Risikoevaluering før og efter neuromuskuloskeletale skader til forbedring af tilbagevenden til tjeneste (PREPARE)

Ikke-kamprelaterede muskuloskeletale skader (MSKI) er den førende årsag til sygelighed og invaliditet i det amerikanske militær, og eroderer kampberedskabet mere end nogen anden enkelt sygdom eller helbredstilstand. MSKI-problemet er udfordrende at løse, til dels fordi det er vanskeligt at vurdere alle de faktorer, der øger MSKI-risikoen, og de faktorer, der har indflydelse på post-MSKI resultater, skal værdibaseret pleje have den nødvendige infrastruktur til at indfange og behandle handlingsvenlig information , og implementer derefter relevante ændringer (dvs. lærende sundhedssystem). Der er dog ingen omfattende anbefalinger fra Military Health System (MHS) vedrørende indsamling og brug af objektive og subjektive patientcentrerede data til at informere MSKI om risikovurdering og afbødningsstrategier. PREPARE vil udvikle effektive risikovurderinger før og efter MSKI, der inkorporerer objektive og subjektive foranstaltninger. Det overordnede studiemål er at udvikle omfattende kliniske vurderinger, der identificerer servicemedlemsspecifikke faktorer, der bidrager til MSKI-risici og uønskede post-MSKI-resultater.

Disse mål vil blive nået af følgende specifikke mål (SA):

Specifikt mål #1: Bestem intra-bedømmer, inter-bedømmer og inter-dag reliabilitet af de undersøgelsesrelaterede målinger inden for en (pilot) kohorte af sunde aktive tjenestemedlemmer.

Hypotese SA#1: Der vil være god til fremragende intra-bedømmer, inter-bedømmer og inter-dag reliabilitet for undersøgelsesrelaterede målinger.

Specifikt mål #2: Bestem de fysiske og psykosociale træk hos Servicemedlemmer før MSKI, der skelner mellem personer, der fortsætter med at opretholde en MSKI, og dem, der ikke gør det inden for 1 år efter tilmelding til studiet.

Hypotese SA#2: Et fælles sæt af fysiske (f.eks. bevægelsesvurderinger, gang, bevægeudslag) og psykosociale (f.eks. National Institutes of Health Patient-Reported Outcomes Measurement Information System [PROMIS], TSK-11) vurderinger kan identificere de præ-MSKI-faktorer, der bidrager til større MSKI-risici.

Specifikt mål #3: Bestem de post-MSKI fysiske og psykosociale træk hos servicemedlemmer med ikke-kirurgisk administrerede MSKI'er, der skelner mellem individer, der fortsætter med at have uønskede resultater, og dem, der har forventede resultater.

Hypotese SA#3: Et fælles sæt af felthensigtsmæssige fysiske (f.eks. bevægelsesvurderinger, gang, fælles bevægeudslag) og psykosociale (f.eks. NIH PROMIS, TSK-11) vurderinger kan identificere de post-MSKI faktorer, der bidrager til uønskede patientudfald (f.eks. øget MSKI-risiko, symptom/tilstandskronisering, forsinket tilbagevenden til tjeneste/aktivitet [RTD/A]).

Specifikt mål #4: Skabe optimerede (sparsomme) præ- og post-MSKI kliniske vurderinger til identifikation af fysiske og psykosociale faktorer, der giver den nødvendige information til at forbedre præ- og post-MSKI risikoreduktions- og rehabiliteringsstrategier.

Hypotese SA#4: Et fælles sæt af semi-automatiserede felt-hensigtsmæssige vurderinger kan struktureres til korrekt at informere klinisk beslutningstagning og informere servicemedlemmer og sundhedsudbydere om sandsynlige patientresultater (f.eks. MSKI-risiko, tid til RTD/A).

Specifikt mål #5: Validere de optimerede versioner af vores præ- og post-MSKI-vurderinger ved at demonstrere deres evner til at forudsige MSKI-risici og -resultater i nye Service Member-kohorter.

Hypotese SA#5: De optimerede præ- og post-MSKI-vurderinger vil nøjagtigt identificere servicemedlemmer med den højeste risiko for at opretholde MSKI'er og uønskede post-MSKI-resultater på tværs af servicemedlemspopulationer.

Dette er en multi-site observationsundersøgelse for at identificere de før- og post-MSKI fysiske og psykosociale faktorer, der bidrager til større MSKI-risiko (Specific Aim #2) og uønskede post-MSKI-resultater (Specific Aim #3) og for at identificere minimumssættet af kliniske vurderinger, der er nødvendige for at give sundhedsudbydere de data, der kræves for at optimere MSKI-plejen (Specific Aim #4) og for at validere de optimerede præ- og post-MSKI-vurderinger ved at demonstrere deres evner til at forudsige MSKI-risici og -resultater i nye Service Member-kohorter. For specifikt mål #1 vil 10 sunde aktive tjenestemedlemmer tjene som en pilotkohorte for deltagelse i undersøgelsen. Disse personer vil gennemføre alle studierelaterede aktiviteter, så studieholdet kan etablere det bedst mulige tidsestimat for gennemførelsen af ​​studierelaterede aktiviteter. Disse personer vil gentage de samme undersøgelsesrelaterede aktiviteter 7-10 dage efter det første besøg; dette vil gøre det muligt for undersøgelsesteamet at fastslå intra-bedømmerne, inter-bedømmerne og inter-dages pålidelighed af de undersøgelsesrelaterede mål. For specifikt mål #2 vil tjenestemedlemmer (n=560), som går ombord på en ny militær enhed, blive tilmeldt. Deltagerne vil gennemgå en omfattende præ-MSKI klinisk vurdering på tidspunktet for tilmelding til studiet, herunder vurderinger af klinisk bevægelse og bevægelsesområde samt patientrapporterede udfaldsmålinger (PRO). MSKI-data vil blive indsamlet månedligt i op til 1 år efter den første vurdering. For specifikt mål #3 vil servicemedlemmer (n=780), som modtager konservativ behandling for en muskel- og skeletskade i lænden eller underekstremiteten, blive tilmeldt prospektivt. Servicemedlemmer vil modtage behandling for MSKI'er efter skøn fra servicemedlemmernes sundhedsudbydere. Deltagerne vil gennemgå gentagelse (≤3 dage efter start af fysioterapi ["initial"); 4 uger efter indledende vurdering eller ved FTU/A-godkendelse, hvis det er før 4 uger; og 12 uger efter indledende vurdering eller ved FTU/A En clearance, hvis før 12 uger) vurderinger af klinisk bevægelse og bevægelsesområde. PRO- og MSKI-data vil blive indsamlet månedligt i op til 1 år efter den indledende vurdering. For specifikt mål #5, servicemedlemmer, der er under behandling til en enhed i Fort Bragg, NC (n=560) og aktive tjenestemedlemmer, der modtager fysioterapi til en MSKI i et Womack Army Medical Center (WAMC; Ft. Bragg, NC) fysioterapiklinik (n=780) vil blive tilmeldt. Deltagerne vil gennemføre vores optimerede præ- og post-MSKI-vurderinger identificeret i Specifikt mål #4. Alle procedurer og tidspunkter vil være identiske med dem, der tidligere er beskrevet for specifikke mål #2 og #3.

For specifikke mål #2 og #3 vil deltagerne gennemføre: 1) Bevægelsesvurderinger ved hjælp af semi-automatiske kinematiske (markørløst motion capture system) og kinetiske (instrumenteret gangbro) målinger til spring-landing, triple hop, single leg squat, double leg squat , og gangart; 2) Måling af bevægelsesområde inklusive hofteekstension, hofteabduktion, knæfleksion, knæekstension og dorsalfleksion; 3) PRO-foranstaltninger, herunder NIH PROMIS og Tampa Scale of Kinesiophobia (TSK-11), og 4) MSKI-sporing.

For at løse specifikke mål #2 og #4 vil undersøgelsesholdet bruge en statistisk tilgang til at udvælge og evaluere kandidatvurderinger til forudsigelse af MSKI'er. Optimale vurderinger vil blive bestemt baseret på de laveste fejlklassificeringsrater af MSKI-forudsigelse. Denne analyse vil bruge en maskinlæringsalgoritme (hierarkisk klyngeanalyse) til at definere grupper af stærkt korrelerede responsvariabler blandt det omfattende sæt af kliniske vurderinger. Undersøgelsesholdet vil beskrive og sammenligne variabler opnået fra individuelle vurderinger ved tilstedeværelse versus fravær af MSKI i op til et års opfølgning, ved hjælp af t-tests eller et ikke-parametrisk alternativ. Hierarkisk klyngeanalyse (Wards metode) vil blive brugt til næste gang at identificere klynger af korrelerede variabler, der minimerer varians inden for klynge i datasættet. Trædiagrammer og klyngemidler vil blive brugt til at fortolke klynger i relation til individuelle variabler og funktionelle domæner beskrevet i litteraturen, herunder præstations- og generelle sundhedsmålinger og selvvurdering af funktion. Følsomhedsanalyser vil evaluere robustheden af ​​tildelte grupperinger til valget af klyngemetode ved at bruge alternative algoritmer til at beregne lighed mellem klynger (f.eks. komplette koblings- eller gruppegennemsnitsmetoder).

Klyngeanalyseresultater vil blive brugt til at udlede reducerede kandidatvurderinger fra potentielle kombinationer af de individuelle variable fundet karakteriseret ved de identificerede klynger. Kandidatvurderingsvariablerne vil blive evalueret som prædiktorer i binære klassifikationsmodeller af MSKI gennem op til et års opfølgning. Fejlklassificeringsrater vil blive rapporteret som procentdelen af ​​deltagere, hvor resultatet blev forkert forudsagt efter tærskelværdi ved brug af klinisk relevante sensitiviteter og specificiteter. Krydsvalidering vil blive brugt til at minimere bias i estimerede sandsynligheder. Undersøgelsesteamet vil udvælge vurderinger, der kombineret har de laveste fejlklassificeringsrater og korteste gennemførelsestider for at skabe den optimale MSKI risikovurdering (Specific Aim #4). Gennemførelsestider vil blive estimeret baseret på observerede tidspunkter for at administrere hver enkelt vare. Analyser vil blive gentaget og begrænser resultaterne til de mest almindelige individuelle MSKI-typer (versus ingen MSKI), for at evaluere for kvalitative forskelle i optimale vurderinger efter skadestype.

For at løse specifikke mål #3 og #4 vil undersøgelsesholdet bruge en statistisk tilgang til at udvælge og evaluere kandidatvurderinger til forudsigelse af MSKI-resultater (Specific Aim #3). Optimale vurderinger vil blive bestemt baseret på laveste frekvenser af fejlklassificering af resultater og korteste vurderingstider. Denne analyse vil bruge en maskinlæringsalgoritme (hierarkisk klyngeanalyse) til at definere grupper af stærkt korrelerede responsvariabler blandt det omfattende sæt af kliniske vurderinger. Undersøgelsesholdet vil bruge hierarkisk klyngeanalyse (Wards metode) til at identificere klynger af observationer, der minimerer varians inden for klynge ved baseline-besøget. Trædiagrammer og klyngemidler vil blive brugt til at fortolke klynger i forhold til individuelle variabler og funktionelle domæner beskrevet i litteraturen. Følsomhedsanalyser vil evaluere robustheden af ​​tildelte grupperinger til valget af klyngemetode ved at bruge alternative algoritmer til at beregne lighed mellem klynger (f.eks. komplette koblings- eller gruppegennemsnitsmetoder). Analyser vil blive gentaget inden for undergrupper af MSKI-typen for at evaluere for forskelle i identificerede klynger på tværs af skadestyper.

Klyngeanalyseresultater vil blive brugt til at udlede reducerede kandidatvurderinger fra potentielle kombinationer af de individuelle variable karakteriseret ved de identificerede klynger. Kandidatvurderingsvariablerne vil blive evalueret som prædiktorer i binære klassifikationsmodeller (f.eks. logistisk eller Lasso-regression) af uønskede patientresultater. Fejlklassificeringsrater vil blive rapporteret som procentdelen af ​​patienter, hvor resultatet blev forkert forudsagt efter tærskelværdi ved brug af klinisk relevante sensitiviteter og specificiteter. Krydsvalidering vil blive brugt til at minimere bias i estimerede sandsynligheder. Undersøgelsesholdet vil udvælge vurderinger, der kombineres for at have de laveste fejlklassificeringsrater og korteste gennemførelsestider for at skabe den optimale post-MSKI-vurdering (Specific Aim #4). Gennemførelsestider vil blive estimeret baseret på observerede tidspunkter for at administrere hver enkelt vare. Analyser vil blive gentaget for rygsmerter versus mindre hyppige MSKI-typer og for det 12-ugers opfølgningsbesøg for at evaluere for forskelle i optimale vurderinger efter MSKI-type og tid efter MSKI. Fordi primære analyser vil være baseret på baseline vurderinger og resultater konstateret af internet-baserede spørgeskemaer for at minimere nedslidning, er der ikke planlagt nogen imputation af manglende data.

For at imødekomme specifikt mål #5 vil undersøgelsesteamet evaluere evnen af ​​vores optimale vurderinger (Specific Aim #4) til at forudsige MSKI'er og uønskede resultater i valideringskohorter over seks måneders opfølgning. Fejlklassificeringsrater for ujusterede og fulde modeller vil blive beskrevet ved hjælp af modtagerdriftskarakteristiske kurver (ROC) og 95 % konfidensintervaller. Analyser vil blive gentaget separat for rygsmerter og MSKI'er i underekstremiteterne ved at bruge de optimale vurderinger identificeret for disse skadestyper.