Puntuación del sistema de alerta temprana de deterioro clínico (CDEWS)

Fase 1. Derivación del modelo predictivo Los datos de los pacientes ingresados ​​en los centros participantes durante 2017 se extraerán de la historia clínica electrónica OBI y del sistema de gestión de datos de laboratorio. El analista de datos contratado en este proyecto, junto con los colaboradores clínicos, de la unidad de gestión sanitaria y de la unidad de investigación, serán los responsables de la limpieza y depuración de los datos y de la generación y validación interna del modelo predictivo.

Fase 2: Implementación en la historia clínica electrónica: Una vez generado el modelo y la escala de riesgo, se implementará como sistema de alarma en Osabide Global en los centros participantes. Para ello, la UGS del HGU elaborará una guía de actuación que, una vez validada, se exportará a los otros dos centros. El sistema funcionará en base a los elementos RIC asociados a los signos vitales, y guiará al profesional en el proceso, de forma que se mostrará al médico los datos analíticos que se han demostrado necesarios para calcular el riesgo, o en su caso que al paciente no se le ha pedido esa prueba de laboratorio específica, recomendaciones para la extracción. Una vez que el sistema tenga todos los datos, aparecerá un aviso en pantalla con los resultados de la escala de riesgo y la categoría de riesgo leve-moderado-grave y un informe con recomendaciones de actuación.Recomendaciones basadas en la escala ViEWS, del médico informar a la enfermera responsable al inicio del seguimiento continuo y visita en menos de 15 minutos por parte del médico tratante responsable quien también informará al médico de la UCI del traslado del paciente a una unidad donde será monitorizado y actuado, se dan en el anexo 1. El sistema de alarma será presentado en la HGU por los colaboradores clínicos, GSU ​​y analista de datos. El analista de datos será, junto con los coinvestigadores, el encargado de generar el sistema de alarma, de participar en las reuniones en las que se presente en los centros y posteriormente, realizará una exploración constante del uso y adherencia. de la escala de riesgos, recogerá las dudas y problemas que puedan surgir con la implementación del sistema, y ​​también será responsable de la implementación de la escala de riesgos.

Fase 3: Validación externa del modelo predictivo. Comparación de resultados clínicos: el modelo predictivo se validará una vez que se hayan producido 100 eventos por centro (con suerte, una vez que hayan ingresado unos 8000 pacientes). Durante este tiempo, se recopilarán datos durante y después de la implementación para comparar los deterioros clínicos observados antes y después de la implementación. El analista de datos irá extrayendo la información, clasificándola y depurándola para poder realizar posteriormente los análisis estadísticos correspondientes.

ANÁLISIS ESTADÍSTICO

El procedimiento de tratamiento de datos del presente proyecto se establecerá siguiendo los siguientes pasos, divididos en dos apartados:

A) Desarrollo y validación de modelos predictivos de deterioro clínico, traslado a unidad de cuidados críticos, parada cardiorrespiratoria o muerte durante la hospitalización.

Análisis descriptivo de la cohorte de derivación del modelo/validación interna formada por pacientes de los tres centros participantes de la cohorte retrospectiva. Se recogerá información sobre pérdidas en las variables registradas en el estudio. También se recopilará información sobre los pacientes excluidos. Se valorará la posibilidad de aplicar técnicas de imputación de los datos faltantes en las variables registradas.

2.- Para la creación de los modelos predictivos se seguirán los siguientes puntos: a. La muestra recolectada se dividirá en dos submuestras: Grupo de derivación 1: la muestra total se dividirá en un 60% para la derivación de los modelos predictivos para la variable de resultado principal: deterioro clínico; Grupo 2 de validación de las reglas predictivas: los modelos se validarán en esta muestra (40% de la muestra). También se realizarán análisis desagregados por género. b. En el Grupo 1 se identificarán factores de riesgo de deterioro clínico, así como de traslado a unidad de cuidados críticos, parada cardiorrespiratoria o muerte durante la hospitalización. Se realizará un análisis bivariado para estudiar cuáles de las posibles variables predictivas están relacionadas con cada parámetro de resultado. Aquellas variables con un valor de p <0,20 se identificarán como predictores potenciales para ingresar en un modelo de regresión logística multivariado multinivel. Se elegirán para la escala final aquellas variables que sean estadísticamente significativas. A las categorías de variables de este modelo se les asignará una puntuación en relación con el parámetro β obtenido en ese modelo multivariado. De esta forma se obtendrá una puntuación total y una curva ROC del mismo. A partir de esta escala se crearán X categorías de riesgo.

3.- Bondad de ajuste y comparación de los modelos predictivos desarrollados. Se buscarán parámetros para evaluar la capacidad discriminativa y de calibración de los modelos predictivos desarrollados en el apartado 2. Por un lado, en el caso de variables dependientes dicotómicas, se calculará el área bajo la curva ROC (AUC, capacidad discriminativa), considerando un valor >0,80 es un modelo predictivo robusto. Además del AUC, la calibración del modelo se estimará mediante la prueba de Hosmer-Lemeshow (buena calibración para un valor de p ≥0,05).

4.- Validación interna de los modelos predictivos La validación del modelo predictivo se realizará en el grupo de validación 2. El modelo predictivo y la escala se validarán en este grupo considerando los valores predichos obtenidos en la muestra de derivación (grupo 1) . La sensibilidad, especificidad y área bajo la curva se obtendrán comparándolos con los resultados obtenidos en la muestra de derivación. La capacidad de calibración de los modelos se evaluará mediante la prueba de Hosmer-Lemeshow y la capacidad de discriminación mediante curvas ROC. Como forma de validación interna adicional, se realizará una validación mediante métodos de bootstrapping.

5.-Validación externa de modelos predictivos La validación externa de los modelos desarrollados en la cohorte retrospectiva se aplicará a la cohorte prospectiva. El predictor lineal (LP) se encontrará primero en las cohortes restantes considerando los coeficientes de regresión obtenidos en los modelos originales. Se desarrollarán modelos de regresión logística. Se considerarán tres procedimientos principales para la validación externa de estos modelos: ajuste del modelo, discriminación y calibración. Primero, para verificar el ajuste del modelo, desarrollaremos un modelo de regresión logística en las cohortes restantes, considerando a LP como una covariable para estimar su coeficiente de regresión beta. Si el coeficiente de regresión beta de la pendiente es 1, se considerará un buen ajuste. En segundo lugar, para evaluar la discriminación del modelo, se calculará el AUC, mediante métodos de bootstrapping y validación cruzada. Un valor de AUC >0,80 se considerará un modelo predictivo sólido. En tercer lugar, la calibración se evaluará calculando la calibración general, la pendiente de calibración (ambas derivadas de los gráficos de calibración) y la prueba de Hosmer-Lemeshow.

B) Evaluación del SAT por deterioro clínico 6.- Comparación de resultados: Para la comparación de resultados después de la implementación del sistema de alarma, se compararán los porcentajes de pacientes que sufrieron deterioro clínico antes y después de su implementación el HGU y también entre los porcentajes que aparecen en los HGU, donde se implementará el sistema de alarma y los HUD y HUA donde continuarán con su práctica habitual durante este período de evaluación. Para evaluar la posibilidad de que se produzca sesgo al formar las cohortes, se calculará un puntaje de propensión para explicar la probabilidad de ser asignado a una (pacientes HGU) u otra cohorte (HUD+HUA) condicionada a las variables independientes observadas y explicadas. en el apartado "Variables de exposición". Esta puntuación de propensión se introducirá como variable independiente en una replicación de los modelos finales junto con la exposición y se compararán los coeficientes obtenidos en ambos casos.