Udvikling og evaluering af Electronic Frailty Index+ (eFI+)

Sundhedsteknologier bliver vurderet

eFI+ vil blive udviklet ved hjælp af komponenter fra den originale eFI, suppleret med yderligere rutinemæssig primær EPJ-data og vejledning om de ekstra fordele ved at implementere simple kliniske foranstaltninger i rutinepræstplejepraksis. eFI+ vil være velegnet til hurtig implementering i britiske primære EPJ-systemer, der bygger på eksisterende tætte forbindelser med systemleverandører (SystmOne/EMISWeb/Vision/Microtest).

Efterforskerne vil udvikle og derefter internt og eksternt validere eFI+ ved hjælp af SAIL-databanken (Secure Anonymised Information Linkage), ResearchOne-databasen og Leeds Data Model (LDM).

Derudover vil efterforskerne analysere Community Aging Research 75+ (CARE75+) kohorteundersøgelsesdata (CI Clegg, n≈1.200) som det eneste nationale kohortestudie, der inkluderer eFI-score, for at undersøge, hvordan simple foranstaltninger, der kan vurderes i primærpleje, men er ikke tilgængelige i rutinemæssige EPJ-data (f.eks. ganghastighed, time-up-and-go test; daglige aktiviteter; ensomhed) kan forbedre forudsigelsen.

Studere design

Prognostisk modeludvikling, intern validering og ekstern validering ved hjælp af rutinemæssige primære sundhedsforskningsdata (ResearchOne), linkede datasæt (SAIL-databank og LDM) og kohortestudiedata (CARE75+), med integreret beslutningsanalytisk modellering, herunder sundhedsøkonomisk analyse.

Databaser

1. Secure Anonymised Information Linkage (SAIL) databank

   Anonymiserede optegnelser fra omkring 5 millioner mennesker i Wales med tilknyttet primær pleje, ED-deltagelse, hospitalsindlæggelser, ambulante data, social pleje, datasæt for walisiske plejehjem og ONS-dødelighedsdata. SAIL inkluderer eFI-resumeresultater og individuelle komponenter.

2. ResearchOne

   Nationalt repræsentative, afidentificerede data fra omkring 6 millioner britiske primære sundhedsjournaler på det kliniske system TPP SystmOne. ResearchOne inkluderer eFI-resumeresultater og individuelle komponenter.

3. Leeds Data Model (LDM)

   Anonymiserede, sammenkædede primære, sekundære, samfundsmæssige og sociale plejedata fra 810.000 patienter på tværs af 108 praksisser i Leeds, inklusive eFI-resuméscore og individuelle komponenter.

4. Fællesskabets aldersforskning 75+ (CARE75+) kohorte

Nationalt prospektivt kohortestudie (n≈1.200), der indsamler detaljerede sociodemografiske oplysninger, skrøbelighedsmål (herunder eFI-score), enkle instrumenter, der er egnede til brug i primærpleje (f.eks. ganghastighed, time-up-and-go test; daglige aktiviteter; uformel pleje; ensomhed) og nøgleresultater efter seks, 12, 24 og 48 måneder. CARE75+ er et meget rigt datasæt, der giver en yderst effektiv metode til at undersøge, hvordan simple instrumenter kan øge eFI-ydelsen.

Berettiget befolkning

Patienter ≥65 år med moderat skrøbelighed (eFI score 0,24 til 0,36) eller svær skrøbelighed (eFI score >0,36) og registreret hos en ResearchOne, SAIL eller LDM praksis den 1. april 2018.

Alle CARE75+ deltagere med moderat skrøbelighed (eFI-score 0,24 til 0,36) eller svær skrøbelighed (eFI-score >0,36) vil være berettigede.

Resultater for risikoforudsigelse (alle 12 måneder)

• Ny eller øget hjemmeplejepakke
• ED tilstedeværelse/indlæggelse med fald eller brud
• Indlæggelse på plejehjem
• Dødelighed af alle årsager

Forudsigere

Komponenter af eFI, suppleret med variabler tilgængelige inden for rutinemæssig primær EPJ-data og kliniske vurderingsforanstaltninger, der er praktiske til brug i primærpleje.

Prognostiske modeller

Hver prognostisk model vil blive udviklet og internt valideret i kun én af databaserne og derefter eksternt valideret i en anden database

Prøvestørrelse til prognostisk modeludvikling

SAIL og ResearchOne ekstrakter vil hver omfatte ≈600.000 patienter i alderen 65 eller derover, hvoraf anslået 72.000 har moderat skrøbelighed og 24.000 alvorlig skrøbelighed. LDM-ekstrakt vil omfatte ≈150.000 patienter på 65 år eller derover, hvoraf anslået 18.000 har moderat skrøbelighed og 6.000 svær skrøbelighed.

For modeludvikling er en nøgleindikator for den effektive stikprøvestørrelse antallet af udfaldsbegivenheder. Tidligere forskning i resultaterne af interesse og gennemførlighedsestimater ved hjælp af CARE75+, ResearchOne og SAIL informerer estimater for det forventede antal begivenheder inden for 12 måneder.

• Ny eller øget hjemmeplejepakke: Forventet 15.864 hændelser i SAIL, baseret på 14,9 % 12 måneders incidens i moderat skrøbelig gruppe (10.080 hændelser) og 24,1 % 12 måneders incidens i svær skrøbelighedsgruppe (5.784 hændelser).
• ED-tilstedeværelse/hospitalisering med fald eller fraktur: Forventet 8.064 hændelser i SAIL, baseret på 7,4 % 12 måneders incidens i moderat skrøbelighedsgruppe (5.328 hændelser) og 11,4 % incidens i svær skrøbelighed (2.736 hændelser).
• Indlæggelse på plejehjem: Forventet 2.160 hændelser i ResearchOne, baseret på 2,0 % 12 måneders incidens i moderat skrøbelighedsgruppe (1.440 hændelser) og 3,8 % 12 måneders incidens i gruppen med svær skrøbelighed (720 hændelser).
• Dødelighed af alle årsager: Forventet 12.216 hændelser i ResearchOne, baseret på 10,6 % 12 måneders incidens i gruppen med moderat skrøbelighed (7.632 hændelser) og 19,1 % 12 måneders incidens i gruppen med svær skrøbelighed (4.584 hændelser).

Derfor, selv når man tager det laveste estimat af hændelser med 12 måneder (for plejehjemsindlæggelse), ville efterforskerne for hvert resultat forvente mindst 2.160 hændelser i hver af ResearchOne eller SAIL. Dette gør os i stand til robust at estimere en prognostisk model for hvert udfald selv med op til 108 prædiktorparametre, svarende til 20 hændelser pr. potentiel prædiktorparameter (2160/20). Dette overstiger 'tommelfingerregel'-anbefalinger på 10 eller 15 hændelser pr. forudsigelsesparameter.

Desuden, hvis man konservativt antager, at de nye modeller vil have en Nagelkerke R-squad på 15 %, antyder Rileys stikprøvestørrelsesformel, at mindst 7,5 hændelser for hver prædiktorparameter vil sikre overtilpasning og optimisme minimeres, når udfaldsandelen er 3 %. Når udfaldsandelen øges til 20 % (hjemmeplejepakke), 9 % (fald/fraktur) eller 15 % (dødelighed), er den minimumsprøvestørrelse, der kræves, henholdsvis 18, 11,5 og 15 hændelser pr. prædiktorparameter. Efterforskerne overstiger alle disse på grund af de store tilgængelige datasæt.

Prøvestørrelse til ekstern validering

Aktuelle anbefalinger er, at mindst 100 hændelser og 100 ikke-hændelser (ideelt set 200) er nødvendige for prognostisk model ekstern validering. Vores estimater indikerer betydeligt mere end dette, såsom 2160 hændelser for det mindst udbredte resultat af plejehjemsindlæggelse i SAIL og ResearchOne, og 540 i LDM (som kun vil blive brugt til ekstern validering af modeller).

Manglende data

Håndteres ved hjælp af multiple imputation og Rubins regler, under en manglende tilfældig antagelse, inklusive resultat i imputationsmodellen, der tager højde for praksisklyngning.

Analyseplan

i) Prognostisk modellering

Efterforskerne vil bygge 4 separate prognostiske modeller inden for udviklingsdatasættene for at forudsige risikoen for vores 4 nøgleudtalte resultater hos individer med moderat eller svær skrøbelighed som udgangspunkt.

For hvert resultat, for dem med moderat skrøbelighed (eFI-score 0,24 til 0,36) eller svær skrøbelighed (eFI-score >0,36), vil efterforskerne udvikle og internt validere en prognostisk model, der kun indeholder eFI (som helhed, som den er i øjeblikket) og derefter indeholdende komponenter af eFI (inkluderet som prædiktorer) sammen med yderligere rutinemæssig primær EPJ-data. Regressionsmodellen vil være logistisk regression eller fleksibel parametrisk overlevelse, for binære eller tid-til-hændelsesresultater (alt efter behov, når efterforskerne observerer databasens kodning og censur osv.), for at producere udfaldsrisici inden for 12 måneder.

På grund af den store stikprøvestørrelse forventes overfitting at være lille, men efterforskerne vil justere for det ved hjælp af straf via en global svindfaktor estimeret via bootstrapping. Hvor variabelselektion anses for vigtig for sparsomheden, vil efterforskerne hellere bruge straf via elastisk net. Intern validering vil bruge bootstrapping af hele udviklingsdatasættet og optimismejusterede estimater af prædiktiv ydeevne produceret til kalibrering (f.eks. kalibrering-i-det-store, kalibreringshældning, observeret/forventet), diskrimination (f.eks. C-statistik) og overordnet (f.eks. Nagelkerke R2) præstation af forudsagte risici. Kontinuerlige variable vil ikke blive kategoriseret, og potentielle ikke-lineære effekter vil blive undersøgt ved brug af splines eller brøkpolynomier. Ikke-proportionale farer for prædiktorer vil også blive undersøgt med interaktionstermer med tiden.

Alle modeller vil blive eksternt valideret i en anden database. Forudsigende præstationsstatistikker vil blive udledt som beskrevet ovenfor (f.eks. C-statistik, kalibreringshældning), sammen med kalibreringsplot, der viser overensstemmelse mellem observerede og forudsagte risici, på tværs af spektret af forudsagte risici, ved hjælp af en løss ikke-parameter udglatter.

Separat vil efterforskerne bruge CARE75+-datasættet til at undersøge den yderligere prædiktive kraft af kliniske vurderingsmålinger af prognostiske faktorer identificeret ud fra anmeldelserne, som er praktiske til brug i rutinemæssig primærbehandling.

ii) Beslutningsmodellering

Prognostiske modeller vil blive oversat til en ramme til at vejlede klinisk beslutningstagning ved at identificere relevante tærskler for forudsagt risiko, over hvilke implementering af vores erklærede interventioner er berettiget. Dette vil give os mulighed for at generere en beslutningsanalytisk model (DAM), som vil blive undersøgt ved hjælp af beslutningskurver og nettofordel i de eksterne valideringsdatasæt.

iii) Sundhedsøkonomisk evaluering

Den sundhedsøkonomiske evaluering vil blive gennemført i to faser. Målet med den første fase er at give en kortsigtet 12-måneders sammenligning af omkostningseffektiviteten af ​​de scenarier, som DAM har identificeret. I anden fase vil efterforskerne udvide vores analyse til en langsigtet omkostningseffektivitetsevaluering af disse scenarier.