Optimización de la asignación de recursos a través de la predicción de resultados para Covid-19

Fondo.

Las puntuaciones de riesgo clínico relativamente simples basadas en información clínica fácilmente disponible pueden ser de gran ayuda en la clasificación de los pacientes para el alta temprana o una intervención más rápida e intensiva. Un ejemplo de esto es el sangrado gastrointestinal superior donde varios de estos puntajes (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) han permitido un alta temprana y segura, aliviando así la presión sobre los hospitales. Los investigadores creen que se podrían lograr resultados similares a partir de los datos recopilados de forma rutinaria en nuestro fideicomiso sobre pacientes con covid-19 comprobado o sospechoso.

Objetivos

Los investigadores pretenden responder a las siguientes preguntas

1. ¿Qué patrón de historia clínica y síntomas, observaciones, sangre y otros marcadores de investigación predice mejor que un paciente con sospecha de covid-19 o que se haya comprobado que lo tiene progresará y requerirá ventilación?
2. ¿Qué patrón de historia clínica y síntomas, observaciones, sangre y otros marcadores de investigación predice mejor que un paciente con sospecha de covid-19 o que se ha comprobado que lo tiene morirá durante su enfermedad?
3. ¿Qué patrón de historia clínica y síntomas, observaciones, sangre y otros marcadores de investigación predice mejor que un paciente con sospecha de covid-19 o que se ha comprobado que lo tiene se recuperará por completo sin requerir oxígeno suplementario?

Métodos

Los investigadores proponen dos enfoques principales para los dos primeros de los objetivos anteriores.

Un enfoque estándar que evalúa las características iniciales para predecir un resultado deficiente, similar a otros estudios en curso como ISARIC y PRIEST, pero que se beneficia de una muestra imparcial de pacientes, ya que no se recopilarán muestras ni datos adicionales y, por lo tanto, los investigadores creen que será éticamente aceptable. sujeto a la debida atención a la confidencialidad para analizar a todos los pacientes que se presenten y no solo a aquellos que deseen y puedan dar su consentimiento.

Un enfoque de modelado multinivel que utiliza las ricas mediciones clínicas y de laboratorio diarias repetidas para predecir el riesgo diario de un deterioro posterior.

Este segundo enfoque complementa otros estudios en curso como ISARIC y PRIEST, ya que solo se puede entregar de manera factible dentro de una sola institución como NUH, ya que requiere datos de salud electrónicos vinculados longitudinalmente detallados. Además, es un diseño de estudio eficiente y de bajo costo que no requiere la recopilación manual de datos.

Los investigadores utilizarán los datos almacenados en los sistemas electrónicos de Nottingham University Hospitals (NUH) NHS Trust para identificar a todos los pacientes sospechosos de tener una infección por covid-19 o en quienes finalmente se confirme el diagnóstico. Esto se realizará desde el comienzo de la pandemia de forma retrospectiva y luego en un programa continuo de forma prospectiva para maximizar los datos disponibles.

Para estos pacientes, los investigadores recopilarán todos los datos relevantes sobre diagnósticos (comorbilidades), observaciones clínicas diarias y parámetros de laboratorio diarios tanto en la presentación como de forma continua hasta el momento de la muerte o el alta. Estos datos incluirán medidas repetidas de temperatura, pulso, saturación de oxígeno en sangre, concentración de oxígeno inspirado, frecuencia respiratoria, proteína C reactiva y recuento de glóbulos blancos, entre otros.

Los datos se analizarán y los resultados se modelarán dentro de la red de Nottingham University Hospitals Trust para garantizar que se mantenga la confidencialidad.

Análisis

Características de los pacientes que continúan con la intubación Los investigadores evaluarán la asociación de los parámetros de referencia y los datos demográficos de los pacientes que requieren ventilación en comparación con los que no la necesitan mediante la tabulación cruzada de los parámetros de referencia con la ventilación y el cálculo de las asociaciones ajustadas mediante un modelo de regresión logística. Los investigadores también examinarán el riesgo diario de intubación utilizando un modelo de efectos aleatorios con mediciones diarias repetidas. Para examinar el potencial de una puntuación de riesgo clínico fácilmente calculable, se prepararán modelos logísticos, pero conservando las variables continuas como continuas (para maximizar la retención de datos predictivos útiles) y reduciéndolas a datos categóricos (para facilitar el cálculo clínico). Los investigadores seleccionarán predictores para el modelo usando eliminación hacia atrás con el criterio de información de Akaike y alfa = 0.05. Para los modelos candidatos, los investigadores calcularán el índice C y las curvas operativas del receptor y evaluarán la calibración mediante la prueba de Hosmer-Lemeshow. Se utilizará bootstrapping y validación cruzada para evitar el sobreajuste y evaluar el rendimiento del modelo.

Análisis de tendencias temporales para identificar marcadores que conduzcan a la intubación Los investigadores examinarán los datos en busca de tendencias a lo largo del tiempo en mediciones repetidas cuando estén disponibles y las describirán utilizando estadísticas de resumen apropiadas. Si hay suficientes mediciones repetidas, cada covariable se evaluará con un análisis JoinPoint para evaluar si hay una inflexión obvia en el tiempo para indicar un cambio en el cuadro clínico que marca una disminución hacia la ventilación. Este proceso alimentará la elección racional de categorías para la representación categórica de los datos.

Predictores en la intubación que sugieran muerte Los investigadores evaluarán la asociación de cualquier parámetro y datos demográficos de los pacientes ventilados que mueren en comparación con los que no lo hacen mediante la tabulación cruzada de los parámetros en el punto de ventilación con la muerte y calculando las asociaciones ajustadas mediante un modelo de regresión logística. Los investigadores también examinarán el riesgo diario de muerte utilizando un modelo de efectos aleatorios con mediciones diarias repetidas. Para examinar el potencial de una puntuación de riesgo clínico fácilmente calculable, se prepararán modelos logísticos, pero conservando las variables continuas como continuas (para maximizar la retención de datos predictivos útiles) y reduciéndolas a datos categóricos (para facilitar el cálculo clínico). Los investigadores seleccionarán predictores para el modelo usando eliminación hacia atrás con el criterio de información de Akaike y alfa = 0.05. Para los modelos candidatos, los investigadores calcularán el índice c y las curvas operativas del receptor y evaluarán la calibración mediante la prueba de Hosmer-Lemeshow. Se utilizará bootstrapping y validación cruzada para evitar el sobreajuste y evaluar el rendimiento del modelo.

Análisis de tendencias en el tiempo para identificar marcadores que conduzcan a la muerte Examinaremos los datos en busca de tendencias a lo largo del tiempo en mediciones repetidas cuando estén disponibles y las describiremos utilizando estadísticas de resumen apropiadas. Si hay suficientes mediciones repetidas, entonces cada covariable se evaluará con un análisis JoinPoint para evaluar si hay una inflexión obvia en el tiempo para indicar un cambio en el cuadro clínico que marca una disminución hacia la muerte. Características iniciales de los pacientes dados de alta sin oxígeno suplementario. evaluará la asociación de los parámetros de referencia y los datos demográficos de los pacientes que reciben el alta sin oxígeno suplementario en comparación con los que no lo reciben mediante la tabulación cruzada de los parámetros de referencia con la ventilación y el cálculo de las asociaciones ajustadas mediante un modelo de regresión logística. Para examinar el potencial de una puntuación de riesgo clínico fácilmente calculable, se prepararán modelos logísticos, pero conservando las variables continuas como continuas (para maximizar la retención de datos predictivos útiles) y reduciéndolas a datos categóricos (para facilitar el cálculo clínico). Los investigadores seleccionarán predictores para el modelo usando eliminación hacia atrás con el criterio de información de Akaike y alfa = 0.05. Para los modelos candidatos, los investigadores calcularán el índice c y las curvas operativas del receptor y evaluarán la calibración mediante la prueba de Hosmer-Lemeshow. Cada uno de estos pasos se repetirá en 10 submuestras del 20 % seleccionadas al azar del conjunto de datos.

Análisis suplementarios estratificados Para identificar diferentes grupos de pacientes en riesgo de resultados deficientes, se evaluarán las interacciones con cada modelo de riesgo para identificar si es necesaria la estratificación por franjas de edad, sexo, comorbilidades previas y factores basales como linfopenia, PCR, etc.

Todos los análisis se repetirán para grupos de pacientes con Covid-19 probados por PCR y aquellos solo sospechosos.

Para el análisis del alta sin oxígeno suplementario, los investigadores examinarán el riesgo de reingreso para aquellos que fueron dados de alta y repetirán el análisis solo para aquellos que no sean readmitidos posteriormente.

Criterio de elegibilidad

Criterios de inclusión • Todos los pacientes ingresados ​​en Nottingham University Hospitals Trust con sospecha de infección por Covid-19 o en los que finalmente se confirme el diagnóstico y que sean mayores de 18 años.

Criterio de exclusión

• Menores de 18 años.