Cirugía pancreática: umbrales óptimos de carga de casos y precisión predictiva (PaSuT)

Principales preguntas de investigación:

• ¿Se pueden identificar números de casos de intervención específicos que sean adecuados como umbrales para los volúmenes mínimos anuales y estén asociados con una mortalidad hospitalaria significativamente baja?
• Casi todos los estudios anteriores sobre los efectos del número de casos solo han mostrado una asociación descriptiva entre el número de casos en un año determinado y la calidad de los resultados en el mismo año. El objetivo de este estudio es investigar si las correlaciones descritas pueden demostrarse utilizando como predictor el volumen de procedimientos del año anterior. El estudio busca responder si el número de casos de procedimientos tiene valor predictivo, específicamente el número de casos en un año y la mortalidad hospitalaria en el año siguiente.

Fondo:

Numerosos estudios han demostrado una correlación entre el número de casos y la calidad de los resultados de diversos procedimientos quirúrgicos. Por ejemplo, los pacientes sometidos a cirugía en hospitales de alto volumen (HVH) tuvieron tasas de mortalidad más bajas, tasas de supervivencia más largas, tasas de complicaciones más bajas y tasas de reoperación más bajas que los pacientes que se sometieron a cirugía en hospitales de bajo volumen (LVH). Para subdividir en HVH y LVH, se utilizaron números de casos concretos o límites de cuartiles o quintiles con el mismo número de operaciones o clínicas por grupo. El objetivo del estudio es determinar objetivamente estos límites utilizando un término de carga de casos modelado por spline, evitando decisiones arbitrarias.

Una limitación de los hallazgos anteriores es que es posible que no sean generalizables debido al uso de un número limitado de casos y la calidad de los resultados del mismo año. Sin embargo, es importante señalar que el volumen del año anterior es crucial para determinar la importancia predictiva del número de casos para la calidad de los resultados futuros. Un estudio reciente (en prensa) informó que existen fluctuaciones significativas en la calidad de los resultados entre los HVH, incluso entre diferentes años. Por lo tanto, se planteó la hipótesis de que utilizar el número de casos como predictor de resultados de alta calidad puede conducir a una sobreestimación.

Métodos:

Se analizarán los datos de facturación hospitalaria a nivel nacional de Alemania (estadísticas DRG) para el período 2010 a 2019. Se determinan las tasas de mortalidad ajustadas por riesgo. Para ello se calculan modelos de regresión logística que ajustan el riesgo de mortalidad por las siguientes variables Sexo, edad, urgencia de ingreso, año de resección, diagnóstico (neoplasia maligna vs. neoplasia benigna vs. neoplasia de dignidad poco clara vs. pancreatitis aguda vs. pancreatitis crónica versus otras enfermedades pancreáticas), procedimientos adicionales (resecciones venosas/resecciones multiviscerales/resecciones arteriales/esplenectomía/colecistectomía/drenaje biliar/procedimientos de diálisis) y comorbilidades seleccionadas. Para clasificar procedimientos adicionales con el fin de reflejar el alcance de la cirugía y la dificultad técnica, se utilizará una ligera modificación del sistema de clasificación como se describe en Mihaljevic et al, 2021 (PMID: 33386130). Las definiciones de Elixhauser se utilizan para las comorbilidades como se describe en Quan et al, 2005 (PMID: 16224307). La selección de comorbilidades a considerar se basa en la publicación de Hunger et al, 2022 (PMID: 35525416).

El efecto del número de casos se modela utilizando splines cúbicos naturales. Los percentiles del número de casos 10, 20, 40, 60, 80 y 90 se utilizan como puntos de nodo. La mortalidad hospitalaria ajustada en función del número de casos se determina utilizando Medias Marginales Estimadas. Los extremos locales (máximos y mínimos) en los splines se determinan utilizando la derivada del primer y segundo gráfico.

Se calculan varios modelos de regresión utilizando el número de casos del año de operación actual o del año anterior. La precisión predictiva de los modelos se determina utilizando las medidas establecidas de la teoría de detección de señales (AUC, sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo). Se realizarán análisis de subgrupos para procedimientos de resección individuales.