The Predictive Performance of Glasgow Coma Scale i relation til tid

Baggrund

Traumer er et kritisk globalt folkesundhedsproblem, og antallet af dødsulykker som følge af traumer fortsætter med at stige globalt. I 2016 var mere end 4,6 millioner dødsfald resultatet af traumer, hvilket gjorde det til den 8. hyppigste dødsårsag. I Global Burden and Disease-undersøgelsen (GBD) tegner traumatiske skader sig for næsten en tiendedel af alle dødsfald, mere end malaria, tuberkulose, hiv/aids og moderens tilstande tilsammen.

TBI er defineret som hjerneskade forårsaget af traumer, hvor traumer defineres som skader påført kroppen som det direkte eller indirekte resultat af en ydre kraft, med eller uden afbrydelse af strukturel kontinuitet. Traumatisk hjerneskade (TBI) er en førende årsag til sygelighed og dødelighed globalt. Det er den største bidragyder til traumedødsfald i verden med tre gange højere dødelighed end traumer uden ledsaget TBI. Det anslås, at TBI påvirker mere end 10 millioner mennesker årligt.

For at vejlede læger i diagnostik og genoplivningsregimer er prognostiske modeller, der forudsiger TBIs sværhedsgrad og udfald, af stor betydning. Glasgow Coma Scale (GCS) er en af ​​de mest udbredte prognostiske modeller. Det er en neurologisk skala udviklet til at vurdere responsen på stimuli hos patienter med kraniocerebrale skader ved at bruge tre parametre; øjenåbning, verbal respons og motorisk respons. Det er blevet brugt til at vurdere bevidsthedsniveau i både klinisk praksis og neurotraumaforskning. GCS-score, summen af ​​de tre parametre, der bruges i GCS, bruges til at vurdere sværhedsgraden, der spænder fra mild, moderat til svær.

Adskillige undersøgelser har undersøgt den prognostiske værdi af GCS og den prognostiske værdi af GCS individuelle komponenter, men man ved ikke meget om, hvordan forholdet mellem tid mellem skade og første GCS påvirker den prædiktive værdi af GCS. Undersøgelser har vist, at GCS målt ved indlæggelse til traumebehandling er mere prædiktiv end GCS målt på traumestedet, og at median GCS ved indlæggelse er højere end median GCS på traumestedet, men hvis og hvordan tiden påvirker GCS-score er ikke blevet undersøgt. .

Sigte

Formålet med denne undersøgelse er at vurdere, hvordan tidspunktet for måling af GCS påvirker dets prædiktive værdi efter traumatisk hjerneskade (TBI) hos voksne patienter. Det første mål er at vurdere, om den prædiktive ydeevne af GCS forbedres, hvis den justeres for tiden fra skaden, til den blev registreret. Det andet mål er at vurdere, om den prædiktive ydeevne af GCS varierer afhængigt af, hvornår det blev registreret.

Studere design

Dette er en retrospektiv analyse af kohortestudiet Towards Improved Trauma Care Outcomes in India (TITCO).

Indstilling

Den afidentificerede TITCO-kohorte vil blive brugt. Denne kohorte omfatter 16.000 patienter indskrevet mellem juli 2013 og december 2015 fra fire universitetshospitaler i Indien. Projektmedarbejdere, som havde en sundhedsvidenskabelig mastergrad, indsamlede prospektivt data om indlæggelse på hvert sted ved direkte observation af skadestuen og udfyldelse af en standardiseret formular. Projektmedarbejderne arbejdede i roterende otte timers skift (morgen, aften, nat). Data blev også hentet retrospektivt fra patientjournaler for patienter indlagt uden for de observerede vagter.

Kilde og metode til udvælgelse af deltagere

One-site projektlederen inkluderede patienter fra deltagende hospitaler, enten ved prospektiv observation eller ved retrospektiv datahentning fra patientjournaler.

Forklaringsvariable De to forklarende variabler af interesse vil være GCS og tid mellem skade og GCS-registrering i timer, herefter benævnt tid til GCS. GCS blev ekstraheret fra patientjournaler, ligesom datoen og klokkeslættet for første GCS blev optaget. Hvis dato og klokkeslæt for første GCS-optagelse mangler dato, vil ankomsttidspunkt til det deltagende center blive brugt i stedet. Dato og tidspunkt for skaden blev udtrukket fra patientjournaler eller direkte rapporteret af deltagerne. Data og tidspunkt for første GCS-optagelse eller ankomst til deltagende center blev udtrukket fra patientjournaler.

Kovariater Variablerne alder, køn, skadesmekanisme, om patienten blev overført fra en anden sundhedsfacilitet, og anatomisk skades sværhedsgrad kvantificeret ved hjælp af skadens sværhedsgrad (ISS) vil blive rapporteret for at karakterisere undersøgelsesprøven. Alder, køn, skadesmekanisme og overførselsstatus blev enten udtrukket fra patientjournaler eller rapporteret af deltagerne. ISS blev beregnet af en enkelt akkrediteret koder baseret på skadestekstbeskrivelser.

Partiskhed

For at tage højde for menneskelige fejl ved registrering af GCS var Aal-dataindsamlerobservatører indehavere af sundhedsvidenskabelige mastergrader og blev løbende trænet og overvåget gennem hele dataindsamlingsperioden.

Kvantitative variable

GCS vil blive behandlet både som en lineær term og som en ordinal variabel med 12 niveauer. De ikke-testbare niveauer af de verbale og øjenkomponenter vil blive behandlet som 1. Tiden mellem skade og registreret GCS vil blive behandlet både som en kontinuerlig variabel og en kategorisk variabel. Når det behandles som kontinuerlig tid mellem skade og GCS, vil det få lov til at have en ikke-lineær sammenhæng med dødeligheden ved at modellere den ved hjælp af begrænsede kubiske splines med tre knob placeret med lige store percentiler. Når den behandles som kategorisk, vil den blive opdelt i blokke på to timer.

Statistiske metoder

Alle analyser vil blive udført i det statistiske sprog og programmeringsmiljø R. Prøven vil først blive midlertidigt opdelt i trænings- og valideringsprøver som beskrevet i afsnittet om undersøgelsesstørrelse nedenfor. Hver prøve vil derefter blive karakteriseret ved hjælp af medianer og inter-kvartilintervaller (IQR) til at præsentere kvantitative variable og tællinger og procenter for at præsentere kvalitative variable.

I træningsprøven vil fire simple forudsigelsesmodeller blive tilpasset ved hjælp af logistisk regression med dødelighed som resultat. Den første model vil kun inkludere GCS som en lineær term, den anden GCS som en lineær term og tid til GCS modelleret ved hjælp af begrænsede kubiske splines, den tredje kun GCS som en ordinal variabel, og den fjerde model GCS som en ordinal variabel og tid til GCS modelleret ved hjælp af begrænsede kubiske splines. For at undgå overfitting vil en krympningsfaktor blive estimeret ved hjælp af en bootstrapping-procedure, som derefter vil blive anvendt på modelkoefficienterne.

De fire modeller vil derefter blive anvendt i valideringsprøven og deres prædiktive præstation estimeret og sammenlignet. Forudsigelig ydeevne for hver model vil blive evalueret ved hjælp af arealet under modtagerens driftskarakteristikkurve (AUROCC), positive og negative forudsigende værdier. Forskelle i prædiktiv ydeevne mellem modeller og tilhørende 95 % konfidensintervaller vil blive estimeret ved hjælp af bootstrapping.

Hver af trænings- og valideringsprøverne vil derefter blive opdelt i delprøver baseret på tid til GCS, således at den første delprøve inkluderer patienter med tid til GCS < 2 timer, og den anden delprøve inkluderer patienter med tid til GCS mellem to og fire timer og så på i blokke af to timer. I hvert af træningsunderprøverne vil en simpel logistisk model være tilpasset, herunder GCS som et lineært udtryk som den eneste uafhængige variabel. GCS-koefficienten i hver model vil blive formindsket.

Modellen udviklet i den første træningsdelprøve vil derefter blive anvendt på den første valideringsdelprøve og så videre. Modelydeevnen i hver valideringsdelprøve vil blive evalueret ved hjælp af AUROCC og root mean square error. Tendensen i disse mål på tværs af valideringsunderstikprøver vil derefter blive kvantificeret ved hjælp af en simpel generaliseret lineær model med præstationsmåldata som resultatvariabel og en ikke-lineær transformation af blokindeksnummer ved hjælp af begrænsede kubiske splines med tre knob som den eneste uafhængige variabel.

Strategi til at håndtere manglende data

Hvis den krævede stikprøvestørrelse nås, hvis kun patienter med fuldstændige data om resultatet, forklarende variabel og kovariater er inkluderet, vil der blive udført en komplet case-analyse. Hvis ikke, vil manglende data blive håndteret med multiple imputation ved hjælp af kædede ligninger. Antallet af imputerede datasæt vil være lig med procentdelen af ​​ufuldstændige observationer. Analysen vil blive udført separat i hvert imputeret datasæt, og hovedresultaterne præsenteres som medianer med IQR på tværs af imputationer. For konfidensintervaller vil de mest ekstreme værdier af poolede øvre og nedre grænser blive rapporteret.

Studiestørrelse

Den mest dataintensive analyse vil sandsynligvis være at tilpasse modellen med GCS som en ordinal variabel og tid til GCS som begrænsede kubiske splines, og derfor estimeres undersøgelsesstørrelsen til at imødekomme denne analyse. Simuleringsstudier indikerer, at logistiske regressionsmodeller har brug for mindst ti hændelser eller observationer med resultatet pr. inkluderet parameter for at generere pålidelige koefficientestimater. Modellering af GCS som en ordinalvariabel vil involvere estimering af koefficienter for elleve parametre, og at inkludere tid til GCS tilføjer yderligere to parametre. Det samlede antal parametre er så 13, hvilket indikerer et behov for mindst 130 hændelser. Forudsat en udbytteprævalens på 20 % baseret på tidligere forskning, skal træningsprøven omfatte mindst 650 observationer. Hvis dette antal er mindre end halvdelen af ​​den komplette prøve, vil trænings- og valideringsprøverne blive genereret ved at opdele hele prøven i to lige store dele. Hvis den komplette prøve omfatter mindre end 1300 observationer, vil de første 650 observationer blive inkluderet i træningsprøven, og de resterende observationer vil blive inkluderet i valideringsprøven. Uanset hvad vil prøverne blive oprettet på en sådan måde, at det relative bidrag fra hvert center er omtrent det samme i begge prøver.