Glasgow Coma -asteikon ennakoiva suorituskyky suhteessa aikaan

Tausta

Traumat ovat kriittinen maailmanlaajuinen kansanterveysongelma, ja traumakuolemien määrä jatkaa kasvuaan maailmanlaajuisesti. Vuonna 2016 yli 4,6 miljoonaa kuolemantapausta johtui traumasta, joten se on kahdeksanneksi yleisin kuolinsyy. Global Burden and Disease -tutkimuksessa (GBD) traumaattiset vammat aiheuttavat lähes kymmenesosan kaikista kuolemista, enemmän kuin malaria, tuberkuloosi, HIV/AIDS ja äidin sairaudet yhteensä.

TBI määritellään trauman aiheuttamaksi aivovaurioksi, joka määritellään keholle aiheutuneeksi vaurioksi ulkoisen voiman suorana tai epäsuorana seurauksena rakenteellisen jatkuvuuden katkeamisen kanssa tai ilman. Traumaattinen aivovaurio (TBI) on johtava sairastuvuuden ja kuolleisuuden syy maailmanlaajuisesti. Se on suurin traumakuolemien aiheuttaja maailmassa, ja sen kuolleisuusaste on kolme kertaa korkeampi kuin trauma, jossa ei ole mukana TBI:tä. On arvioitu, että TBI vaikuttaa yli 10 miljoonaan ihmiseen vuosittain.

TBI:n vakavuutta ja lopputulosta ennustavat ennustemallit ovat erittäin tärkeitä lääkäreiden ohjaamisessa diagnostisissa ja elvytysjärjestelmissä. Glasgow Coma Scale (GCS) on yksi laajimmin käytetyistä ennustemalleista. Se on neurologinen asteikko, joka on kehitetty arvioimaan vastetta ärsykkeisiin potilailla, joilla on kallo-aivovaurioita käyttämällä kolmea parametria; silmien avaaminen, sanallinen vastaus ja motorinen vaste. Sitä on käytetty tajunnan tason arvioinnissa sekä kliinisessä käytännössä että neurotraumatutkimuksessa. GCS Score -arvoa, kolmen GCS:ssä käytetyn parametrin summaa, käytetään arvioimaan vakavuutta, joka vaihtelee lievästä, kohtalaisesta vaikeaan.

Useissa tutkimuksissa on tutkittu GCS:n ennustearvoa ja GCS:n yksittäisten komponenttien ennustearvoa, mutta vähän tiedetään, kuinka vamman ja ensimmäisen GCS:n välinen aikasuhde vaikuttaa GCS:n ennustusarvoon. Tutkimukset ovat osoittaneet, että traumahoitoon saapumisen yhteydessä mitattu GCS on ennustavampi kuin traumakohdassa mitattu GCS ja että mediaani GCS on korkeampi kuin mediaani GCS traumakohdassa, mutta sitä, vaikuttaako aika GCS-pisteisiin ja miten, ei ole tutkittu. .

Tavoite

Tämän tutkimuksen tavoitteena on arvioida, kuinka GCS-mittauksen ajoitus vaikuttaa sen ennustusarvoon traumaattisen aivovaurion (TBI) jälkeen aikuispotilailla. Ensimmäinen tavoite on arvioida, paraneeko GCS:n ennustava suorituskyky, jos se mukautetaan vamman ja sen rekisteröinnin välisen ajan mukaan. Toinen tavoite on arvioida, vaihteleeko GCS:n ennakoiva suorituskyky sen mukaan, milloin se on tallennettu.

Opintojen suunnittelu

Tämä on retrospektiivinen analyysi kohorttitutkimuksesta Towards Improved Trauma Care Outcomes in India (TITCO).

Asetus

Tunnistautumatonta TITCO-kohorttia käytetään. Tähän kohorttiin kuuluu 16 000 potilasta heinäkuun 2013 ja joulukuun 2015 välisenä aikana neljästä Intian yliopistollisesta sairaalasta. Terveystieteen maisterin tutkinnon suorittaneet projektipäälliköt keräsivät tietoja tulevasta sisäänpääsystä kustakin toimipaikasta tarkkailemalla suoraan päivystystä ja täyttämällä standardoidun lomakkeen. Projektivirkailijat työskentelivät kahdeksan tunnin vuoroissa (aamu, ilta, yö). Tietoja haettiin myös takautuvasti potilaskertomuksista potilaille, jotka otettiin vastaan ​​havaittujen työvuorojen ulkopuolella.

Lähde ja osallistujien valintatapa

Yhden toimipisteen projektipäällikkö sisälsi potilaita osallistuvista sairaaloista joko prospektiivisen havainnoinnin tai retrospektiivisen tiedonhaun avulla potilasrekistereistä.

Selittävät muuttujat Kaksi kiinnostavaa selittävää muuttujaa ovat GCS ja vamman ja GCS-tallennuksen välinen aika tunneissa, tästä eteenpäin aika GCS:ään. GCS poimittiin potilastietueista samoin kuin ensimmäisen GCS:n tallennuksen päivämäärä ja kellonaika. Jos ensimmäisen GCS-tallenteen päivämäärä ja kellonaika puuttuvat, käytetään sen sijaan osallistujakeskukseen saapumisaikaa. Vamman päivämäärä ja kellonaika poimittiin potilastiedot tai osallistujat ilmoittivat suoraan. Ensimmäisen GCS-tallenteen tai osallistuvaan keskukseen saapumisen tiedot ja aika poimittiin potilastietueista.

Kovariaatit Muuttujat ikä, sukupuoli, vamman mekanismi, onko potilas siirretty toisesta terveydenhuollon laitoksesta ja anatomisen vamman vakavuus, joka on kvantifioitu vamman vakavuuspisteiden (ISS) avulla, raportoidaan tutkimusotoksen karakterisoimiseksi. Ikä, sukupuoli, vamman mekanismi ja siirron tila joko poimittiin potilastiedot tai osallistujat ilmoittivat. ISS:n laski yksi akkreditoitu koodaaja loukkaantumistekstikuvausten perusteella.

Puolueellisuus

GCS:n tallentamisessa tapahtuneiden inhimillisten virheiden huomioon ottamiseksi Aal-tiedonkeräystarkkailijoilla oli terveystieteen maisterin tutkinto, ja heitä koulutettiin ja valvottiin jatkuvasti koko tiedonkeruujakson ajan.

Määrälliset muuttujat

GCS:ää käsitellään sekä lineaarisena terminä että järjestysmuuttujana, jossa on 12 tasoa. Verbaalisten ja silmäkomponenttien ei-testattavissa olevia tasoja käsitellään arvona 1. Vamman ja tallennetun GCS:n välinen aika käsitellään sekä jatkuvana muuttujana että kategorisena muuttujana. Kun sitä käsitellään jatkuvana vamman ja GCS:n välisenä aikana, sillä sallitaan epälineaarinen yhteys kuolleisuuteen mallintamalla se käyttämällä rajoitettuja kuutiokiiltoja, joissa on kolme solmua, jotka on sijoitettu tasavälein prosenttipisteisiin. Kategorisena käsiteltynä se jaetaan kahden tunnin lohkoihin.

Tilastolliset menetelmät

Kaikki analyysit suoritetaan tilastokieli- ja ohjelmointiympäristössä R. Otos jaetaan ensin ajallisesti koulutus- ja validointinäytteisiin, kuten alla olevassa tutkimuksen kokoa koskevassa osiossa on kuvattu. Jokainen näyte karakterisoidaan sitten käyttämällä mediaaneja ja kvartiilien välisiä alueita (IQR) kvantitatiivisten muuttujien esittämiseksi sekä lukumääriä ja prosenttiosuuksia kvalitatiivisten muuttujien esittämiseksi.

Koulutusnäytteeseen sopii neljä yksinkertaista ennustemallia käyttämällä logistista regressiota, jonka tuloksena on kuolleisuus. Ensimmäinen malli sisältää vain GCS:n lineaarisena terminä, toinen GCS lineaarisena terminä ja aika GCS-malliin, joka on mallinnettu käyttämällä rajoitettuja kuutiosplineja, kolmas vain GCS järjestysmuuttujana ja neljäs malli GCS järjestysmuuttujana ja aika, GCS mallinnettu käyttämällä rajoitettuja kuutiosplinejä. Ylisovituksen välttämiseksi kutistumiskerroin arvioidaan käyttämällä bootstrapping-menettelyä, jota sitten sovelletaan mallin kertoimiin.

Neljää mallia sovelletaan sitten validointiotokseen ja niiden ennakoivaa suorituskykyä arvioidaan ja verrataan. Jokaisen mallin ennakoiva suorituskyky arvioidaan käyttämällä vastaanottimen toimintakäyrän alla olevaa aluetta (AUROCC), positiivisia ja negatiivisia ennustearvoja. Erot ennakoivan suorituskyvyn välillä mallien ja niihin liittyvien 95 %:n luottamusvälien välillä arvioidaan käynnistyksen avulla.

Jokainen koulutus- ja validointinäyte jaetaan sitten osanäytteiksi GCS-ajan perusteella siten, että ensimmäinen osanäyte sisältää potilaat, joiden GCS-aika on alle 2 tuntia, ja toinen osanäyte sisältää potilaat, joilla on aikaa GCS:ään 2–4 tuntia ja niin. päälle kahden tunnin lohkoissa. Jokaiseen harjoitusalanäytteeseen sopii yksinkertainen logistinen malli, jossa GCS on lineaarinen termi ainoana riippumattomana muuttujana. GCS-kerroin kussakin mallissa pienenee.

Ensimmäisessä harjoitusosanäytteessä kehitettyä mallia sovelletaan sitten ensimmäiseen validointialanäytteeseen ja niin edelleen. Mallin suorituskyky kussakin validointialanäytteessä arvioidaan käyttämällä AUROCC:tä ja neliövirhettä. Näiden mittojen trendi validointialanäytteiden välillä kvantifioidaan käyttämällä yksinkertaista yleistettyä lineaarista mallia, jossa tulosmuuttuja on suorituskykymittaustiedot ja lohkoindeksinumeron epälineaarinen muunnos käyttämällä rajoitettuja kuutiosplaineja, joissa on kolme solmua ainoana riippumattomana muuttujana.

Strategia puuttuvien tietojen käsittelemiseksi

Jos vaadittu otoskoko saavutetaan, jos vain potilaat, joilla on täydelliset tiedot tuloksesta, selittävä muuttuja ja yhteismuuttujat, otetaan mukaan, suoritetaan täydellinen tapausanalyysi. Jos ei, puuttuvat tiedot käsitellään useilla imputoinneilla käyttämällä ketjutettuja yhtälöitä. Imputoitujen tietojoukkojen lukumäärä on yhtä suuri kuin epätäydellisten havaintojen prosenttiosuus. Analyysi suoritetaan erikseen kussakin laskennallisessa aineistossa, ja päätulokset esitetään mediaaneina IQR:n kanssa eri imputaatioiden välillä. Luottamusvälien osalta raportoidaan yhdistettyjen ylä- ja alarajojen äärimmäiset arvot.

Tutkimuksen koko

Tietointensiivisin analyysi on todennäköisesti mallin sovittaminen niin, että GCS on järjestysmuuttuja ja aika GCS:ään rajoitettuina kuutiosplineinä, ja siksi tutkimuksen koon arvioidaan sopivan tähän analyysiin. Simulaatiotutkimukset osoittavat, että logistiset regressiomallit tarvitsevat vähintään kymmenen tapahtumaa tai havaintoja lopputuloksesta kutakin sisällytettyä parametria kohti luotettavien kerroinestimaattien luomiseksi. GCS:n mallintaminen järjestysmuuttujaksi edellyttää kertoimien estimoimista yhdelletoista parametrille ja ajan sisällyttäminen GCS:ään lisää kaksi lisäparametria. Parametrien kokonaismäärä on tällöin 13, mikä tarkoittaa vähintään 130 tapahtuman tarvetta. Olettaen, että tulosten esiintyvyys on 20 % aikaisemman tutkimuksen perusteella, koulutusotokseen tulee sisältyä vähintään 650 havaintoa. Jos tämä määrä on alle puolet täydellisestä otoksesta, koulutus- ja validointinäytteet luodaan jakamalla täydellinen näyte kahteen samankokoiseen osaan. Jos täydellinen otos sisältää alle 1300 havaintoa, ensimmäiset 650 havaintoa sisällytetään harjoitusotokseen ja loput havainnot validointiotokseen. Siitä huolimatta näytteet luodaan siten, että kunkin keskuksen suhteellinen panos on molemmissa näytteissä suunnilleen sama.