Prediktivní výkonnost Glasgowské stupnice kómatu ve vztahu k času

Pozadí

Trauma je kritickým celosvětovým problémem veřejného zdraví a počet úmrtí v důsledku traumatu celosvětově neustále narůstá. V roce 2016 bylo více než 4,6 milionu úmrtí následkem traumatu, což z něj činí 8. hlavní příčinu smrti. Ve studii Global Burden and Disease (GBD) představují traumatická zranění téměř jednu desetinu všech úmrtí, což je více než malárie, tuberkulóza, HIV/AIDS a stavy matek dohromady.

TBI je definováno jako poranění mozku způsobené traumatem, trauma je definováno jako poškození způsobené na těle jako přímý nebo nepřímý důsledek vnější síly, s nebo bez přerušení strukturální kontinuity. Traumatické poranění mozku (TBI) je celosvětově hlavní příčinou morbidity a mortality. Je největším přispěvatelem k úmrtím na traumata na světě, má třikrát vyšší úmrtnost než trauma bez doprovodu TBI. Odhaduje se, že TBI postihne ročně více než 10 milionů lidí.

Pro vedení lékařů v diagnostických a resuscitačních režimech jsou velmi důležité prognostické modely predikující závažnost a výsledek TBI. Glasgow Coma Scale (GCS) je jedním z nejpoužívanějších prognostických modelů. Jedná se o neurologickou škálu vyvinutou pro hodnocení reakce na podněty u pacientů s kraniocerebrálním poraněním pomocí tří parametrů; otevření očí, verbální reakce a motorická reakce. Používá se k hodnocení úrovně vědomí jak v klinické praxi, tak ve výzkumu neurotraumat. Skóre GCS, součet tří parametrů používaných v GCS, se používá k posouzení závažnosti, v rozsahu od mírné, střední až těžké.

Několik studií zkoumalo prognostickou hodnotu GCS a prognostickou hodnotu jednotlivých složek GCS, ale málo je známo o tom, jak vztah času mezi poraněním a prvním GCS ovlivňuje prediktivní hodnotu GCS. Studie ukázaly, že GCS měřený při přijetí do traumatologické péče je předvídatelnější než GCS měřený v místě traumatu a že medián GCS při přijetí je vyšší než medián GCS v místě traumatu, ale zda a jak čas ovlivňuje skóre GCS, nebylo studováno .

Cíl

Cílem této studie je posoudit, jak načasování měření GCS ovlivňuje jeho prediktivní hodnotu po traumatickém poranění mozku (TBI) u dospělých pacientů. Prvním cílem je posoudit, zda se prediktivní výkon GCS zlepšil, pokud by byl upraven pro dobu od zranění do doby, kdy byl zaznamenán. Druhým cílem je posoudit, zda se prediktivní výkon GCS liší v závislosti na tom, kdy byl zaznamenán.

Studovat design

Toto je retrospektivní analýza kohortové studie Towards Improved Trauma Care Outcomes in India (TITCO).

Nastavení

Bude použita deidentifikovaná kohorta TITCO. Tato kohorta zahrnuje 16 000 pacientů zařazených mezi červencem 2013 a prosincem 2015 ze čtyř univerzitních nemocnic v Indii. Projektoví manažeři, kteří mají magisterský titul ze zdravotnictví, shromažďovali údaje o přijetí na každé místo prospektivně přímým pozorováním pohotovosti a vyplněním standardizovaného formuláře. Projektoví pracovníci pracovali v střídavých osmihodinových směnách (ranní, večerní, noční). Data byla také zpětně získávána z pacientských záznamů u pacientů přijatých mimo sledované směny.

Zdroj a způsob výběru účastníků

Vedoucí projektu na jednom místě zahrnoval pacienty ze zúčastněných nemocnic, a to buď prospektivním pozorováním, nebo retrospektivním získáváním dat ze záznamů pacientů.

Vysvětlující proměnné Dvěma vysvětlujícími proměnnými, které nás budou zajímat, bude GCS a doba mezi záznamem zranění a GCS v hodinách, dále označovaná jako čas do GCS. GCS byl extrahován ze záznamů pacientů stejně jako datum a čas prvního zaznamenaného GCS. Pokud datum a čas prvního záznamu GCS chybí, použije se místo něj čas příjezdu do zúčastněného centra. Datum a čas zranění byly získány ze záznamů pacientů nebo přímo hlášeny účastníky. Data a čas prvního záznamu GCS nebo příjezdu do zúčastněného centra byly extrahovány ze záznamů pacientů.

Proměnné Pro charakterizaci zkoumaného vzorku budou uvedeny proměnné věk, pohlaví, mechanismus poranění, zda byl pacient přeložen z jiného zdravotnického zařízení a závažnost anatomického poranění kvantifikovaná pomocí skóre závažnosti poranění (ISS). Věk, pohlaví, mechanismus zranění a stav přenosu byly buď extrahovány ze záznamů pacientů, nebo byly hlášeny účastníky. ISS byla vypočtena jediným akreditovaným kodérem na základě textových popisů zranění.

Zaujatost

Aby se zohlednily lidské chyby při zaznamenávání GCS, pozorovatelé sběrače dat Aal byli držiteli magisterských titulů ve zdravotnictví a byli neustále školeni a kontrolováni po celou dobu sběru dat.

Kvantitativní proměnné

GCS bude považováno jak za lineární člen, tak za ordinální proměnnou s 12 úrovněmi. Netestovatelné úrovně verbální a oční složky budou považovány za 1. Čas mezi zraněním a zaznamenaným GCS bude považován za spojitou proměnnou i kategorickou proměnnou. Pokud je považováno za spojitý čas mezi poraněním a GCS, bude umožněno mít nelineární spojení s úmrtností pomocí modelování pomocí omezených kubických splajnů se třemi uzly umístěnými na rovnoměrně rozmístěných percentilech. Pokud je považováno za kategorické, bude rozděleno do bloků po dvou hodinách.

statistické metody

Všechny analýzy budou prováděny ve statistickém jazyce a programovacím prostředí R. Vzorek bude nejprve dočasně rozdělen na trénovací a ověřovací vzorky, jak je uvedeno v části o velikosti studie níže. Každý vzorek bude poté charakterizován pomocí mediánů a mezikvartilových rozsahů (IQR), aby byly prezentovány kvantitativní proměnné a počty a procenta, aby byly prezentovány kvalitativní proměnné.

V trénovacím vzorku budou použity čtyři jednoduché predikční modely pomocí logistické regrese s úmrtností jako výsledkem. První model bude zahrnovat pouze GCS jako lineární člen, druhý GCS jako lineární člen a čas do GCS modelovaný pomocí omezených kubických splajnů, třetí pouze GCS jako ordinální proměnnou a čtvrtý model GCS jako ordinální proměnnou a čas do GCS modelováno pomocí omezených kubických splajnů. Aby se předešlo nadměrnému přizpůsobení, bude faktor smršťování odhadnut pomocí postupu bootstrapping, který bude poté aplikován na modelové koeficienty.

Tyto čtyři modely pak budou aplikovány ve validačním vzorku a jejich prediktivní výkon bude odhadnut a porovnán. Prediktivní výkon každého modelu bude vyhodnocen pomocí oblasti pod křivkou provozních charakteristik přijímače (AUROCC), pozitivních a negativních prediktivních hodnot. Rozdíly v prediktivním výkonu mezi modely a souvisejícími 95% intervaly spolehlivosti budou odhadnuty pomocí bootstrappingu.

Každý z tréninkových a validačních vzorků bude poté rozdělen do podvzorků na základě doby do GCS tak, že první podvzorek zahrnuje pacienty s dobou do GCS < 2 hodiny a druhý podvzorek zahrnuje pacienty s dobou do GCS mezi dvěma a čtyřmi hodinami atd. v blocích po dvou hodinách. V každém z podvzorků školení bude vhodný jednoduchý logistický model zahrnující GCS jako lineární člen jako jedinou nezávislou proměnnou. Koeficient GCS v každém modelu bude zmenšen.

Model vyvinutý v prvním cvičném dílčím vzorku bude poté aplikován na první ověřovací dílčí vzorek a tak dále. Výkonnost modelu v každém validačním dílčím vzorku bude vyhodnocena pomocí AUROCC a střední kvadratické chyby. Trend v těchto mírách napříč validačními dílčími vzorky bude poté kvantifikován pomocí jednoduchého zobecněného lineárního modelu s daty měření výkonnosti jako výstupní proměnnou a nelineární transformací čísla indexu bloku pomocí omezených kubických splajnů se třemi uzly jako jediné nezávislé proměnné.

Strategie zpracování chybějících dat

Pokud je dosaženo požadované velikosti vzorku a jsou zahrnuti pouze pacienti s úplnými údaji o výsledku, vysvětlující proměnné a kovariáty, bude provedena kompletní analýza případu. Pokud tomu tak není, budou chybějící data zpracována vícenásobnou imputací pomocí zřetězených rovnic. Počet imputovaných datových sad se bude rovnat procentu neúplných pozorování. Analýza bude provedena samostatně v každém imputovaném souboru dat a hlavní výsledky budou prezentovány jako mediány s IQR napříč imputacemi. U intervalů spolehlivosti budou uvedeny nejextrémnější hodnoty sdružených horních a dolních mezí.

Velikost studie

Data nejnáročnější analýza bude pravděpodobně odpovídat modelu s GCS jako ordinální proměnnou a časem pro GCS jako omezené kubické splajny, a proto se velikost studie odhaduje, aby vyhovovala této analýze. Simulační studie naznačují, že modely logistické regrese potřebují alespoň deset událostí nebo pozorování s výsledkem na jeden zahrnutý parametr, aby se vytvořily spolehlivé odhady koeficientů. Modelování GCS jako ordinální proměnné bude zahrnovat odhad koeficientů pro jedenáct parametrů a zahrnutí času do GCS přidá dva další parametry. Celkový počet parametrů je pak 13, což ukazuje na potřebu minimálně 130 událostí. Za předpokladu prevalence výsledku 20 % na základě předchozího výzkumu musí tréninkový vzorek zahrnovat alespoň 650 pozorování. Pokud je toto číslo menší než polovina celého vzorku, pak budou trénovací a ověřovací vzorky generovány rozdělením kompletního vzorku na dvě části stejné velikosti. Pokud úplný vzorek obsahuje méně než 1300 pozorování, prvních 650 pozorování bude zahrnuto do trénovacího vzorku a zbývající pozorování budou zahrnuta do ověřovacího vzorku. Bez ohledu na to budou vzorky vytvořeny tak, aby relativní příspěvek každého centra byl v obou vzorcích přibližně stejný.