Desarrollo y Evaluación del Electronic Frailty Index+ (eFI+)

Tecnologías sanitarias en evaluación

El eFI+ se desarrollará utilizando componentes del eFI original, complementado con datos adicionales de EHR de atención primaria de rutina y orientación sobre los beneficios adicionales de implementar medidas clínicas simples en la práctica de atención primaria de rutina. El eFI+ será adecuado para una implementación rápida en los sistemas EHR de atención primaria del Reino Unido, aprovechando los estrechos vínculos existentes con los proveedores de sistemas (SystmOne/EMISWeb/Vision/Microtest).

Los investigadores desarrollarán, luego validarán interna y externamente el eFI+ utilizando el banco de datos Secure Anonymised Information Linkage (SAIL), la base de datos ResearchOne y el Leeds Data Model (LDM).

Además, los investigadores analizarán los datos del estudio de cohorte Community Aging Research 75+ (CARE75+) (CI Clegg, n≈1,200) como el único estudio de cohorte nacional que incluye puntajes eFI, para investigar cómo se pueden evaluar las medidas simples en la atención primaria, pero no están disponibles en los datos rutinarios de EHR (p. velocidad de la marcha, prueba cronometrada de levantarse y andar; actividades de la vida diaria; soledad) puede mejorar la predicción.

Diseño del estudio

Desarrollo de modelos de pronóstico, validación interna y validación externa utilizando datos de investigación de atención primaria de rutina (ResearchOne), conjuntos de datos vinculados (banco de datos SAIL y LDM) y datos de estudios de cohortes (CARE75+), con modelado analítico de decisiones integrado, incluido el análisis económico de la salud.

bases de datos

1. Base de datos de enlace de información anonimizada segura (SAIL)

   Registros anónimos de alrededor de 5 millones de personas en Gales, con atención primaria vinculada, asistencia a urgencias, admisiones hospitalarias, datos de pacientes ambulatorios, atención social, Welsh Care Homes Dataset y datos de mortalidad ONS. SAIL incluye puntajes resumidos de eFI y componentes individuales.

2. investigaciónuno

   Datos anónimos representativos a nivel nacional de alrededor de 6 millones de registros de salud electrónicos de atención primaria del Reino Unido en el sistema clínico TPP SystmOne. ResearchOne incluye puntajes resumidos de eFI y componentes individuales.

3. Modelo de datos de Leeds (LDM)

   Datos de atención primaria, secundaria, comunitarios y sociales anónimos y vinculados de 810 000 pacientes en 108 prácticas en Leeds, incluidos los puntajes resumidos de eFI y los componentes individuales.

4. Cohorte de Investigación sobre el Envejecimiento Comunitario 75+ (CARE75+)

Estudio de cohorte prospectivo nacional (n≈1,200) que recopila información sociodemográfica detallada, medidas de fragilidad (incluidas las puntuaciones eFI), instrumentos simples adecuados para su uso en atención primaria (p. velocidad de la marcha, prueba cronometrada de levantarse y andar; actividades de la vida diaria; cuidado informal; soledad) y resultados clave a los seis, 12, 24 y 48 meses. CARE75+ es un conjunto de datos muy rico que proporciona un método altamente eficiente para investigar cómo instrumentos simples pueden aumentar el rendimiento de eFI.

Población elegible

Pacientes ≥65 años con fragilidad moderada (puntuación eFI de 0,24 a 0,36) o fragilidad grave (puntuación eFI >0,36) y registrados en un consultorio de ResearchOne, SAIL o LDM el 1 de abril de 2018.

Todos los participantes de CARE75+ con fragilidad moderada (puntuación eFI de 0,24 a 0,36) o fragilidad severa (puntuación eFI >0,36) serán elegibles.

Resultados para la predicción del riesgo (todos los 12 meses)

• Paquete de atención domiciliaria nuevo o aumentado
• Asistencia a urgencias/hospitalización por caída o fractura
• Admisión a un asilo de ancianos
• Mortalidad por cualquier causa

predictores

Componentes del eFI, complementados con variables disponibles dentro de los datos EHR de atención primaria de rutina y medidas de evaluación clínica prácticas para su uso en atención primaria.

Modelos pronósticos

Cada modelo de pronóstico será desarrollado y validado internamente en solo una de las bases de datos, y luego validado externamente en una segunda base de datos

Tamaño de la muestra para el desarrollo de modelos de pronóstico

Los extractos de SAIL y ResearchOne incluirán cada uno ≈600 000 pacientes de 65 años o más, con un estimado de 72 000 con fragilidad moderada y 24 000 con fragilidad severa. El extracto de LDM incluirá ≈150 000 pacientes de 65 años o más, con un estimado de 18 000 con fragilidad moderada y 6000 con fragilidad severa.

Para el desarrollo de modelos, un indicador clave del tamaño efectivo de la muestra es el número de eventos de resultados. La investigación previa sobre los resultados de interés y las estimaciones de viabilidad utilizando CARE75+, ResearchOne y SAIL informan las estimaciones del número anticipado de eventos dentro de los 12 meses.

• Paquete de atención domiciliaria nuevo o aumentado: 15 864 eventos anticipados en SAIL, en base a una incidencia de 12 meses del 14,9 % en el grupo de fragilidad moderada (10 080 eventos) y una incidencia de 12 meses del 24,1 % en el grupo de fragilidad severa (5784 eventos).
• Asistencia/hospitalización en urgencias por caída o fractura: 8064 eventos previstos en SAIL, según una incidencia de 12 meses del 7,4 % en el grupo de fragilidad moderada (5328 eventos) y una incidencia del 11,4 % en fragilidad grave (2736 eventos).
• Admisión a un asilo de ancianos: 2160 eventos anticipados en ResearchOne, con base en una incidencia de 12 meses del 2,0 % en el grupo de fragilidad moderada (1440 eventos) y una incidencia de 12 meses del 3,8 % en el grupo de fragilidad grave (720 eventos).
• Mortalidad por todas las causas: se anticiparon 12 216 eventos en ResearchOne, según un 10,6 % de incidencia a los 12 meses en el grupo de fragilidad moderada (7632 eventos) y un 19,1 % de incidencia a los 12 meses en el grupo de fragilidad severa (4584 eventos).

Por lo tanto, incluso cuando se toma la estimación más baja de eventos incidentes por 12 meses (para la admisión en un asilo de ancianos), para cada resultado los investigadores esperarían al menos 2160 eventos en ResearchOne o SAIL. Esto nos permite estimar de forma sólida un modelo de pronóstico para cada resultado, incluso con hasta 108 parámetros de predicción, que corresponden a 20 eventos por parámetro de predicción potencial (2160/20). Esto excede las recomendaciones de 'regla general' de 10 o 15 eventos por parámetro predictor.

Además, suponiendo de forma conservadora que los nuevos modelos tendrán un R cuadrado de Nagelkerke del 15 %, la fórmula del tamaño de la muestra de Riley sugiere que al menos 7,5 eventos para cada parámetro predictivo garantizarán que se minimice el sobreajuste y el optimismo, cuando la proporción de resultados sea del 3 %. Al aumentar la proporción de resultados al 20 % (paquete de atención domiciliaria), al 9 % (caída/fractura) o al 15 % (mortalidad), el tamaño de muestra mínimo requerido es de 18, 11,5 y 15 eventos por parámetro de predicción, respectivamente. Los investigadores superan todos estos, debido a los grandes conjuntos de datos disponibles.

Tamaño de muestra para validación externa

Las recomendaciones actuales son que se requieren al menos 100 eventos y 100 no eventos (idealmente 200) para la validación externa del modelo de pronóstico. Nuestras estimaciones indican mucho más que esto, como 2160 eventos para el resultado menos prevalente de ingreso en el hogar de cuidado en SAIL y ResearchOne, y 540 en LDM (que solo se usará para la validación externa de modelos).

Datos perdidos

Manejado usando imputación múltiple y las reglas de Rubin, bajo una suposición aleatoria faltante, incluido el resultado en el modelo de imputación, teniendo en cuenta el agrupamiento de prácticas.

Plan de análisis

i) Modelado pronóstico

Los investigadores construirán 4 modelos de pronóstico separados dentro de los conjuntos de datos de desarrollo para predecir el riesgo de nuestros 4 resultados clave establecidos en individuos con fragilidad moderada o severa como punto de partida.

Para cada resultado, para aquellos con fragilidad moderada (puntuación eFI de 0,24 a 0,36) o fragilidad grave (puntuación eFI >0,36), los investigadores desarrollarán y validarán internamente un modelo de pronóstico que contenga solo eFI (como un todo tal como está actualmente) y luego contenga componentes de eFI (incluidos como predictores) junto con datos adicionales de EHR de atención primaria de rutina. El modelo de regresión será regresión logística o supervivencia paramétrica flexible, para resultados binarios o de tiempo hasta el evento (según corresponda cuando los investigadores observan la codificación y censura de la base de datos, etc.), para producir riesgos de resultado a los 12 meses.

Debido al gran tamaño de la muestra, se espera que el sobreajuste sea pequeño, pero los investigadores lo ajustarán mediante la penalización a través de un factor de reducción global estimado mediante bootstrapping. Cuando la selección de variables se considere importante para la parsimonia, los investigadores preferirán aplicar la penalización a través de una red elástica. La validación interna utilizará el arranque de todo el conjunto de datos de desarrollo y las estimaciones ajustadas por optimismo del rendimiento predictivo producido para la calibración (p. calibración en general, pendiente de calibración, observada/esperada), discriminación (p. estadística C) y general (p. Nagelkerke R2) rendimiento de los riesgos previstos. Las variables continuas no se categorizarán y los posibles efectos no lineales se examinarán mediante splines o polinomios fraccionarios. También se examinarán los riesgos no proporcionales de los predictores con términos de interacción con el tiempo.

Todos los modelos serán validados externamente en una base de datos diferente. Las estadísticas de rendimiento predictivo se derivarán como se describe anteriormente (p. Estadística C, pendiente de calibración), junto con gráficos de calibración que muestran la concordancia entre los riesgos observados y pronosticados, en todo el espectro de riesgos pronosticados, utilizando un suavizador no paramétrico de loess.

Por separado, los investigadores utilizarán el conjunto de datos CARE75+ para investigar el poder predictivo adicional de las medidas de evaluación clínica de los factores pronósticos identificados a partir de las revisiones que son prácticas para su uso en la atención primaria de rutina.

ii) Modelado de decisiones

Los modelos de pronóstico se traducirán en un marco para guiar la toma de decisiones clínicas mediante la identificación de umbrales relevantes de riesgo previsto, por encima de los cuales se justifica la implementación de nuestras intervenciones establecidas. Esto nos permitirá generar un modelo analítico de decisión (DAM), que se examinará utilizando curvas de decisión y beneficio neto en los conjuntos de datos de validación externa.

iii) Evaluación económica de la salud

La evaluación económica de la salud se realizará en dos etapas. El objetivo de la primera etapa es proporcionar una comparación a corto plazo de 12 meses de la rentabilidad de los escenarios identificados por el DAM. Para la segunda etapa, los investigadores extenderán nuestro análisis a una evaluación de la rentabilidad a largo plazo de estos escenarios.