Score des Frühwarnsystems für klinische Verschlechterung (CDEWS)

Phase 1. Ableitung des Vorhersagemodells Daten von Patienten, die im Jahr 2017 in den teilnehmenden Zentren aufgenommen wurden, werden aus der elektronischen Patientenakte OBI und dem Labordatenverwaltungssystem extrahiert. Der in diesem Projekt beauftragte Datenanalyst wird zusammen mit klinischen Mitarbeitern aus der Gesundheitsmanagementeinheit und der Forschungseinheit für die Bereinigung und Bereinigung der Daten sowie für die Generierung und interne Validierung des Vorhersagemodells verantwortlich sein.

Phase 2: Implementierung in die elektronische Patientenakte: Nach der Generierung des Modells und der Risikoskala erfolgt die Implementierung als Alarmsystem in Osabide Global in den teilnehmenden Zentren. Hierzu wird von der UGS der HGU ein Handlungsleitfaden erstellt, der nach seiner Validierung in die beiden anderen Zentren exportiert wird. Das System arbeitet auf der Grundlage der RIC-Elemente, die mit den Vitalfunktionen verknüpft sind, und führt die Fachkräfte durch den Prozess, sodass dem Arzt die analytischen Daten angezeigt werden, die nachweislich für die Berechnung des Risikos oder gegebenenfalls erforderlich sind dass der Patient nicht nach diesem spezifischen Labortest gefragt wurde, Empfehlungen zur Extraktion. Sobald das System über alle Daten verfügt, erscheint auf dem Bildschirm eine Warnung mit den Ergebnissen der Risikoskala und der Risikokategorie „leicht-mittel-schwer“ sowie ein Bericht mit Handlungsempfehlungen. Empfehlungen basierend auf der ViEWS-Skala, vom Arzt Informieren der verantwortlichen Krankenschwester zu Beginn der kontinuierlichen Überwachung und Besuch des verantwortlichen behandelnden Arztes in weniger als 15 Minuten, der auch den Intensivarzt über die Verlegung des Patienten in eine Station informieren wird, wo er überwacht und behandelt wird, sind im Anhang 1 aufgeführt. Das Alarmsystem wird in der HGU von den klinischen Mitarbeitern, der GSU und dem Datenanalysten vorgestellt. Der Datenanalyst ist zusammen mit den Co-Forschern für die Erstellung des Alarmsystems verantwortlich, nimmt an den Treffen teil, bei denen es in den Zentren vorgestellt wird, und führt anschließend eine ständige Untersuchung der Nutzung und Einhaltung durch der Risikoskala, sammelt Zweifel und Probleme, die sich aus der Umsetzung des Systems ergeben können, und ist auch für die Umsetzung der Risikoskala verantwortlich.

Phase 3: Externe Validierung des Vorhersagemodells. Vergleich der klinischen Ergebnisse: Das Vorhersagemodell wird validiert, sobald 100 Ereignisse pro Zentrum aufgetreten sind (hoffentlich sobald etwa 8000 Patienten aufgenommen wurden). Während dieser Zeit werden Daten während und nach der Implementierung gesammelt, um die vor und nach der Implementierung beobachteten klinischen Verschlechterungen zu vergleichen. Der Datenanalyst wird die Informationen extrahieren, sortieren und bereinigen, um später die entsprechenden statistischen Analysen durchführen zu können.

STATISTISCHE ANALSIE

Der Datenverarbeitungsprozess des vorliegenden Projekts wird anhand der folgenden Schritte festgelegt, die in zwei Abschnitte unterteilt sind:

A) Entwicklung und Validierung von Vorhersagemodellen für klinische Verschlechterung, Verlegung auf die Intensivstation, Herz-Kreislauf-Stillstand oder Tod während des Krankenhausaufenthalts.

Deskriptive Analyse der Modellableitungs-/internen Validierungskohorte, bestehend aus Patienten aus den drei teilnehmenden Zentren der retrospektiven Kohorte. Es werden Informationen über Verluste in den in der Studie erfassten Variablen gesammelt. Es werden auch Informationen zu ausgeschlossenen Patienten gesammelt. Es wird geprüft, ob es möglich ist, Imputationstechniken auf die fehlenden Daten in den erfassten Variablen anzuwenden.

2.- Bei der Erstellung der Vorhersagemodelle werden folgende Punkte beachtet: a. Die gesammelte Stichprobe wird in zwei Unterstichproben aufgeteilt: Ableitungsgruppe 1: Die Gesamtstichprobe wird in 60 % für die Ableitung der Vorhersagemodelle für die Hauptergebnisvariable – klinische Verschlechterung – aufgeteilt; Gruppe 2 der Validierung der Vorhersageregeln: Die Modelle werden in dieser Stichprobe validiert (40 % der Stichprobe). Die Analysen werden auch nach Geschlecht aufgeschlüsselt durchgeführt. B. In Gruppe 1 werden Risikofaktoren für eine klinische Verschlechterung sowie für die Verlegung auf die Intensivstation, einen Herz-Kreislauf-Stillstand oder den Tod während des Krankenhausaufenthalts identifiziert. Eine bivariate Analyse wird durchgeführt, um zu untersuchen, welche der möglichen Prädiktorvariablen mit jedem Ergebnisparameter zusammenhängen. Diese Variablen mit einem p-Wert <0,20 werden als potenzielle Prädiktoren für die Eingabe in ein mehrstufiges multivariates logistisches Regressionsmodell identifiziert. Für die endgültige Skala werden diejenigen Variablen ausgewählt, die statistisch signifikant sind. Den Variablenkategorien in diesem Modell wird eine Bewertung in Bezug auf den in diesem multivariaten Modell erhaltenen Parameter β zugewiesen. Auf diese Weise erhält man einen Gesamtscore und eine ROC-Kurve. Aus dieser Skala werden X Risikokategorien erstellt.

3.- Anpassungsgüte und Vergleich der entwickelten Vorhersagemodelle. Es werden Parameter gefunden, um die Unterscheidungs- und Kalibrierungsfähigkeit der in Abschnitt 2 entwickelten Vorhersagemodelle zu bewerten. Einerseits wird bei dichotomen abhängigen Variablen die Fläche unter der ROC-Kurve (AUC, Unterscheidungsfähigkeit) unter Berücksichtigung berechnet Ein Wert > 0,80 gilt als robustes Vorhersagemodell. Zusätzlich zur AUC wird die Kalibrierung des Modells durch den Hosmer-Lemeshow-Test geschätzt (gute Kalibrierung für einen p-Wert ≥0,05).

4.- Interne Validierung der Vorhersagemodelle Die Validierung des Vorhersagemodells wird in Validierungsgruppe 2 durchgeführt. Das Vorhersagemodell und die Skala werden in dieser Gruppe validiert, indem die vorhergesagten Werte aus der Ableitungsstichprobe (Gruppe 1) analysiert werden. . Sensitivität, Spezifität und Fläche unter der Kurve werden durch Vergleich mit den in der Ableitungsprobe erhaltenen Ergebnissen ermittelt. Die Kalibrierungsfähigkeit der Modelle wird durch den Hosmer-Lemeshow-Test und die Unterscheidungsfähigkeit durch ROC-Kurven bewertet. Als zusätzliche interne Validierung wird eine Validierung durch Bootstrapping-Methoden durchgeführt.

5.-Externe Validierung von Vorhersagemodellen Die externe Validierung der in der retrospektiven Kohorte entwickelten Modelle wird auf die prospektive Kohorte angewendet. Der lineare Prädiktor (LP) wird zunächst in den verbleibenden Kohorten ermittelt, indem die in den ursprünglichen Modellen erhaltenen Regressionskoeffizienten berücksichtigt werden. Es werden logistische Regressionsmodelle entwickelt. Für die externe Validierung dieser Modelle werden drei Hauptverfahren berücksichtigt: Modellanpassung, Diskriminierung und Kalibrierung. Um die Modellanpassung zu überprüfen, werden wir zunächst ein logistisches Regressionsmodell für die verbleibenden Kohorten entwickeln und dabei LP als Kovariate zur Schätzung seines Beta-Regressionskoeffizienten betrachten. Wenn der Beta-Regressionskoeffizient der Steigung 1 beträgt, wird dies als gute Anpassung angesehen. Zweitens wird zur Beurteilung der Diskriminierung des Modells die AUC mithilfe von Bootstrapping- und Kreuzvalidierungsmethoden berechnet. Ein AUC-Wert > 0,80 gilt als robustes Vorhersagemodell. Drittens wird die Kalibrierung durch Berechnung der Gesamtkalibrierung, der Kalibrierungssteigung (beide abgeleitet aus den Kalibrierungskurven) und des Hosmer-Lemeshow-Tests bewertet.

B) Bewertung des EWS auf klinische Beeinträchtigung 6.- Vergleich der Ergebnisse: Für den Vergleich der Ergebnisse nach der Implementierung des Alarmsystems wird ein Vergleich der Prozentsätze der Patienten durchgeführt, die vor und nach der Implementierung des HGU eine klinische Verschlechterung erleiden zwischen den Prozentsätzen, die in der HGU erscheinen, wo das Alarmsystem implementiert wird, und den HUDs und HUAs, wo sie während dieses Bewertungszeitraums ihre übliche Praxis fortsetzen werden. Um die Möglichkeit einer Verzerrung bei der Bildung der Kohorten zu bewerten, wird ein Neigungsscore berechnet, um die Wahrscheinlichkeit der Zuordnung zu der einen (HGU-Patienten) oder der anderen Kohorte (HUD+HUA) abhängig von den beobachteten und erklärten unabhängigen Variablen zu erklären im Abschnitt „Belichtungsvariablen“. Dieser Neigungswert wird als unabhängige Variable in eine Replikation der endgültigen Modelle zusammen mit der Exposition eingegeben und die in beiden Fällen erhaltenen Koeffizienten verglichen.