Entwicklung und Auswertung des Electronic Frailty Index+ (eFI+)

Gesundheitstechnologien werden bewertet

Das eFI+ wird unter Verwendung von Komponenten des ursprünglichen eFI entwickelt, ergänzt durch zusätzliche routinemäßige EHR-Daten der Primärversorgung und Anleitungen zu den zusätzlichen Vorteilen der Implementierung einfacher klinischer Maßnahmen in der routinemäßigen Primärversorgungspraxis. eFI+ eignet sich für eine schnelle Implementierung in EHR-Systeme der Primärversorgung in Großbritannien und baut auf bestehenden engen Verbindungen zu Systemlieferanten (SystmOne/EMISWeb/Vision/Microtest) auf.

Die Ermittler werden den eFI+ unter Verwendung der Datenbank Secure Anonymised Information Linkage (SAIL), der Datenbank ResearchOne und des Leeds Data Model (LDM) entwickeln und dann intern und extern validieren.

Darüber hinaus werden die Forscher die Daten der Kohortenstudie Community Ageing Research 75+ (CARE75+) (CI Clegg, n≈1.200) als einzige nationale Kohortenstudie mit eFI-Scores analysieren, um zu untersuchen, wie einfache Maßnahmen, die in der Primärversorgung bewertet werden können, sind aber nicht in routinemäßigen EHR-Daten verfügbar (z. Ganggeschwindigkeit, zeitgesteuerter Up-and-Go-Test; Aktivitäten des täglichen Lebens; Einsamkeit) kann die Vorhersage verbessern.

Studiendesign

Prognosemodellentwicklung, interne Validierung und externe Validierung unter Verwendung von routinemäßigen Primärversorgungsforschungsdaten (ResearchOne), verknüpften Datensätzen (SAIL-Datenbank und LDM) und Kohortenstudiendaten (CARE75+), mit integrierter entscheidungsanalytischer Modellierung, einschließlich gesundheitsökonomischer Analyse.

Datenbanken

1. Secure Anonymised Information Linkage (SAIL)-Datenbank

   Anonymisierte Aufzeichnungen von rund 5 Millionen Menschen in Wales, mit verknüpfter Primärversorgung, ED-Besuch, Krankenhauseinweisungen, ambulanten Daten, Sozialversorgung, Welsh Care Homes Dataset und ONS-Sterblichkeitsdaten. SAIL umfasst eFI-Zusammenfassungsergebnisse und einzelne Komponenten.

2. ResearchOne

   National repräsentative, anonymisierte Daten aus rund 6 Millionen elektronischen Patientenakten der Primärversorgung im Vereinigten Königreich im klinischen System TPP SystmOne. ResearchOne enthält eFI-Zusammenfassungsergebnisse und einzelne Komponenten.

3. Leeds-Datenmodell (LDM)

   Anonymisierte, verknüpfte Primär-, Sekundär-, Gemeinschafts- und Sozialversorgungsdaten von 810.000 Patienten in 108 Praxen in Leeds, einschließlich eFI-Zusammenfassungswerten und individuellen Komponenten.

4. Community Ageing Research 75+ (CARE75+) Kohorte

Nationale prospektive Kohortenstudie (n≈1.200) zur Erhebung detaillierter soziodemografischer Informationen, Gebrechlichkeitsmessungen (einschließlich eFI-Scores), einfacher Instrumente, die für den Einsatz in der Primärversorgung geeignet sind (z. B. Ganggeschwindigkeit, zeitgesteuerter Up-and-Go-Test; Aktivitäten des täglichen Lebens; informelle Pflege; Einsamkeit) und Schlüsselergebnisse nach sechs, 12, 24 und 48 Monaten. CARE75+ ist ein sehr reichhaltiger Datensatz, der eine hocheffiziente Methode bietet, um zu untersuchen, wie einfache Instrumente die eFI-Leistung steigern können.

Berechtigte Bevölkerung

Patienten ≥ 65 Jahre mit mäßiger Gebrechlichkeit (eFI-Score 0,24 bis 0,36) oder schwerer Gebrechlichkeit (eFI-Score > 0,36), die am 1. April 2018 bei einer ResearchOne-, SAIL- oder LDM-Praxis registriert sind.

Teilnahmeberechtigt sind alle CARE75+-Teilnehmer mit mäßiger Gebrechlichkeit (eFI-Wert 0,24 bis 0,36) oder schwerer Gebrechlichkeit (eFI-Wert >0,36).

Ergebnisse für die Risikovorhersage (alle 12 Monate)

• Neues oder erweitertes Paket für häusliche Pflege
• Notaufnahme/Krankenhausaufenthalt mit Sturz oder Fraktur
• Aufnahme ins Pflegeheim
• Gesamtmortalität

Prädiktoren

Komponenten des eFI, ergänzt mit Variablen, die in routinemäßigen EHR-Daten der Primärversorgung verfügbar sind, und klinischen Bewertungsmessungen, die für den Einsatz in der Primärversorgung praktisch sind.

Prognosemodelle

Jedes Prognosemodell wird in nur einer der Datenbanken entwickelt und intern validiert und dann in einer zweiten Datenbank extern validiert

Stichprobengröße für die prognostische Modellentwicklung

Die Extrakte von SAIL und ResearchOne werden jeweils etwa 600.000 Patienten ab 65 Jahren umfassen, von denen schätzungsweise 72.000 mittelschwer und 24.000 schwer gebrechlich sind. Der LDM-Extrakt wird etwa 150.000 Patienten ab 65 Jahren umfassen, von denen schätzungsweise 18.000 an mittelschwerer und 6.000 an schwerer Gebrechlichkeit leiden.

Für die Modellentwicklung ist die Anzahl der Ergebnisereignisse ein Schlüsselindikator für die effektive Stichprobengröße. Frühere Untersuchungen zu den interessierenden Ergebnissen und Machbarkeitsschätzungen unter Verwendung von CARE75+, ResearchOne und SAIL stützen Schätzungen für die erwartete Anzahl von Ereignissen innerhalb von 12 Monaten.

• Neues oder erweitertes häusliches Pflegepaket: Erwartete 15.864 Ereignisse in SAIL, basierend auf 14,9 % 12-Monats-Inzidenz in der Gruppe mit mäßiger Gebrechlichkeit (10.080 Ereignisse) und 24,1 % 12-Monats-Inzidenz in der Gruppe mit schwerer Gebrechlichkeit (5.784 Ereignisse).
• Notaufnahme/Krankenhausaufenthalt mit Sturz oder Fraktur: Erwartete 8.064 Ereignisse in SAIL, basierend auf 7,4 % 12-Monats-Inzidenz in der Gruppe mit mäßiger Gebrechlichkeit (5.328 Ereignisse) und 11,4 % Inzidenz bei schwerer Gebrechlichkeit (2.736 Ereignisse).
• Aufnahme in ein Pflegeheim: Erwartete 2.160 Ereignisse in ResearchOne, basierend auf einer 12-Monats-Inzidenz von 2,0 % in der Gruppe mit mäßiger Gebrechlichkeit (1.440 Ereignisse) und einer 12-Monats-Inzidenz von 3,8 % in der Gruppe mit schwerer Gebrechlichkeit (720 Ereignisse).
• Gesamtmortalität: Erwartete 12.216 Ereignisse in ResearchOne, basierend auf 10,6 % 12-Monats-Inzidenz in der Gruppe mit mäßiger Gebrechlichkeit (7.632 Ereignisse) und 19,1 % 12-Monats-Inzidenz in der Gruppe mit schwerer Gebrechlichkeit (4.584 Ereignisse).

Daher würden die Ermittler, selbst wenn man die niedrigste Schätzung von Zwischenfällen nach 12 Monaten (für die Aufnahme in ein Pflegeheim) nimmt, für jedes Ergebnis mindestens 2.160 Ereignisse in jedem von ResearchOne oder SAIL erwarten. Dies ermöglicht es uns, selbst mit bis zu 108 Prädiktorparametern, entsprechend 20 Ereignissen pro potenziellem Prädiktorparameter (2160/20), ein Prognosemodell für jedes Ergebnis robust zu schätzen. Dies übersteigt die „Faustregel“-Empfehlungen von 10 oder 15 Ereignissen pro Prädiktorparameter.

Unter der konservativen Annahme, dass die neuen Modelle ein Nagelkerke-R-Quadrat von 15 % haben werden, legt Rileys Stichprobengrößenformel außerdem nahe, dass mindestens 7,5 Ereignisse für jeden Prädiktorparameter sicherstellen, dass Überanpassung und Optimismus minimiert werden, wenn der Ergebnisanteil 3 % beträgt. Wenn der Ergebnisanteil auf 20 % (Paket für häusliche Pflege), 9 % (Sturz/Fraktur) oder 15 % (Mortalität) erhöht wird, beträgt die erforderliche Mindeststichprobengröße 18, 11,5 bzw. 15 Ereignisse pro Prädiktorparameter. Die Ermittler übertreffen all dies aufgrund der großen verfügbaren Datensätze.

Stichprobengröße für die externe Validierung

Aktuelle Empfehlungen besagen, dass mindestens 100 Ereignisse und 100 Nicht-Ereignisse (idealerweise 200) für die externe Validierung des Prognosemodells erforderlich sind. Unsere Schätzungen weisen auf erheblich mehr als diesen Wert hin, wie z. B. 2160 Ereignisse für das am wenigsten verbreitete Ergebnis der Aufnahme in ein Pflegeheim in SAIL und ResearchOne und 540 in LDM (das nur für die externe Validierung von Modellen verwendet wird).

Fehlende Daten

Behandelt unter Verwendung von multipler Imputation und Rubin-Regeln, unter einer zufällig fehlenden Annahme, einschließlich Ergebnis im Imputationsmodell, Berücksichtigung von Praxis-Clustering.

Analyseplan

i) Prognosemodellierung

Die Ermittler werden 4 separate Prognosemodelle innerhalb der Entwicklungsdatensätze erstellen, um das Risiko unserer 4 wichtigsten erklärten Ergebnisse bei Personen mit mittelschwerer oder schwerer Gebrechlichkeit als Ausgangspunkt vorherzusagen.

Für jedes Ergebnis, für diejenigen mit mäßiger Gebrechlichkeit (eFI-Wert 0,24 bis 0,36) oder schwerer Gebrechlichkeit (eFI-Wert > 0,36), werden die Ermittler ein Prognosemodell entwickeln und intern validieren, das nur eFI (als Ganzes in seiner derzeitigen Form) und dann enthält Komponenten von eFI (als Prädiktoren enthalten) zusammen mit zusätzlichen routinemäßigen EHR-Daten der Primärversorgung. Das Regressionsmodell wird eine logistische Regression oder ein flexibles parametrisches Überleben sein, für binäre oder Time-to-Event-Ergebnisse (je nachdem, wenn die Ermittler die Datenbankcodierung und -zensierung usw. beobachten), um Ergebnisrisiken nach 12 Monaten zu erzeugen.

Aufgrund der großen Stichprobengröße wird erwartet, dass die Überanpassung gering ist, aber die Ermittler werden sich darauf einstellen, indem sie eine Bestrafung über einen globalen Schrumpfungsfaktor verwenden, der durch Bootstrapping geschätzt wird. Wo die Variablenauswahl als wichtig für die Sparsamkeit angesehen wird, werden die Ermittler eher die Bestrafung über ein elastisches Netz verwenden. Die interne Validierung verwendet Bootstrapping des gesamten Entwicklungsdatensatzes und optimismusbereinigte Schätzungen der Vorhersageleistung, die für die Kalibrierung erstellt werden (z. Kalibrierung im großen Maßstab, Kalibrierungssteigung, beobachtet/erwartet), Diskriminierung (z. B. C-Statistik) und insgesamt (z.B. Nagelkerke R2) Leistung prognostizierter Risiken. Kontinuierliche Variablen werden nicht kategorisiert und mögliche nichtlineare Effekte werden mit Hilfe von Splines oder gebrochenen Polynomen untersucht. Nicht-proportionale Gefahren für Prädiktoren werden auch mit Wechselwirkungstermen mit der Zeit untersucht.

Alle Modelle werden extern in einer anderen Datenbank validiert. Vorhersageleistungsstatistiken werden wie oben beschrieben abgeleitet (z. B. C-Statistik, Kalibrierungssteigung) neben Kalibrierungsplots, die die Übereinstimmung zwischen beobachteten und vorhergesagten Risiken über das gesamte Spektrum der vorhergesagten Risiken zeigen, unter Verwendung eines Löss-Nicht-Parameter-Glättungsmittels.

Unabhängig davon werden die Forscher den CARE75+-Datensatz verwenden, um die zusätzliche Vorhersagekraft klinischer Bewertungsmaße von prognostischen Faktoren zu untersuchen, die aus den Überprüfungen identifiziert wurden und für die Verwendung in der routinemäßigen Primärversorgung praktisch sind.

ii) Entscheidungsmodellierung

Prognosemodelle werden in einen Rahmen übersetzt, um die klinische Entscheidungsfindung zu leiten, indem relevante Schwellenwerte des vorhergesagten Risikos identifiziert werden, oberhalb derer die Umsetzung unserer angegebenen Interventionen gerechtfertigt ist. Dadurch können wir ein entscheidungsanalytisches Modell (DAM) generieren, das anhand von Entscheidungskurven und Nettonutzen in den externen Validierungsdatensätzen untersucht wird.

iii) Gesundheitsökonomische Bewertung

Die gesundheitsökonomische Evaluation wird in zwei Stufen durchgeführt. Ziel der ersten Stufe ist ein kurzfristiger 12-Monats-Vergleich der Wirtschaftlichkeit der vom DAM identifizierten Szenarien. Für die zweite Phase werden die Ermittler unsere Analyse auf eine langfristige Kosten-Nutzen-Bewertung dieser Szenarien ausdehnen.