Vývoj a vyhodnocení elektronického indexu křehkosti+ (eFI+)

Posuzují se zdravotnické technologie

eFI+ bude vyvinut s využitím komponent původního eFI, doplněných o další rutinní data EHR primární péče a pokyny k dalším výhodám implementace jednoduchých klinických opatření v běžné praxi primární péče. eFI+ bude vhodné pro rychlou implementaci v systémech EHR primární péče ve Spojeném království na základě stávajících úzkých vazeb s dodavateli systémů (SystmOne/EMISWeb/Vision/Microtest).

Vyšetřovatelé vyvinou a poté interně a externě ověří eFI+ pomocí databanky Secure Anonymized Information Linkage (SAIL), databáze ResearchOne a Leeds Data Model (LDM).

Kromě toho budou vyšetřovatelé analyzovat data kohortové studie Community Aging Research 75+ (CARE75+) (CI Clegg, n≈1 200) jako jediná národní kohortová studie, která zahrnuje skóre eFI, aby prozkoumali, jak jednoduchá opatření, která lze hodnotit v primární péči, ale nejsou k dispozici v běžných datech EHR (např. rychlost chůze, časovaný test; činnosti každodenního života; osamělost) může zlepšit předpověď.

Studovat design

Vývoj prognostického modelu, interní validace a externí validace pomocí rutinních dat z výzkumu primární péče (ResearchOne), propojených datových souborů (databanka SAIL a LDM) a dat kohortových studií (CARE75+), s integrovaným rozhodovacím analytickým modelováním, včetně zdravotně ekonomické analýzy.

Databáze

1. Databanka Secure Anonymized Information Linkage (SAIL).

   Anonymizované záznamy od přibližně 5 milionů lidí ve Walesu s propojenou primární péčí, docházkou na ED, příjmy do nemocnic, ambulantními údaji, sociální péčí, datovým souborem Welsh Care Homes a údaji o úmrtnosti na PND. SAIL obsahuje souhrnné skóre eFI a jednotlivé komponenty.

2. ResearchOne

   Celostátně reprezentativní data bez identifikace z přibližně 6 milionů elektronických zdravotních záznamů primární péče ve Spojeném království v klinickém systému TPP SystmOne. ResearchOne obsahuje souhrnné skóre eFI a jednotlivé komponenty.

3. Datový model Leeds (LDM)

   Anonymizovaná, propojená data primární, sekundární, komunitní a sociální péče od 810 000 pacientů ze 108 praxí v Leedsu, včetně souhrnných skóre eFI a jednotlivých složek.

4. Kohorta komunitního výzkumu stárnutí 75+ (CARE75+).

Národní prospektivní kohortová studie (n≈1 200) shromažďující podrobné sociodemografické informace, měření křehkosti (včetně skóre eFI), jednoduché nástroje vhodné pro použití v primární péči (např. rychlost chůze, časovaný test; činnosti každodenního života; neformální péče; osamělost) a klíčové výsledky po 6, 12, 24 a 48 měsících. CARE75+ je velmi bohatý soubor dat, který poskytuje vysoce účinnou metodu pro zkoumání toho, jak mohou jednoduché nástroje zvýšit výkon eFI.

Způsobilá populace

Pacienti ≥ 65 let se středně těžkou křehkostí (skóre eFI 0,24 až 0,36) nebo těžkou křehkostí (skóre eFI > 0,36) a registrovaní v praxi ResearchOne, SAIL nebo LDM dne 1. dubna 2018.

Všichni účastníci CARE75+ se střední křehkostí (eFI skóre 0,24 až 0,36) nebo těžkou křehkostí (eFI skóre >0,36) budou způsobilí.

Výsledky pro predikci rizik (všech 12 měsíců)

• Nový nebo rozšířený balíček domácí péče
• Obsluha/hospitalizace na ED s pádem nebo zlomeninou
• Vstup do pečovatelského domu
• Úmrtnost ze všech příčin

Prediktory

Komponenty eFI, doplněné o proměnné dostupné v rámci rutinní primární péče EHR data a klinická hodnotící opatření praktická pro použití v primární péči.

Prognostické modely

Každý prognostický model bude vyvinut a interně ověřen pouze v jedné z databází a poté externě ověřen v druhé databázi.

Velikost vzorku pro vývoj prognostického modelu

Každý z extraktů SAIL a ResearchOne bude zahrnovat ≈ 600 000 pacientů ve věku 65 nebo více let, přičemž odhadem 72 000 má středně těžkou křehkost a 24 000 těžkou křehkost. Extrakt z LDM bude zahrnovat ≈ 150 000 pacientů ve věku 65 nebo více let, přičemž odhadem 18 000 má střední křehkost a 6 000 těžkou křehkost.

Pro vývoj modelu je klíčovým ukazatelem efektivní velikosti vzorku počet výsledných událostí. Předchozí výzkum výsledků zájmu a odhady proveditelnosti pomocí CARE75+, ResearchOne a SAIL poskytují odhady očekávaného počtu událostí během 12 měsíců.

• Nový nebo zvýšený balíček domácí péče: Předpokládaných 15 864 příhod v SAIL, na základě 14,9 % 12měsíční incidence ve skupině se střední křehkostí (10 080 příhod) a 24,1 % 12měsíční incidence ve skupině s těžkou křehkostí (5 784 příhod).
• Docházka na ED/hospitalizace s pádem nebo zlomeninou: Předpokládaných 8 064 příhod v SAIL, na základě 7,4% 12měsíční incidence ve skupině se středně těžkou křehkostí (5 328 příhod) a 11,4% incidence u těžké křehkosti (2 736 příhod).
• Příjem v pečovatelském domě: Předpokládaných 2 160 příhod ve ResearchOne, na základě 2,0 % 12měsíční incidence ve skupině se středně těžkou křehkostí (1 440 příhod) a 3,8 % 12měsíční incidence ve skupině s těžkou křehkostí (720 příhod).
• Úmrtnost ze všech příčin: Předpokládaných 12 216 příhod v ResearchOne, na základě 10,6 % 12měsíční incidence ve skupině se středně těžkou křehkostí (7 632 příhod) a 19,1 % 12měsíční incidence ve skupině s těžkou křehkostí (4 584 příhod).

Proto, i když vezmeme nejnižší odhad incidentů za 12 měsíců (pro přijetí do pečovatelského domu), pro každý výsledek by vyšetřovatelé očekávali alespoň 2 160 událostí v každém z ResearchOne nebo SAIL. To nám umožňuje robustně odhadnout prognostický model pro každý výsledek i s až 108 prediktorovými parametry, což odpovídá 20 událostem na potenciální prediktorový parametr (2160/20). To překračuje doporučení 'pravidlem' 10 nebo 15 událostí na parametr prediktoru.

Kromě toho, konzervativně za předpokladu, že nové modely budou mít Nagelkerke R-squared 15 %, Rileyho vzorec velikosti vzorku naznačuje, že alespoň 7,5 události pro každý parametr prediktoru zajistí minimalizaci nadměrného přizpůsobení a optimismu, když je výsledný podíl 3 %. Při zvýšení podílu výsledku na 20 % (balíček domácí péče), 9 % (pád/zlomenina) nebo 15 % (úmrtnost) je minimální požadovaná velikost vzorku 18, 11,5 a 15 událostí na prediktorový parametr. Vyšetřovatelé všechny tyto překračují kvůli velkým dostupným souborům dat.

Velikost vzorku pro externí ověření

Současná doporučení jsou taková, že pro externí validaci prognostického modelu je vyžadováno alespoň 100 událostí a 100 událostí, které nejsou (ideálně 200). Naše odhady naznačují podstatně více než toto, například 2160 událostí pro nejméně převládající výsledek přijetí do pečovatelského domu v SAIL a ResearchOne a 540 v LDM (který bude použit pouze pro externí validaci modelů).

Chybějící data

Zpracováno pomocí vícenásobné imputace a Rubinových pravidel, za předpokladu chybějící náhodně, včetně výsledku v imputačním modelu, který zohledňuje praktické shlukování.

Plán analýzy

i) Prognostické modelování

Vyšetřovatelé sestaví 4 samostatné prognostické modely v rámci vývojových datových souborů, aby předpověděli riziko našich 4 klíčových uváděných výsledků u jedinců se středně těžkou nebo těžkou křehkostí jako výchozím bodem.

Pro každý výsledek, pro ty se střední křehkostí (skóre eFI 0,24 až 0,36) nebo těžkou křehkostí (skóre eFI > 0,36), výzkumníci vyvinou a interně ověří prognostický model obsahující pouze eFI (jako celek v současné podobě) a poté obsahující komponenty eFI (zahrnuté jako prediktory) spolu s dalšími rutinními daty EHR primární péče. Regresním modelem bude logistická regrese nebo flexibilní parametrické přežití, pro binární výsledky nebo výstupy v čase do události (podle potřeby, když vyšetřovatelé pozorují kódování databáze a cenzuru atd.), aby se vytvořila výsledná rizika do 12 měsíců.

Vzhledem k velké velikosti vzorku se očekává, že overfitting bude malý, ale vyšetřovatelé se tomu přizpůsobí pomocí penalizace prostřednictvím globálního smršťovacího faktoru odhadnutého pomocí bootstrappingu. Tam, kde je výběr proměnných považován za důležitý pro šetrnost, vyšetřovatelé spíše použijí penalizaci prostřednictvím elastické sítě. Interní ověření bude využívat bootstrapping celého vývojového souboru dat a odhady prediktivního výkonu upravené pro optimismus vytvořené pro kalibraci (např. calibration-in-the-large, kalibrační strmost, Observed/Expected), diskriminace (např. C-statistika) a celkově (např. Nagelkerke R2) výkonnost predikovaných rizik. Spojité proměnné nebudou kategorizovány a potenciální nelineární efekty budou zkoumány pomocí splajnů nebo zlomkových polynomů. Neproporcionální rizika pro prediktory budou také zkoumána pomocí interakčních podmínek s časem.

Všechny modely budou externě ověřeny v jiné databázi. Prediktivní statistiky výkonu budou odvozeny, jak je popsáno výše (např. C-statistika, kalibrační strmost), spolu s kalibračními grafy ukazujícími shodu mezi pozorovanými a předpokládanými riziky, napříč spektrem předpokládaných rizik, pomocí sprašového neparametrového vyhlazovače.

Samostatně budou vyšetřovatelé používat soubor dat CARE75+ k prozkoumání další prediktivní schopnosti klinických hodnocení prognostických faktorů identifikovaných z přehledů, které jsou praktické pro použití v běžné primární péči.

ii) Modelování rozhodování

Prognostické modely budou převedeny do rámce, který bude řídit klinické rozhodování identifikací relevantních prahů předpokládaného rizika, nad nimiž je implementace námi uvedených intervencí zaručena. To nám umožní vygenerovat rozhodovací analytický model (DAM), který bude zkoumán pomocí rozhodovacích křivek a čistého přínosu v externích validačních souborech dat.

iii) Zdravotně ekonomické hodnocení

Zdravotně ekonomické hodnocení bude probíhat ve dvou fázích. Cílem první fáze je poskytnout krátkodobé, 12měsíční srovnání efektivnosti nákladů scénářů identifikovaných DAM. Pro druhou fázi vyšetřovatelé rozšíří naši analýzu na dlouhodobé hodnocení efektivnosti nákladů těchto scénářů.