Global prætest-sandsynlighedsundersøgelse af koronararteriesygdom (GPS-CAD)

Denne undersøgelse er et aggregeret register bestående af en retrospektiv journalgennemgang af personer fra flere steder. Den generelle tilgang er at skabe et stort, konsolideret, globalt register over eksisterende kohorter af patienter, der henvises til non-invasiv test ved hjælp af computertomografi (CT). Anonymiserede billeder og strukturerede data, herunder demografi, risikofaktorer, resultater og CT-resultater vil blive opnået fra flere steder. De typer billeder, der skal analyseres og kvantificeres, er non-contrast CT (NCCT) scanninger og koronar CT angiografi (CCTA). CAC-score vil bruge Agatstons metode, mens CAD vil blive vurderet ved hjælp af registerdata fra CCTA-aflæsninger.

De indsamlede data vil omfatte risikofaktorer og demografi såsom alder, køn, etnicitet, hypertension, rygning, diabetes, dyslipidæmi og familiehistorie med CAD. Resultater såsom død og myokardieinfarkter vil blive inkluderet i datasættet, hvis det er tilgængeligt. Alle modtagne data vil blive anonymiseret og afidentificeret. Medlemmer af undersøgelsesteamet vil gennemgå undersøgelsesdataene for at sikre, at alle undersøgelsesdata er nøjagtigt indsamlet og fuldstændige.

Dataelementerne for forskellige kohorter kan ikke harmonere eller matche med hinanden. Der kan mangle dataelementer eller forskellige datainput. Som sådan kan udeladelse eller imputation bruges til at udføre analyser. For at minimere data heterogenitet i format, vil websteder blive forsynet med en standard skabelon og dataordbog. Dette vil fuldende den indledende dataharmonisering og forventede dataelementer. Det indsamlede datasæt vil derefter blive harmoniseret af biostatistikteamet før analyse.

Den omtrentlige samlede undersøgelsesstørrelse n = 200.000. Forudsat et areal under modtagerens operationskurve (AUC) på 0,70 for eksisterende PTP- og CAC-metoder, er dette forslag tilstrækkeligt drevet til at detektere en stigning på 0,05 i AUC ved hjælp af en tosidet z-test ved et signifikansniveau på 0,05. Kontinuerlige variable vil blive udtrykt som middelværdi og standardafvigelse. Kategoriske variable vil blive udtrykt som absolutte tal og procenter. Fordelinger vil blive testet for normalitet ved hjælp af Shapiro-Wilk-statistikker. Ikke-normalfordelte variable vil blive repræsenteret som median med 25. til 75. interkvartilområde. Sammenligning af normalfordelte kontinuerte variabler vil blive udført ved hjælp af Students t-test for parrede og uparrede data. Ikke-normalfordelte variabler vil blive sammenlignet ved hjælp af Mann-Whitney Rank Sum test og Kruskal-Wallis test. Sammenligning af kategoriske data vil blive udført ved hjælp af Chi-square og Fisher's Exact Tests, hvor det er relevant.

Forskelle i resultater over tid vil blive analyseret ved Kaplan-Meier analysen med log-rank test for hvert udfald. Ved hjælp af Cox regressionsanalyse udføres univariate og multivariate regressionsanalyser. Univariat analyse vil inkludere præ-hændelsesvariable med p-værdier <0,10. Variabler, der viste en signifikant (p<0,05) korrelation med endepunkterne, efter univariat analyse, vil blive overvejet i de multivariate modeller. Oddsforhold og 95 % konfidensinterval vil blive beregnet. Statistisk signifikans blev fastsat som p<0,05. Avancerede maskinlæringsteknikker (f.eks. neurale netværk) kan anvendes.