Optimierung der Ressourcenallokation durch Vorhersage der Ergebnisse für Covid-19

Hintergrund.

Relativ einfache klinische Risikobewertungen, die auf leicht verfügbaren klinischen Informationen basieren, können bei der Einstufung von Patienten in eine frühzeitige Entlassung oder eine schnellere und intensivere Intervention eine große Hilfe sein. Ein Beispiel hierfür sind Blutungen im oberen Gastrointestinaltrakt, bei denen mehrere solcher Scores vorliegen (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) haben eine sichere vorzeitige Entlassung ermöglicht und so den Druck auf die Krankenhäuser verringert. Die Forscher gehen davon aus, dass ähnliche Ergebnisse möglicherweise mit Daten erzielt werden könnten, die in unserem Trust routinemäßig von Patienten mit nachgewiesener oder vermuteter Covid-19-Erkrankung erhoben werden.

Ziele

Die Ermittler wollen die folgenden Fragen beantworten

1. Welches Muster aus klinischer Anamnese und Symptomen, Beobachtungen, Blut und anderen Untersuchungsmarkern lässt sich am besten vorhersagen, dass ein Patient, bei dem der Verdacht auf Covid-19 besteht oder nachgewiesen wurde, eine Beatmung benötigt?
2. Welches Muster aus klinischer Anamnese und Symptomen, Beobachtungen, Blut und anderen Untersuchungsmarkern lässt sich am besten vorhersagen, dass ein Patient, bei dem der Verdacht auf Covid-19 besteht oder der nachweislich daran erkrankt ist, während seiner Krankheit sterben wird?
3. Welches Muster aus klinischer Anamnese und Symptomen, Beobachtungen, Blut und anderen Untersuchungsmarkern lässt sich am besten vorhersagen, dass sich ein Patient, bei dem der Verdacht auf Covid-19 besteht oder nachgewiesen wurde, vollständig erholen wird, ohne dass zusätzlicher Sauerstoff erforderlich ist?

Methoden

Die Forscher schlagen zwei Hauptansätze für die ersten beiden der oben genannten Ziele vor.

Ein Standardansatz zur Bewertung von Ausgangsmerkmalen zur Vorhersage eines schlechten Ergebnisses, ähnlich wie bei anderen laufenden Studien wie ISARIC und PRIEST, der jedoch von einer unvoreingenommenen Patientenstichprobe profitiert, da keine zusätzlichen Proben oder Daten gesammelt werden müssen und die Forscher daher davon ausgehen, dass dies ethisch vertretbar sein wird Vorbehaltlich der gebührenden Wahrung der Vertraulichkeit müssen alle Patienten analysiert werden, die sich vorstellen, und nicht nur diejenigen, die bereit und in der Lage sind, ihre Einwilligung zu erteilen.

Ein mehrstufiger Modellierungsansatz, der die umfangreichen wiederholten täglichen Labor- und klinischen Messungen nutzt, um das tägliche Risiko einer späteren Verschlechterung vorherzusagen.

Dieser zweite Ansatz ergänzt andere laufende Studien wie ISARIC und PRIEST, da er nur innerhalb einer einzigen Institution wie der NUH durchgeführt werden kann, da detaillierte, longitudinal verknüpfte elektronische Gesundheitsdaten erforderlich sind. Darüber hinaus handelt es sich um ein effizientes, kostengünstiges Studiendesign, das keine manuelle Datenerfassung erfordert.

Die Ermittler werden die in den elektronischen Systemen des Nottingham University Hospitals (NUH) NHS Trust gespeicherten Daten nutzen, um alle Patienten zu identifizieren, bei denen entweder der Verdacht auf eine Covid-19-Infektion besteht oder bei denen die Diagnose schließlich bestätigt wird. Dies wird ab Beginn der Pandemie retrospektiv und dann in einem fortlaufenden Programm prospektiv durchgeführt, um die verfügbaren Daten zu maximieren.

Für diese Patienten werden die Prüfer alle relevanten Daten zu Diagnosen (Komorbiditäten), täglichen klinischen Beobachtungen und täglichen Laborparametern sowohl bei der Vorstellung als auch fortlaufend von diesem Zeitpunkt an bis zum Zeitpunkt des Todes oder der Entlassung sammeln. Zu diesen Daten gehören unter anderem wiederholte Messungen von Temperatur, Puls, Blutsauerstoffsättigung, eingeatmeter Sauerstoffkonzentration, Atemfrequenz, C-reaktivem Protein und der Anzahl weißer Blutkörperchen.

Die Daten werden analysiert und die Ergebnisse im Netzwerk des Nottingham University Hospitals Trust modelliert, um sicherzustellen, dass die Vertraulichkeit gewahrt bleibt.

Analyse

Merkmale von Patienten, die sich einer Intubation unterziehen Die Forscher werden den Zusammenhang aller Basisparameter und Demografien von Patienten, die eine Beatmung benötigen, im Vergleich zu denen, die dies nicht tun, bewerten, indem sie Basisparameter mit der Beatmung kreuzen und angepasste Assoziationen mithilfe eines logistischen Regressionsmodells berechnen. Die Forscher werden auch das tägliche Intubationsrisiko anhand eines Random-Effects-Modells mit wiederholten täglichen Messungen untersuchen. Um das Potenzial für einen leicht berechenbaren klinischen Risikoscore zu untersuchen, werden Logistikmodelle erstellt, wobei kontinuierliche Variablen jedoch als kontinuierlich beibehalten werden (um die Beibehaltung nützlicher Vorhersagedaten zu maximieren) und auf kategoriale Daten reduziert werden (zur Vereinfachung der klinischen Berechnung). Die Forscher werden Prädiktoren für das Modell auswählen, indem sie eine Rückwärtseliminierung mit dem Akaike-Informationskriterium und Alpha = 0,05 verwenden. Für Kandidatenmodelle berechnen die Forscher den C-Index und die Betriebskurven des Empfängers und bewerten die Kalibrierung mithilfe des Hosmer-Lemeshow-Tests. Bootstrapping und Kreuzvalidierung werden verwendet, um eine Überanpassung zu vermeiden und die Modellleistung zu bewerten.

Zeittrendanalyse zur Identifizierung von Markern, die zur Intubation führen. Die Forscher untersuchen die Daten auf Trends im Zeitverlauf bei wiederholten Messungen, sofern verfügbar, und beschreiben diese anhand geeigneter zusammenfassender Statistiken. Wenn genügend wiederholte Messungen vorliegen, wird jede Kovariate mit einer JoinPoint-Analyse bewertet, um festzustellen, ob eine offensichtliche Zeitflexion vorliegt, die auf eine Änderung des klinischen Bildes hinweist, die einen Rückgang in Richtung Beatmung anzeigt. Dieser Prozess wird in die rationale Auswahl von Kategorien für die kategoriale Darstellung der Daten einfließen.

Prädiktoren bei der Intubation, die auf den Tod hinweisen Die Forscher werden den Zusammenhang aller Parameter und demografischen Merkmale von beatmeten Patienten, die sterben, im Vergleich zu denen, die dies nicht tun, bewerten, indem sie Parameter am Zeitpunkt der Beatmung mit dem Tod kreuzen und berechnete angepasste Assoziationen mithilfe eines logistischen Regressionsmodells. Die Forscher werden auch das tägliche Sterberisiko anhand eines Zufallseffektmodells mit wiederholten täglichen Messungen untersuchen. Um das Potenzial für einen leicht berechenbaren klinischen Risikoscore zu untersuchen, werden Logistikmodelle erstellt, wobei kontinuierliche Variablen jedoch als kontinuierlich beibehalten werden (um die Beibehaltung nützlicher Vorhersagedaten zu maximieren) und auf kategoriale Daten reduziert werden (zur Vereinfachung der klinischen Berechnung). Die Forscher werden Prädiktoren für das Modell auswählen, indem sie eine Rückwärtseliminierung mit dem Akaike-Informationskriterium und Alpha = 0,05 verwenden. Für Kandidatenmodelle berechnen die Forscher den c-Index und die Betriebskurven des Empfängers und bewerten die Kalibrierung mithilfe des Hosmer-Lemeshow-Tests. Bootstrapping und Kreuzvalidierung werden verwendet, um eine Überanpassung zu vermeiden und die Modellleistung zu bewerten.

Analyse von Zeittrends zur Identifizierung von Markern, die zum Tod führen. Wir werden die Daten, sofern verfügbar, in wiederholten Messungen auf Trends im Zeitverlauf untersuchen und diese mithilfe geeigneter zusammenfassender Statistiken beschreiben. Wenn es genügend wiederholte Messungen gibt, wird jede Kovariate mit einer JoinPoint-Analyse bewertet, um zu beurteilen, ob es einen offensichtlichen Zeitflex gibt, der auf eine Veränderung des klinischen Bildes hinweist, die einen Rückgang in Richtung Tod anzeigt. Basismerkmale von Patienten, die ohne zusätzlichen Sauerstoff entlassen wurden wird den Zusammenhang zwischen allen Basisparametern und demografischen Merkmalen von Patienten, die ohne zusätzlichen Sauerstoff entlassen werden, im Vergleich zu denen, die nicht entlassen werden, bewerten, indem sie Basisparameter mit der Beatmung kreuzt und angepasste Assoziationen mithilfe eines logistischen Regressionsmodells berechnet. Um das Potenzial für einen leicht berechenbaren klinischen Risikoscore zu untersuchen, werden Logistikmodelle erstellt, wobei kontinuierliche Variablen jedoch als kontinuierlich beibehalten werden (um die Beibehaltung nützlicher Vorhersagedaten zu maximieren) und auf kategoriale Daten reduziert werden (zur Vereinfachung der klinischen Berechnung). Die Forscher werden Prädiktoren für das Modell auswählen, indem sie eine Rückwärtseliminierung mit dem Akaike-Informationskriterium und Alpha = 0,05 verwenden. Für Kandidatenmodelle berechnen die Forscher den c-Index und die Betriebskurven des Empfängers und bewerten die Kalibrierung mithilfe des Hosmer-Lemeshow-Tests. Jeder dieser Schritte wird in 10 zufällig ausgewählten 20 %-Teilproben des Datensatzes wiederholt.

Stratifizierte ergänzende Analysen Um verschiedene Patientengruppen zu identifizieren, bei denen das Risiko schlechter Ergebnisse besteht, werden die Wechselwirkungen mit jedem Risikomodell bewertet, um festzustellen, ob eine Stratifizierung nach Altersgruppen, Geschlecht, früheren Komorbiditäten und Basisfaktoren wie Lymphopenie, CRP usw. erforderlich ist.

Alle Analysen werden für Gruppen von PCR-geprüften Covid-19-Patienten und solchen, bei denen nur ein Verdacht besteht, wiederholt.

Für die Analyse einer Entlassung ohne zusätzlichen Sauerstoff untersuchen die Forscher das Risiko einer Wiederaufnahme für die so entlassenen Personen und wiederholen die Analyse nur für diejenigen, die später nicht wieder aufgenommen wurden.

Zulassungskriterien

Einschlusskriterien • Alle in den Nottingham University Hospitals Trust aufgenommenen Patienten, bei denen entweder der Verdacht auf eine Covid-19-Infektion besteht oder bei denen die Diagnose schließlich bestätigt wird und die älter als 18 Jahre sind

Ausschlusskriterien

• Unter 18 Jahre alt.