Predictores del resultado después de un accidente cerebrovascular perioperatorio

FONDO

El accidente cerebrovascular perioperatorio es una complicación devastadora de la cirugía que actualmente está mal caracterizada con herramientas clínicas limitadas disponibles para detectar y prevenir su aparición. El accidente cerebrovascular perioperatorio es un evento cerebrovascular que ocurre después de la cirugía y afecta entre el 0,1 y el 1,9% de los pacientes que se someten a una cirugía no cardíaca ni neurológica. El accidente cerebrovascular perioperatorio está relativamente poco estudiado en comparación con las complicaciones posoperatorias de incidencia y gravedad similares, como las complicaciones cardíacas. En las últimas décadas, se han realizado esfuerzos significativos para reducir el riesgo de infarto de miocardio perioperatorio y han llevado a una disminución de la incidencia con el tiempo debido a los avances en la estratificación del riesgo y el manejo perioperatorio. Aunque la incidencia de accidente cerebrovascular perioperatorio es similar o mayor que la del infarto de miocardio perioperatorio, el riesgo de esta complicación ha ido aumentando con el tiempo y el accidente cerebrovascular perioperatorio sigue siendo relativamente ignorado. La literatura actual ha identificado que los pacientes que experimentan un accidente cerebrovascular después de la cirugía tienen una mayor tasa de mortalidad, duración de la estancia hospitalaria y alta en un centro, pero dada la naturaleza rara de esta complicación, se sabe relativamente poco sobre qué factores predicen estos resultados entre aquellos que experimentar un accidente cerebrovascular perioperatorio.

OBJETIVOS

OBJETIVOS ESPECÍFICOS

1. Derive y valide externamente modelos de predicción de riesgo para mortalidad (resultado principal), alta adversa, utilización de la UCI, traqueotomía/PEG/craniectomía y duración de la estadía después de un accidente cerebrovascular perioperatorio.
2. Describir las tendencias temporales de la mortalidad después de un accidente cerebrovascular perioperatorio entre 2005 y 2020.
3. Explore los mediadores del riesgo de mortalidad después del accidente cerebrovascular perioperatorio.

MÉTODOS

Este estudio es un análisis retrospectivo de la base de datos del Programa Nacional de Mejora de la Calidad Quirúrgica del Colegio Estadounidense de Cirujanos recopilada prospectivamente entre 2004 y 2020.

La cohorte de derivación se extraerá de la base de datos NSQIP. El año más reciente del conjunto de datos (2020) incluye datos sobre más de un millón de casos de 708 sitios. La cohorte de validación se extraerá de Population Data BC, una colección de bases de datos provinciales vinculadas que proporcionan datos de nivel individual anonimizados sobre todos los residentes de BC (población 5,1 millones). Se eligió un intervalo de fechas del 1 de enero de 2002 al 31 de diciembre de 2020 para reflejar las prácticas contemporáneas de tratamiento del accidente cerebrovascular (por ejemplo, EVT) y el uso constante de la codificación ICD-10-CA desde 2002.

Población de estudio

Cohorte de derivación del NSQIP: Se incluirán pacientes con ictus perioperatorio en la base de datos del NSQIP entre 2004 y 2017. Excluiremos los procedimientos de radiología intervencionista y neuroquirúrgicos (incluida la endarterectomía carotídea). Las poblaciones de cirugía cardíaca y no cardíaca se analizarán por separado debido a su perfil único de riesgo de accidente cerebrovascular.

Cohorte de validación de PopDataBC: los pacientes con AIS se identificarán mediante los códigos de diagnóstico I63.0-163.9 de la Clasificación Internacional de Enfermedades (ICD), décima revisión, Canadá (ICD-10-CA), que identifica de forma precisa y fiable los AIS en grandes conjuntos de datos administrativos, con un valor predictivo positivo y una sensibilidad superior al 97 %. Pacientes que experimentaron un diagnóstico de admisión ICD-10-CA (3 posiciones principales) de AIS dentro de los 30 días posteriores a la admisión para cirugía, o como un diagnóstico de alta de la hospitalización quirúrgica índice. Los pacientes perioperatorios se extraerán aún más de la cohorte general de AIS si recibieron el código de facturación quirúrgica en los 30 días anteriores a la admisión por accidente cerebrovascular.

Variables de resultado: El resultado primario es la mortalidad a los 30 días; los resultados secundarios son la utilización de la UCI, la duración de la estancia hospitalaria, los marcadores de resultado de accidente cerebrovascular grave (traqueotomía, PEG, hemicraniectomía por edema cerebral) y el alta adversa (instalación fuera del hogar o muerte).

Variables predictoras candidatas: El resultado después del accidente cerebrovascular perioperatorio está potencialmente relacionado con los factores del paciente, quirúrgicos y anestésicos, así como con las características del accidente cerebrovascular. Las variables predictoras candidatas incluirán las características del paciente (edad, sexo, comorbilidades, incluido el historial de accidente cerebrovascular), características quirúrgicas (especialidad, complejidad, tipo, estado de emergencia), técnica anestésica (general frente a regional/neuraxial) y características del accidente cerebrovascular (momento relativo a la operación). , reingreso por ictus vs ictus en hospitalización). Las variables continuas se considerarán para la transformación utilizando polinomios fraccionarios para permitir una asociación continua no lineal.

ANÁLISIS ESTADÍSTICO

Objetivo 1: Derivación y validación de modelos de predicción de riesgos. Los modelos multivariables para predecir la mortalidad a los 30 días después de un accidente cerebrovascular perioperatorio se crearán por separado para la cirugía cardíaca y no cardíaca, dados sus mecanismos únicos de accidente cerebrovascular. Para evitar el ajuste excesivo, emprenderemos una estrategia de reducción de datos y excluiremos las variables con más del 10 % de datos faltantes o menos de 20 observaciones. Cuando falten datos >1% pero <10%, consideraremos la imputación múltiple o media; las variables con <1% de datos faltantes se manejarán a través de un análisis de caso completo.

Las variables predictoras preespecificadas se utilizarán para construir un modelo de regresión logística en el que los coeficientes se reducirán utilizando una penalización neta elástica. Se eligió este método para la selección y penalización de variables porque anticipamos la posibilidad de una gran cantidad de predictores potenciales en relación con la cantidad de resultados y que varios predictores importantes serán colineales. Mediante el uso de la regularización neta elástica, podemos emplear un equilibrio entre la reducción absoluta mínima y la penalización del operador selector (LASSO) y la regresión RIDGE. La regresión RIDGE nos permitirá mantener predictores colineales importantes, pero reducir sus coeficientes (que podrían estar inflados debido a la colinealidad). Los métodos LASSO permitirán que los coeficientes de algunos predictores no contributivos lleguen a cero, por lo tanto, eliminándolos del modelo. Las variables incluidas se evaluarán en busca de interacciones y se considerarán términos adicionales para mejorar el rendimiento del modelo según sea necesario. En concreto, examinaremos a priori las siguientes interacciones: edad*sexo, complejidad quirúrgica (URVD)*edad, VRVD*especialidad y especialidad*técnica anestésica. La discriminación del modelo se evaluará utilizando el área bajo la curva característica operativa del receptor (estadística c). La calibración del modelo se evaluará con un gráfico suavizado por loess de los riesgos observados frente a los predichos en todo el espectro de riesgos. Se usará un análisis similar para crear un modelo de predicción para la duración de la estadía (que será un modelo lineal transformado logarítmicamente). Dado que la muerte es un resultado competitivo para la disposición del alta, el alta adversa se modelará como un resultado ordinal (domicilio, alta no domiciliaria o muerte).

Validación interna: después de la derivación, se utilizarán 5000 muestras de arranque para la validación interna y para generar un optimismo estimado. Los análisis de sensibilidad evaluarán el rendimiento del modelo en diferentes períodos de tiempo para evaluar el impacto del año de la cirugía (p. ej., períodos de 2 a 3 años, según la cantidad de observaciones disponibles en cada año). Luego de la derivación del modelo final para predecir la mortalidad, derivaremos un índice predictivo simplificado al convertir los coeficientes de regresión en puntos que reflejen sus pesos relativos. La precisión predictiva de la herramienta resultante se evaluará de manera similar a la anterior.

Validación externa: el modelo logístico final se validará externamente en el conjunto de datos distinto obtenido de PopDataBC después de asignar elementos de datos NSQIP a la base de datos PopDataBC. Los coeficientes de regresión se aplicarán a PopDataBC del modelo derivado del NSQIP para calcular las probabilidades de resultados esperados y comparar los resultados previstos con los observados. Se medirá la discriminación y la calibración, con un área bajo la curva característica operativa del receptor > 0,70 que se considera una discriminación del modelo aceptable y la prueba de Hosmer-Lemeshow con una p > 0,05 que indica una bondad de ajuste aceptable.

Objetivo 2: Tendencias temporales de la mortalidad. Realizaremos un modelo exploratorio de regresión de mínimos cuadrados ordinarios no ajustado con la tasa de mortalidad anual después del accidente cerebrovascular perioperatorio como variable dependiente y el año como predictor para estimar el cambio anual en la tasa de mortalidad a lo largo del tiempo. Se especificará un modelo de regresión lineal multivariable, ajustando los predictores importantes.

Objetivo 3: Mediadores del riesgo de mortalidad. Para explorar la posible modificación del efecto del riesgo de mortalidad antes del accidente cerebrovascular por eventos posteriores al accidente cerebrovascular, especificaremos una serie de modelos de regresión logística con la muerte como variable dependiente y la probabilidad de muerte de nuestro modelo primario como predictor lineal. Luego agregaremos predictores preespecificados (arriba), cada uno como una variable adicional, para explorar si la probabilidad de muerte aumenta o disminuye en función de la adición de la variable modificadora del efecto postulado.

Análisis basado en género/sexo: exploraremos la relación entre el género y los resultados después del accidente cerebrovascular perioperatorio realizando análisis de subgrupos en mujeres y hombres, y caracterizando y comparando las características y los resultados iniciales de estas dos poblaciones. Además, incluiremos el género a priori como predictor en el modelo ajustado y examinaremos las interacciones con otras variables. No podemos examinar el género no binario ya que NSQIP solo proporciona "masculino", "femenino" o "desconocido".

Tamaño y poder de la muestra: Usamos los métodos de Riley et al para estimar el tamaño de la muestra requerido para derivar un modelo de regresión logística estable que minimice el sobreajuste. Mediante el uso de 30 parámetros del modelo y una prevalencia de resultado estimada del 25 % de mortalidad en personas con accidente cerebrovascular,3 estimamos los tamaños de muestra mínimos requeridos en función de la discriminación del modelo potencial (estadística c) y la varianza explicada (Cox-Snell R2). Si nuestro modelo logra una estadística c de 0,7 (R2 0,09), necesitamos 2.754 participantes. Una discriminación más fuerte (estadística c 0.8, R2 0.2) reduciría el tamaño de muestra requerido a 1,145. La base de datos NSQIP 2004-2017 contiene 6,6 millones de pacientes y, según nuestro análisis preliminar del conjunto de datos de 2015, el 99,5 % será cirugía no cardíaca con una incidencia de accidente cerebrovascular del 0,19 % y el 0,5 % será cirugía cardíaca con una incidencia del 1,76 %. de accidente cerebrovascular Por tanto, estimamos un total de al menos 12.434 y 5.808 ictus perioperatorios no cardíacos y cardíacos, respectivamente.

Un valor de p <0,05 se considerará significativo para todos los análisis y todos los análisis de datos se realizarán con STATA 17 (StataCorp, Texas, EE. UU.).