Prädiktoren für das Ergebnis nach perioperativem Schlaganfall

HINTERGRUND

Der perioperative Schlaganfall ist eine verheerende Komplikation chirurgischer Eingriffe, die derzeit kaum charakterisiert ist und nur begrenzte klinische Instrumente zur Erkennung und Verhinderung ihres Auftretens zur Verfügung stehen. Ein perioperativer Schlaganfall ist ein zerebrovaskuläres Ereignis, das nach einer Operation auftritt und zwischen 0,1 und 1,9 % der Patienten betrifft, die sich einer nicht kardialen oder nicht neurologischen Operation unterziehen. Perioperative Schlaganfälle sind im Vergleich zu postoperativen Komplikationen ähnlicher Häufigkeit und Schwere, wie etwa Herzkomplikationen, relativ wenig erforscht. In den letzten Jahrzehnten wurden erhebliche Anstrengungen unternommen, um das Risiko eines perioperativen Myokardinfarkts zu verringern, und haben aufgrund von Fortschritten bei der Risikostratifizierung und dem perioperativen Management im Laufe der Zeit zu einem Rückgang der Inzidenz geführt. Obwohl die Inzidenz eines perioperativen Schlaganfalls ähnlich oder höher ist als die eines perioperativen Myokardinfarkts, hat das Risiko dieser Komplikation im Laufe der Zeit zugenommen und perioperative Schlaganfälle werden immer noch relativ vernachlässigt. In der aktuellen Literatur wurde festgestellt, dass Patienten, die nach einer Operation einen Schlaganfall erleiden, eine höhere Sterblichkeitsrate, eine höhere Aufenthaltsdauer und eine höhere Entlassungsrate in eine Einrichtung aufweisen. Angesichts der Seltenheit dieser Komplikation ist jedoch relativ wenig darüber bekannt, welche Faktoren diese Ergebnisse bei den betroffenen Patienten vorhersagen einen perioperativen Schlaganfall erleiden.

ZIELE

BESTIMMTE ZIELE

1. Ableitung und externe Validierung von Risikovorhersagemodellen für Mortalität (primäres Ergebnis), unerwünschte Entlassung, Inanspruchnahme der Intensivstation, Tracheostomie/PEG/Kraniektomie und Verweildauer nach perioperativem Schlaganfall.
2. Beschreiben Sie die zeitlichen Trends der Mortalität nach perioperativem Schlaganfall zwischen 2005 und 2020.
3. Erforschen Sie Mediatoren des Mortalitätsrisikos nach perioperativem Schlaganfall.

METHODEN

Bei dieser Studie handelt es sich um eine retrospektive Analyse der prospektiv gesammelten Datenbank des American College of Surgeons National Surgical Quality Improvement Program zwischen 2004 und 2020.

Die Ableitungskohorte wird aus der NSQIP-Datenbank extrahiert. Das jüngste Jahr des Datensatzes (2020) umfasst Daten zu über einer Million Fällen von 708 Standorten. Die Validierungskohorte wird aus Population Data BC extrahiert, einer Sammlung verknüpfter Provinzdatenbanken, die nicht identifizierte Daten auf individueller Ebene über alle Einwohner von BC (Bevölkerung 5,1 Millionen) liefern. Als Datumsbereich wurde der Zeitraum vom 1. Januar 2002 bis zum 31. Dezember 2020 gewählt, um aktuelle Schlaganfallbehandlungspraktiken (z. B. EVT) und die konsequente Verwendung der ICD-10-CA-Kodierung seit 2002 widerzuspiegeln.

Studienpopulation

NSQIP-Ableitungskohorte: Patienten mit perioperativem Schlaganfall in der NSQIP-Datenbank zwischen 2004 und 2017 werden einbezogen. Wir werden neurochirurgische (einschließlich Karotisendarteriektomie) und interventionelle radiologische Verfahren ausschließen. Die Populationen der Herz- und Nicht-Herzchirurgie-Patienten werden aufgrund ihres einzigartigen Schlaganfall-Risikoprofils getrennt analysiert.

PopDataBC-Validierungskohorte: Patienten mit AIS werden anhand der Diagnosecodes I63.0-163.9 identifiziert aus der Internationalen Klassifikation von Krankheiten (ICD), Zehnte Revision, Kanada (ICD-10-CA), die AIS in großen Verwaltungsdatensätzen genau und zuverlässig identifiziert, mit positivem Vorhersagewert und Sensitivität von mehr als 97 %. Patienten, bei denen innerhalb von 30 Tagen nach Aufnahme zur Operation eine ICD-10-CA-Aufnahmediagnose (Top-3-Positionen) AIS oder als Entlassungsdiagnose aus dem chirurgischen Index-Krankenhausaufenthalt festgestellt wurde. Perioperative Patienten werden weiter aus der gesamten AIS-Kohorte entfernt, wenn sie in den 30 Tagen vor der Aufnahme wegen eines Schlaganfalls einen chirurgischen Abrechnungscode erhalten haben.

Ergebnisvariablen: Primäres Ergebnis ist die 30-Tage-Mortalität; Sekundäre Ergebnisse sind die Inanspruchnahme der Intensivstation, die Dauer des Krankenhausaufenthalts, Marker für das Ergebnis eines schweren Schlaganfalls (Tracheotomie, PEG, Hemikraniektomie bei Hirnödem) und unerwünschte Entlassungen (außerhalb der häuslichen Einrichtung oder Tod).

Mögliche Prädiktorvariablen: Das Ergebnis nach einem perioperativen Schlaganfall hängt möglicherweise mit patientenbezogenen, chirurgischen und anästhetischen Faktoren sowie den Merkmalen des Schlaganfalls zusammen. Zu den möglichen Prädiktorvariablen gehören Patientenmerkmale (Alter, Geschlecht, Komorbiditäten einschließlich Schlaganfallgeschichte), chirurgische Merkmale (Spezialität, Komplexität, Art, Notfallstatus), Anästhesietechnik (allgemein vs. regional/neuraxial) und Schlaganfallmerkmale (Zeitpunkt im Verhältnis zur Operation). , Wiederaufnahme wegen Schlaganfall vs. stationärer Schlaganfall). Kontinuierliche Variablen werden für die Transformation unter Verwendung gebrochener Polynome berücksichtigt, um eine kontinuierliche nichtlineare Assoziation zu ermöglichen.

STATISTISCHE ANALYSE

Ziel 1: Ableitung und Validierung von Risikovorhersagemodellen. Multivariable Modelle zur Vorhersage der 30-Tage-Mortalität nach perioperativem Schlaganfall werden aufgrund ihrer einzigartigen Schlaganfallmechanismen getrennt für Herz- und Nicht-Herzchirurgie erstellt. Um eine Überanpassung zu vermeiden, werden wir eine Strategie zur Datenreduzierung anwenden und Variablen mit mehr als 10 % fehlenden Daten oder weniger als 20 Beobachtungen ausschließen. Wenn >1 % aber <10 % Daten fehlen, werden wir eine Mehrfach- oder Mittelwertimputation in Betracht ziehen; Variablen mit <1 % fehlenden Daten werden durch eine vollständige Fallanalyse behandelt.

Vorab festgelegte Prädiktorvariablen werden verwendet, um ein logistisches Regressionsmodell zu erstellen, bei dem die Koeffizienten mithilfe der elastischen Nettobestrafung geschrumpft werden. Diese Methode zur Auswahl und Bestrafung von Variablen wurde gewählt, weil wir davon ausgehen, dass es im Verhältnis zur Anzahl der Ergebnisse wahrscheinlich eine große Anzahl potenzieller Prädiktoren geben wird und dass mehrere wichtige Prädiktoren kollinear sein werden. Durch die Verwendung der Regularisierung des elastischen Netzes können wir ein Gleichgewicht zwischen der Bestrafung durch den kleinsten absoluten Schrumpfungs- und Selektoroperator (LASSO) und der RIDGE-Regression herstellen. Die RIDGE-Regression wird es uns ermöglichen, wichtige kollineare Prädiktoren beizubehalten, aber ihre Koeffizienten zu verkleinern (die aufgrund der Kollinearität überhöht sein könnten). Mit LASSO-Methoden können die Koeffizienten einiger nicht beitragender Prädiktoren auf Null gesetzt werden, sodass sie aus dem Modell entfernt werden. Eingeschlossene Variablen werden auf Interaktionen untersucht und zusätzliche Begriffe berücksichtigt, um die Modellleistung bei Bedarf zu verbessern. Konkret werden wir a priori die folgenden Wechselwirkungen untersuchen: Alter*Geschlecht, chirurgische Komplexität (WRVU)*Alter, WRVU*Spezialität und Spezialität*Anästhesietechnik. Die Modelldiskriminierung wird anhand der Fläche unter der Betriebskennlinie des Empfängers (C-Statistik) bewertet. Die Modellkalibrierung wird anhand eines lössgeglätteten Diagramms der beobachteten gegenüber den vorhergesagten Risiken über das Risikospektrum bewertet. Eine ähnliche Analyse wird verwendet, um ein Vorhersagemodell für die Aufenthaltsdauer zu erstellen (bei dem es sich um ein logarithmisch transformiertes lineares Modell handelt). Da der Tod ein konkurrierendes Ergebnis für die Entlassungsdisposition ist, wird eine ungünstige Entlassung als ordinales Ergebnis modelliert (Entlassung zu Hause, außerhalb des Hauses oder Tod).

Interne Validierung: Nach der Ableitung werden 5.000 Bootstrap-Proben zur internen Validierung und zur Generierung eines geschätzten Optimismus verwendet. Sensitivitätsanalysen testen die Modellleistung in verschiedenen Zeiträumen, um die Auswirkung des Operationsjahres zu beurteilen (z. B. 2- bis 3-Jahres-Zeiträume, abhängig von der Anzahl der in jedem Jahr verfügbaren Beobachtungen). Nach der Ableitung des endgültigen Modells zur Vorhersage der Sterblichkeit werden wir einen vereinfachten Vorhersageindex ableiten, indem wir die Regressionskoeffizienten in Punkte umwandeln, die ihre relativen Gewichte widerspiegeln. Die Vorhersagegenauigkeit des resultierenden Tools wird auf ähnliche Weise wie oben bewertet.

Externe Validierung: Das endgültige Logistikmodell wird extern in dem von PopDataBC erhaltenen eindeutigen Datensatz validiert, nachdem NSQIP-Datenelemente der PopDataBC-Datenbank zugeordnet wurden. Regressionskoeffizienten werden aus dem von NSQIP abgeleiteten Modell auf PopDataBC angewendet, um erwartete Ergebniswahrscheinlichkeiten zu berechnen und vorhergesagte mit beobachteten Ergebnissen zu vergleichen. Diskriminierung und Kalibrierung werden gemessen, wobei eine Fläche unter der Betriebskennlinie des Empfängers >0,70 als akzeptable Modelldiskriminierung gilt und ein Hosmer-Lemeshow-Test mit p>0,05 eine akzeptable Güte der Anpassung anzeigt.

Ziel 2: Zeitliche Trends der Sterblichkeit. Wir werden ein exploratives, unbereinigtes gewöhnliches Regressionsmodell der kleinsten Quadrate mit der jährlichen Sterblichkeitsrate nach perioperativem Schlaganfall als abhängiger Variable und dem Jahr als Prädiktor durchführen, um die jährliche Veränderung der Sterblichkeitsrate im Zeitverlauf abzuschätzen. Es wird ein multivariables lineares Regressionsmodell spezifiziert, das wichtige Prädiktoren berücksichtigt.

Ziel 3: Mediatoren des Mortalitätsrisikos. Um mögliche Effektmodifikationen des Mortalitätsrisikos vor einem Schlaganfall durch Ereignisse nach einem Schlaganfall zu untersuchen, werden wir eine Reihe logistischer Regressionsmodelle mit dem Tod als abhängiger Variable und der Todeswahrscheinlichkeit aus unserem Primärmodell als linearem Prädiktor spezifizieren. Anschließend fügen wir vorab festgelegte Prädiktoren (oben) hinzu, jeweils als zusätzliche Variable, um zu untersuchen, ob die Sterbewahrscheinlichkeit auf der Grundlage der Hinzufügung der postulierten effektmodifizierenden Variablen zunimmt oder abnimmt.

Geschlechts-/geschlechtsbasierte Analyse: Wir werden den Zusammenhang zwischen Geschlecht und Ergebnissen nach einem perioperativen Schlaganfall untersuchen, indem wir Untergruppenanalysen an Frauen und Männern durchführen und die Grundmerkmale und Ergebnisse dieser beiden Populationen charakterisieren und vergleichen. Darüber hinaus werden wir das Geschlecht a priori als Prädiktor in das angepasste Modell einbeziehen und Wechselwirkungen mit anderen Variablen untersuchen. Wir können nicht-binäre Geschlechter nicht untersuchen, da NSQIP nur „männlich“, „weiblich“ oder „unbekannt“ angibt.

Stichprobengröße und Aussagekraft: Wir haben die Methoden von Riley et al. verwendet, um die erforderliche Stichprobengröße abzuschätzen und ein stabiles logistisches Regressionsmodell abzuleiten, das eine Überanpassung minimiert. Unter Verwendung von 30 Modellparametern und einer geschätzten Ergebnisprävalenz von 25 % Mortalität bei Menschen mit Schlaganfall3 haben wir die erforderlichen minimalen Stichprobengrößen basierend auf potenzieller Modelldiskriminierung (C-Statistik) und erklärter Varianz (Cox-Snell R2) geschätzt. Wenn unser Modell eine C-Statistik von 0,7 (R2 0,09) erreicht, benötigen wir 2.754 Teilnehmer. Eine stärkere Diskriminierung (C-Statistik 0,8, R2 0,2) würde die erforderliche Stichprobengröße auf 1.145 reduzieren. Die NSQIP-Datenbank 2004–2017 enthält 6,6 Millionen Patienten, und basierend auf unserer vorläufigen Analyse des Datensatzes von 2015 handelt es sich bei 99,5 % um nichtkardiale Operationen mit einer Schlaganfallinzidenz von 0,19 % und bei 0,5 % um Herzoperationen mit einer Inzidenz von 1,76 % von Schlaganfall. Wir schätzen daher insgesamt mindestens 12.434 bzw. 5.808 nichtkardiale bzw. kardiale perioperative Schlaganfälle.

Ein p-Wert <0,05 wird für alle Analysen als signifikant angesehen und alle Datenanalysen werden mit STATA 17 (StataCorp, Texas, USA) durchgeführt.