El rendimiento predictivo de la escala de coma de Glasgow en relación con el tiempo

Fondo

El trauma es un problema crítico de salud pública mundial y el número de muertes como resultado del trauma continúa aumentando a nivel mundial. En 2016, más de 4,6 millones de muertes fueron el resultado de traumatismos, lo que la convierte en la octava causa de muerte. En el estudio Global Burden and Disease (GBD), las lesiones traumáticas representan casi una décima parte de todas las muertes, más que la malaria, la tuberculosis, el VIH/SIDA y las afecciones maternas combinadas.

TBI se define como una lesión cerebral causada por un traumatismo, definiéndose el trauma como un daño infligido al cuerpo como resultado directo o indirecto de una fuerza externa, con o sin interrupción de la continuidad estructural. La lesión cerebral traumática (LCT) es una de las principales causas de morbilidad y mortalidad en todo el mundo. Es el mayor contribuyente a las muertes por trauma en el mundo, con una tasa de mortalidad tres veces mayor que el trauma sin TBI acompañado. Se estima que TBI afecta a más de 10 millones de personas anualmente.

Para guiar a los médicos en el diagnóstico y los regímenes de reanimación, los modelos de pronóstico que predicen la gravedad y el resultado de la LCT son de gran importancia. La escala de coma de Glasgow (GCS) es uno de los modelos pronósticos más utilizados. Es una escala neurológica desarrollada para evaluar la respuesta a estímulos en pacientes con lesiones craneoencefálicas mediante el uso de tres parámetros; apertura de ojos, respuesta verbal y respuesta motora. Se ha utilizado para evaluar el nivel de conciencia tanto en la práctica clínica como en la investigación del neurotrauma. La puntuación GCS, la suma de los tres parámetros utilizados en GCS, se utiliza para evaluar la gravedad, que varía de leve, moderada a grave.

Varios estudios han investigado el valor pronóstico de la GCS y el valor pronóstico de los componentes individuales de la GCS, pero se sabe poco acerca de cómo la relación del tiempo entre la lesión y la primera GCS afecta el valor predictivo de la GCS. Los estudios han demostrado que la GCS medida en el momento de la admisión a la atención traumatológica es más predictiva que la GCS medida en el lugar del trauma, y ​​que la GCS mediana al ingreso es más alta que la GCS mediana en el lugar del trauma, pero no se ha estudiado si el tiempo afecta las puntuaciones de la GCS y cómo lo hace. .

Apuntar

El objetivo de este estudio es evaluar cómo el momento de la medición de GCS afecta su valor predictivo después de una lesión cerebral traumática (TBI) en pacientes adultos. El primer objetivo es evaluar si el rendimiento predictivo de la GCS mejora si se ajusta por el tiempo transcurrido desde la lesión hasta el momento en que se registró. El segundo objetivo es evaluar si el rendimiento predictivo de GCS varía según el momento en que se registró.

Diseño del estudio

Este es un análisis retrospectivo del estudio de cohortes Towards Improved Trauma Care Outcomes in India (TITCO).

Configuración

Se utilizará la cohorte de TITCO no identificada. Esta cohorte incluye 16 000 pacientes inscritos entre julio de 2013 y diciembre de 2015 de cuatro hospitales universitarios de la India. Los oficiales del proyecto, con una maestría en ciencias de la salud, recopilaron datos prospectivamente sobre el ingreso en cada sitio mediante la observación directa de la sala de emergencias y el llenado de un formulario estandarizado. Los oficiales del proyecto trabajaron en turnos rotativos de ocho horas (mañana, tarde, noche). Los datos también se recuperaron retrospectivamente de los registros de los pacientes admitidos fuera de los turnos observados.

Fuente y método de selección de participantes

El oficial de proyecto de un sitio incluyó pacientes de los hospitales participantes, ya sea por observación prospectiva o por recuperación retrospectiva de datos de los registros de pacientes.

Variables explicativas Las dos variables explicativas de interés serán la GCS y el tiempo entre la lesión y el registro de la GCS en horas, en adelante denominado como tiempo hasta la GCS. La GCS se extrajo de los registros de los pacientes, al igual que la fecha y la hora de la primera GCS registrada. Si faltan la fecha y la hora del primer registro de GCS, en su lugar se utilizará la hora de llegada al centro participante. La fecha y la hora de la lesión se extrajeron de los registros de los pacientes o las informaron directamente los participantes. Los datos y la hora del primer registro de GCS o de la llegada al centro participante se extrajeron de los registros de los pacientes.

Covariables Las variables edad, sexo, mecanismo de la lesión, si el paciente fue trasladado de otro establecimiento de salud y la gravedad de la lesión anatómica cuantificada mediante el puntaje de gravedad de la lesión (ISS) se reportarán para caracterizar la muestra de estudio. La edad, el sexo, el mecanismo de la lesión y el estado de transferencia se extrajeron de los registros de los pacientes o los informaron los participantes. ISS fue calculado por un solo codificador acreditado basado en descripciones de texto de lesiones.

Inclinación

Para tener en cuenta los errores humanos en el registro de GCS, los observadores de recolección de datos de Aal tenían títulos de maestría en ciencias de la salud y fueron capacitados y supervisados ​​​​continuamente durante todo el período de recopilación de datos.

Variables cuantitativas

GCS se tratará como un término lineal y como una variable ordinal con 12 niveles. Los niveles no comprobables de los componentes verbal y visual se tratarán como 1. El tiempo entre la lesión y la GCS registrada se tratará como una variable continua y una variable categórica. Cuando se trate como un tiempo continuo entre la lesión y la GCS, se permitirá que tenga una asociación no lineal con la mortalidad al modelarlo usando splines cúbicos restringidos con tres nudos colocados en percentiles igualmente espaciados. Cuando se trate como categórica se dividirá en bloques de dos horas.

métodos de estadística

Todos los análisis se realizarán en el lenguaje estadístico y el entorno de programación R. La muestra primero se dividirá temporalmente en muestras de capacitación y validación, como se describe en la sección de tamaño del estudio a continuación. Luego, cada muestra se caracterizará utilizando medianas y rangos intercuartílicos (RIC) para presentar variables cuantitativas y conteos y porcentajes para presentar variables cualitativas.

En la muestra de entrenamiento, se ajustarán cuatro modelos de predicción simple usando regresión logística con la mortalidad como resultado. El primer modelo incluirá solo GCS como término lineal, el segundo GCS como término lineal y tiempo para GCS modelado usando splines cúbicos restringidos, el tercero solo GCS como variable ordinal y el cuarto modelo GCS como variable ordinal y tiempo para GCS modelado usando splines cúbicos restringidos. Para evitar el sobreajuste, se estimará un factor de contracción utilizando un procedimiento de arranque que luego se aplicará a los coeficientes del modelo.

A continuación, se aplicarán los cuatro modelos en la muestra de validación y se estimará y comparará su rendimiento predictivo. El rendimiento predictivo de cada modelo se evaluará utilizando el área bajo la curva de características operativas del receptor (AUROCC), valores predictivos positivos y negativos. Las diferencias en el rendimiento predictivo entre los modelos y los intervalos de confianza del 95 % asociados se estimarán utilizando bootstrapping.

Luego, cada una de las muestras de capacitación y validación se dividirá en submuestras según el tiempo hasta la GCS, de modo que la primera submuestra incluya pacientes con un tiempo hasta la GCS < 2 horas y la segunda submuestra incluya pacientes con un tiempo hasta la GCS de entre dos y cuatro horas, y así en bloques de dos horas. En cada una de las submuestras de entrenamiento se ajustará un modelo logístico simple incluyendo GCS como término lineal como única variable independiente. El coeficiente de GCS en cada modelo se reducirá.

El modelo desarrollado en la primera submuestra de entrenamiento se aplicará luego a la primera submuestra de validación y así sucesivamente. El rendimiento del modelo en cada submuestra de validación se evaluará utilizando AUROCC y el error cuadrático medio. La tendencia en estas medidas a través de las submuestras de validación luego se cuantificará utilizando un modelo lineal generalizado simple con datos de medidas de rendimiento como variable de resultado y una transformación no lineal del número de índice de bloque utilizando splines cúbicos restringidos con tres nudos como la única variable independiente.

Estrategia para manejar los datos faltantes

Si se alcanza el tamaño de muestra requerido si solo se incluyen pacientes con datos completos sobre el resultado, la variable explicativa y las covariables, se realizará un análisis de caso completo. De lo contrario, los datos faltantes se manejarán con imputación múltiple utilizando ecuaciones encadenadas. El número de conjuntos de datos imputados será igual al porcentaje de observaciones incompletas. El análisis se realizará por separado en cada conjunto de datos imputados y los resultados principales se presentarán como medianas con IQR entre imputaciones. Para los intervalos de confianza, se informarán los valores más extremos de los límites superior e inferior combinados.

Tamaño del estudio

Es probable que el análisis más intensivo en datos ajuste el modelo con GCS como una variable ordinal y el tiempo para GCS como splines cúbicos restringidos y, por lo tanto, se estima el tamaño del estudio para acomodar este análisis. Los estudios de simulación indican que los modelos de regresión logística necesitan al menos diez eventos, u observaciones con el resultado, por parámetro incluido para generar estimaciones de coeficientes confiables. Modelar GCS como una variable ordinal implicará estimar coeficientes para once parámetros e incluir el tiempo para GCS agrega dos parámetros adicionales. El número total de parámetros es entonces 13, lo que indica la necesidad de al menos 130 eventos. Suponiendo una prevalencia de resultados del 20% basada en investigaciones previas, la muestra de capacitación debe incluir al menos 650 observaciones. Si este número es inferior a la mitad de la muestra completa, las muestras de entrenamiento y validación se generarán dividiendo la muestra completa en dos partes de igual tamaño. Si la muestra completa incluye menos de 1300 observaciones, las primeras 650 observaciones se incluirán en la muestra de entrenamiento y las observaciones restantes se incluirán en la muestra de validación. No obstante, las muestras se crearán de forma que la contribución relativa de cada centro sea aproximadamente la misma en ambas muestras.