Prediktory výsledku po perioperační mrtvici

POZADÍ

Perioperační cévní mozková příhoda je devastující komplikací chirurgického zákroku, která je v současné době špatně charakterizována s omezenými klinickými nástroji dostupnými pro detekci a prevenci jejího výskytu. Perioperační cévní mozková příhoda je cerebrovaskulární příhoda, ke které dochází po operaci a postihuje 0,1-1,9 % pacientů podstupujících nekardiální, neneurologický chirurgický výkon. Perioperační cévní mozková příhoda je ve srovnání s pooperačními komplikacemi podobného výskytu a závažnosti, jako jsou srdeční komplikace, poměrně málo studována. Během několika posledních desetiletí bylo vynaloženo značné úsilí na snížení rizika perioperačního infarktu myokardu a vedlo k poklesu incidence v průběhu času v důsledku pokroku ve stratifikaci rizika a perioperačním managementu. I když je výskyt perioperačních cévních mozkových příhod obdobný nebo vyšší než u perioperačního infarktu myokardu, riziko této komplikace v průběhu času narůstá a perioperační cévní mozková příhoda zůstává relativně opomíjena. Současná literatura uvádí, že pacienti, kteří po operaci prodělají cévní mozkovou příhodu, mají vyšší úmrtnost, délku pobytu a propuštění do zařízení, ale vzhledem k vzácné povaze této komplikace je relativně málo známo o tom, které faktory předpovídají tyto výsledky mezi těmi, kteří prodělat perioperační mozkovou příhodu.

CÍLE

KONKRÉTNÍ CÍLE

1. Odvoďte a externě ověřte modely predikce rizika pro mortalitu (primární výsledek), nežádoucí propuštění, využití JIP, tracheostomii/PEG/kraniektomii a délku pobytu po perioperační cévní mozkové příhodě.
2. Popište časové trendy v úmrtnosti po perioperační cévní mozkové příhodě v letech 2005 až 2020.
3. Prozkoumat mediátory rizika úmrtnosti po perioperační cévní mozkové příhodě.

METODY

Tato studie je retrospektivní analýzou prospektivně shromážděné databáze National Surgical Quality Improvement Program American College of Surgeons v letech 2004 až 2020.

Odvozená kohorta bude extrahována z databáze NSQIP. Poslední rok datového souboru (2020) obsahuje údaje o více než jednom milionu případů ze 708 míst. Validační kohorta bude extrahována z Population Data BC, kolekce propojených provinčních databází poskytujících deidentifikovaná data na individuální úrovni o všech obyvatelích BC (5,1 milionu obyvatel). Období od 1. ledna 2002 do 31. prosince 2020 bylo zvoleno tak, aby odráželo současné postupy léčby cévní mozkové příhody (např. EVT) a konzistentní používání kódování MKN-10-CA od roku 2002.

Studijní populace

Odvozená kohorta NSQIP: Do databáze NSQIP v letech 2004 až 2017 budou zahrnuti pacienti s perioperační cévní mozkovou příhodou. Vyloučíme neurochirurgické (včetně karotické endarterektomie) a intervenční radiologické výkony. Populace kardiochirurgických a nekardiologických operací budou analyzovány odděleně vzhledem k jejich jedinečnému profilu rizika cévní mozkové příhody.

Validační kohorta PopDataBC: Pacienti s AIS budou identifikováni pomocí diagnostických kódů I63.0-163.9 z Mezinárodní klasifikace nemocí (ICD), desátá revize, Kanada (ICD-10-CA), která přesně a spolehlivě identifikuje AIS ve velkých administrativních souborech dat s pozitivní prediktivní hodnotou a citlivostí vyšší než 97 %. Pacienti, kteří zaznamenali vstupní diagnózu ICD-10-CA (první 3 pozice) AIS do 30 dnů od přijetí k operaci, nebo jako propouštěcí diagnózu z indexové chirurgické hospitalizace. Perioperační pacienti budou dále extrahováni z celkové kohorty AIS, pokud obdrželi chirurgický účtovací kód během 30 dnů před přijetím pro cévní mozkovou příhodu.

Výstupní proměnné: Primárním výsledkem je 30denní mortalita; sekundárními výstupy jsou využití JIP, délka hospitalizace, markery závažného iktu (tracheostomie, PEG, hemikraniektomie pro edém mozku) a nežádoucí propuštění (mimo domácí zařízení nebo úmrtí).

Kandidátské predikční proměnné: Výsledek po perioperační cévní mozkové příhodě je potenciálně spojen s pacientskými, chirurgickými a anestetickými faktory a také s charakteristikami cévní mozkové příhody. Kandidátské prediktorové proměnné budou zahrnovat charakteristiky pacienta (věk, pohlaví, komorbidity včetně anamnézy cévní mozkové příhody), chirurgické charakteristiky (specialita, složitost, typ, pohotovostní stav), anestetickou techniku ​​(obecná versus regionální/neuraxiální) a charakteristiky cévní mozkové příhody (načasování vzhledem k operaci , readmise pro cévní mozkovou příhodu vs. Spojité proměnné budou uvažovány pro transformaci pomocí zlomkových polynomů, aby bylo možné spojitou nelineární asociaci.

STATISTICKÁ ANALÝZA

Cíl 1: Odvození a validace modelů predikce rizik. Multivariabilní modely pro predikci 30denní mortality po perioperační cévní mozkové příhodě budou vytvořeny odděleně pro srdeční a nekardiální chirurgii, vzhledem k jejich jedinečným mechanismům cévní mozkové příhody. Abychom se vyhnuli nadměrnému přizpůsobení, provedeme strategii redukce dat a vyloučíme proměnné s více než 10 % chybějících dat nebo méně než 20 pozorováními. Tam, kde chybí údaje > 1 %, ale < 10 %, budeme zvažovat vícenásobnou nebo střední imputaci; proměnné s < 1 % chybějících dat budou zpracovány prostřednictvím kompletní případové analýzy.

Předem specifikované prediktorové proměnné budou použity ke konstrukci modelu logistické regrese, kde budou koeficienty zmenšovány pomocí elastické čisté penalizace. Tato metoda pro selekci a penalizaci proměnných byla zvolena, protože předpokládáme možnost velkého počtu potenciálních prediktorů vzhledem k počtu výsledků a že několik důležitých prediktorů bude kolineárních. Použitím elastické regularizace sítě můžeme použít rovnováhu mezi nejmenším absolutním smrštěním a penalizací selektorovým operátorem (LASSO) a RIDGE regresí. RIDGE regrese nám umožní ponechat důležité kolineární prediktory, ale zmenšit jejich koeficienty (které by mohly být nafouknuté kvůli kolinearitě). Metody LASSO umožní koeficienty některých nepříspěvkových prediktorů na nulu, čímž je z modelu vyloučí. Zahrnuté proměnné budou posouzeny z hlediska interakcí a dalších podmínek, které podle potřeby zlepší výkon modelu. Konkrétně budeme a priori zkoumat následující interakce: věk*pohlaví, chirurgická složitost (WRVU)*věk, WRVU*specialita a specialita*anestetická technika. Diskriminace modelu bude vyhodnocena pomocí plochy pod provozní charakteristikou přijímače (c-statistika). Kalibrace modelu bude posouzena pomocí spraší vyhlazeného grafu pozorovaných a předpokládaných rizik v celém spektru rizik. Podobná analýza bude použita k vytvoření predikčního modelu délky pobytu (což bude logaritmicky transformovaný lineární model). Protože smrt je konkurenčním výsledkem pro dispozice propuštění, nepříznivé propuštění bude modelováno jako ordinální výsledek (domácí propuštění, propuštění mimo domov nebo smrt).

Interní validace: Po odvození bude 5 000 bootstrap vzorků použito pro interní validaci a pro vytvoření odhadovaného optimismu. Analýzy citlivosti otestují výkonnost modelu v různých časových epochách, aby se posoudil dopad roku operace (např. 2 až 3leté epochy, v závislosti na počtu pozorování dostupných v každém roce). Po odvození konečného modelu pro predikci úmrtnosti odvodíme zjednodušený prediktivní index převodem regresních koeficientů na body, které odrážejí jejich relativní váhy. Prediktivní přesnost výsledného nástroje bude hodnocena podobným způsobem jako výše.

Externí validace: Finální logistický model bude externě validován v odlišném datovém souboru získaném z PopDataBC po mapování datových prvků NSQIP do databáze PopDataBC. Regresní koeficienty budou aplikovány na PopDataBC z modelu odvozeného od NSQIP, aby se vypočítaly pravděpodobnosti očekávaných výsledků a porovnaly se předpovězené s pozorovanými výsledky. Bude měřena diskriminace a kalibrace, přičemž plocha pod křivkou provozní charakteristiky přijímače >0,70 bude považována za přijatelnou modelovou diskriminaci a Hosmer-Lemeshowův test s p>0,05 indikuje přijatelnou dobrou shodu.

Cíl 2: Časové trendy úmrtnosti. Provedeme explorativní neupravený obyčejný regresní model nejmenších čtverců s roční mírou úmrtnosti po perioperační cévní mozkové příhodě jako závislou proměnnou a rokem jako prediktorem pro odhad roční změny míry úmrtnosti v čase. Bude specifikován vícerozměrný lineární regresní model přizpůsobený důležitým prediktorům.

Cíl 3: Mediátory rizika úmrtnosti. Abychom prozkoumali možné ovlivnění rizika úmrtnosti před mozkovou příhodou událostmi po mrtvici, specifikujeme řadu logistických regresních modelů se smrtí jako závislou proměnnou a pravděpodobností úmrtí z našeho primárního modelu jako lineárního prediktoru. Poté přidáme předem specifikované prediktory (výše), každý jako další proměnnou, abychom prozkoumali, zda se pravděpodobnost úmrtí zvyšuje nebo snižuje na základě přidání proměnné modifikující postulovaný účinek.

Analýza založená na pohlaví/pohlaví: Prozkoumáme vztah mezi pohlavím a výsledky po perioperační cévní mozkové příhodě provedením analýz podskupin u žen a mužů a charakterizujeme a porovnáme základní rysy a výsledky těchto dvou populací. Dále do upraveného modelu zahrneme gender a priori jako prediktor a budeme zkoumat interakce s dalšími proměnnými. Nejsme schopni zkoumat nebinární pohlaví, protože NSQIP poskytuje pouze „muž“, „žena“ nebo „neznámý“.

Velikost a síla vzorku: Použili jsme metody Riley et al k odhadu požadované velikosti vzorku k odvození stabilního logistického regresního modelu, který minimalizuje přesazení. Pomocí 30 modelových parametrů a odhadované výsledné prevalence 25% úmrtnosti u lidí s cévní mozkovou příhodou3 jsme odhadli požadovanou minimální velikost vzorku na základě potenciální diskriminace modelu (c-statistika) a vysvětlení rozptylu (Cox-Snell R2). Pokud náš model dosáhne c-statistiky 0,7 (R2 0,09), potřebujeme 2 754 účastníků. Silnější diskriminace (c-statistika 0,8, R2 0,2) by snížila požadovanou velikost vzorku na 1 145. Databáze NSQIP 2004-2017 obsahuje 6,6 milionu pacientů a na základě naší předběžné analýzy datového souboru z roku 2015 bude 99,5 % nekardiální chirurgie s 0,19 % incidencí cévní mozkové příhody a 0,5 % bude kardiochirurgická operace s 1,76 % incidencí. mrtvice. Odhadujeme tedy celkem minimálně 12 434 a 5 808 nekardiálních a kardiálních perioperačních iktu.

Hodnota p <0,05 bude považována za významnou pro všechny analýzy a všechny analýzy dat budou provedeny pomocí STATA 17 (StataCorp, Texas, USA).