Liverpool-Heart and Brain Project Stroke Cohort (L-HARP)

Studieformål og design.

Mennesker med tidligere slagtilfælde har en høj risiko for uønskede kardiovaskulære udfald, herunder hjertesvigt, atrieflimren (AF), tilbagevendende slagtilfælde og vaskulær kognitiv svækkelse og demens. Der er dog et behov for at afklare de underliggende risikofaktorer for disse udfald, der er specifikke for populationer efter slagtilfælde. Omfattende forskning er blevet udført for at identificere personer med høj risiko for hjerte-kar-sygdomme gennem udvikling af risikoforudsigelsesmodeller. Dette har ført til inkorporering af risikomodeller for hjertekarsygdomme i retningslinjer for klinisk praksis med det formål at forbedre patientcentreret pleje og beslutningstagning. Risikofaktorer, der ofte er inkorporeret i sådanne modeller, omfatter alder, mandligt køn, hypertension, kolesterol, rygning og diabetes mellitus. Selvom nogle risikoforudsigelsesmodeller har undersøgt kardiovaskulære udfald såsom AF hos personer efter slagtilfælde, er der behov for yderligere forskning for at forfine disse modeller og komme med anbefalinger til implementering i klinisk praksis. Det er nødvendigt at identificere præcise risikoforudsigelsesmodeller for kardiovaskulær sygdom og kardiovaskulære komplikationer hos personer efter slagtilfælde for at målrette screening for tilstande (såsom AF) og udvikle målrettede interventionsstrategier, der er specifikke for denne population.

Kvalitetssikringsplan

Pseudo-anonymiserede data ved hjælp af det unikke, ikke-identificerbare deltager-id vil blive indsamlet i en elektronisk sagsrapportformular ved hjælp af Research Electronic Data Capture (REDCap; https://www.project-redcap.org). De data, der indtastes i REDCap for de første 20 patienter, der rekrutteres på hvert sted, vil blive fjernkontrolleret for fuldstændighed. De data, der indtastes på REDCap, vil blive kontrolleret i forhold til elektroniske lægejournaler og papirspørgeskemaer på udvalgte steder.

Datatjek

Datafelterne i REDCap er blevet indstillet med foruddefinerede regler for rækkevidde eller konsistens, og fejlmeddelelser vil blive vist, når disse regler overtrædes.

Vurdering af prøvestørrelse

Da et af hovedformålene med undersøgelsen er at undersøge risikoforudsigelsesmodeller efter slagtilfælde for AF, vil dette blive brugt til at bestemme stikprøvestørrelsen. Forekomsten af ​​AF efter slagtilfælde er blevet estimeret til ca. 24 %. Baseret på de 24 % og med et konservativt estimat på 15 tilfælde, der kræves pr. variabel i modellen, ville 195 tilfælde være passende for en 13-variabel model, som er det maksimale antal variabler inkluderet i tidligere AF-forudsigelsesmodeller. Derfor ville 815 deltagere give ca. 195 patienter, som udvikler AF, der kræves til modellen. Undersøgelsen sigter mod at rekruttere disse deltagere og 20 % ekstra for at tage højde for potentielle tab ved opfølgning, hvilket resulterer i minimum 978 deltagere.

Statistisk analyseplan

Alle indsamlede data vil være kvantitative. Data vil blive analyseret af medlemmer af forskerholdet ved Liverpool Center for Cardiovascular Science. Cox proportional hazard-modeller justeret for potentielle forstyrrende faktorer vil blive brugt til at undersøge sammenhænge mellem risikofaktorer og kardiovaskulære udfald og dødelighed. Risikomodeller identificeret i tidligere undersøgelser for AF og kardiovaskulær-relaterede udfald, herunder kardiovaskulær sygdom, fysisk funktion, kognitiv svækkelse og demens, livskvalitet og alle årsager og kardiovaskulær dødelighed vil blive undersøgt i L-HARP slagtilfælde kohorten. Modtagerens driftskarakteristiske kurver vil blive konstrueret, og Harrell C-indekser (dvs. areal under kurven) vil blive estimeret som et mål for modellens ydeevne og sammenlignet ved hjælp af DeLong-testen.

Ud over traditionelle epidemiologiske tilgange til risikoforudsigelsesmodellering vil maskinlæringsmetoder også blive undersøgt. Maskinlæring har vist sig at give resultater, der kan sammenlignes med traditionelle risikoforudsigelser for hjertekarsygdomme, men med fordele som at undersøge alle tilgængelige data i en objektiv tilgang, som kan føre til opdagelsen af ​​nye relationer mellem data. Da stikprøven ikke er særlig stor, vil traditionelle maskinlæringsteknikker, herunder k-Nearest Neighbours, tilfældig skov og beslutningstræ, blive brugt frem for deep learning-teknikker, som normalt anvendes på meget store datasæt. En delmængde af dataene vil blive brugt til træning af modellen, og resten af ​​data vil blive brugt til evaluering af modellen. Modellen afledt af maskinlæring vil blive sammenlignet med risikoforudsigelsesmodeller beskrevet i tidligere undersøgelser. Nøjagtigheden, specificiteten, sensitiviteten, positiv prædiktiv værdi og negativ prædiktiv værdi af modellerne vil blive sammenlignet.