消除任何向上偏差当BP不受控制时，由更频繁的预约引起的平均血压。用于计算这些指标的公式显示在在线数据补充中。最后，确定每个时间段的ARV四分位数。

除上述分析外，我们还研究了长达5年和9年的较长时间段（超长期[BPVul]）的持续BPV。为了确定每个人的BPVul状态并最大限度地减少患者长期随访期间可用的不同BP测量频率引入的偏差，我们使用了在连续时间范围内计算的BPV。为此，我们根据BPV随时间变化的纵向模式将患者分为4组。在时间段Y1和Y2-5之间测量BPV变化gt; 5年，在时间段Y2-5和Y5-10之间测量gt; 9年。使用17的中位数ARVSBP并比较Y1和Y2-5，我们将受试者分为具有持续高（高 - 高）或低（低 - 低）BPVSBP的受试者和BPVSBP不随时间持续的受试者（低 - 高）或高 - 低）。我们使用ARVSBP = 17作为截止值，因为它促进了我们的队列分成4组，样本量大致相等。使用ARVDBP = 9的阈值对DBP进行相同的分类程序，再次比较Y1和Y2-5。对Y2-5和Y5-10进行了类似的分析。

2.4 统计分析

计算基线参与者特征的总结统计数据，并通过ANOVA或连续变量的独立t检验和分类变量的chi;2检验对组进行统计学比较。分类变量显示为计数和百分比，连续变量显示为平均值（plusmn;SD）。

BPV在时间范围内的一致性以及BPV与平均BP之间的相关性在在线数据补充中有详细说明。

使用Kaplan-Meier存活图和对数秩检验进行单变量存活分析。 Cox比例风险模型用于确定ARVBP每个四分位数的全因，缺血性心脏病，中风，心血管或非心血管死亡率的多变量调整风险，最低四分位数作为参考。对SBP和DBP进行单独分析，并对每个随访时间范围：Y1，Y2-5，Y5-10和Y10 以及BPVul组进行。对于在每个连续时间范围内进行的生存分析，排除了直到测试时间结束时发生的死亡。因此，在每个连续时间范围内的生存是以个体存活为条件直到测试时间范围结束为条件的。所有模型均根据平均时间加权SBP和DBP（SBPtw和DBPtw）和基线心血管危险因素进行调整，包括年龄，性别，吸烟，酒精消耗，体重指数，总胆固醇，流行的心血管疾病（CVD），估计肾小球滤过率。此外，在对Y1和Y2-5的分析中，包括了首次访问阶段（年龄）年的变量，以调整死亡率的长期趋势，并将其分为5类（1976年或之前的第一次访问，1977年之间）和1987年，1988年至1997年，1998年至2004年，2005年及之后）。对于任何偏离比例风险假设的建议，分析了对数 - 对数图

使用IBM SPSS Statistics 19（IBM Corporation，New York，NY）和Stata 12（StataCorp，College Station，TX）进行分析。

1. 结果

3.1样本基线人口统计特征

在基线时，根据年龄和体重指数排除后，14522名参与者记录了基本的人口统计信息。其中，6952人（47.9％）为男性，6094人（42.0％）为吸烟者。中位生存时间为29。32年。基线特征，通过性别分层，被预先sented于表1中的受试者中的数字可用于BPV和BPVul分析如下：7136（Y1），5715（Y2-5），2685（Y5-10），1292 （Y10 ），4491个个体（Y1和Y2-5），2514（Y2-5和Y5-10）和1620（Y1，Y2-5和Y5-10;图S1）。在每个时间帧中使用血压测量的intervisit间隔分别为77.9plusmn;37.1，157.5plusmn;111.9，和204.1plusmn;193天为Y1，Y2-5和Y5-10，分别与血压测量在促进BPV计算数字每个时间帧是Y1：3.6plusmn;0.8（中位数，4;四分位范围，3-6），Y2-5：7.8plusmn;3.2（7; 4-10），和Y5-10：7.9plusmn;3.7（6; 4- 10）。每个时间范围内的平均药物数量从Y1（2.08plusmn;0.99）增加到Y2-5（2.25plusmn;1.069）到Y5-10（2.49plusmn;1.169）。 Y1中的BPV高于后期时间框架。

总体而言，不同时间段内所有BPV测量值之间的一致性差（组内相关性，lt;0·32;仅在线数据补充中的结果;表S2和S3）。类似地，在每个时间范围内，BPV和BPtw的度量之间仅存在中度相关性（r lt;0.5）（仅在线数据补充中的结果;表S4）。然而，在时间范围内，60％的受试者在连续时间框架内的BPV水平是一致的和40％不一致（参见讨论;表S5和S11）。后一组负责时间框架内的整体协议不佳。

• 1. BPV和基线特征

在所有随访时间SBP期间，ARV始终较高。女性的框架（P lt;0.01）和年龄较大的参与者（P lt;0.001），基线慢性肾病（P lt;0.01）和基线普遍的CVD（P lt;0.05）。高基线SBP（gt; 160对lt;160 mm Hg）和高基线平均SBPtw（gt; 160对照lt;160 mmHg）均与更高的ARVSBP相关（P lt;0.001;结果仅在线数据补充;表S1和S6A）。 ARVDBP显示出类似的关联。

3.3 时间框架

用于每个连续时间进行的生存分析框架，死亡发生直到测试时间结束被排除在外。

因此条件是个人幸存直到结束测试时间范围。分析风险的总时间是101 901,63 503,24 001和109 88个人年的随访，分别在Y，Y，Y和Y处。对于所有死亡率结果，事件数量随着BPV的增加而增加。 ARVSBP和ARVDBP的Cox比例风险模型的结果如图1和表S8所示。在Y1中增加四分位数的ARVS

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[277407]，资料为PDF文档或Word文档，PDF文档可免费转换为Word