Electronic Frailty Index+:n (eFI+) kehittäminen ja arviointi

Terveysteknologiaa arvioidaan

eFI+ kehitetään käyttämällä alkuperäisen eFI:n komponentteja, täydennettynä rutiininomaisilla perusterveydenhuollon EHR-tiedoilla ja ohjeilla yksinkertaisten kliinisten toimenpiteiden toteuttamisen lisäeduista rutiininomaisessa perusterveydenhuollossa. eFI+ soveltuu nopeaan käyttöönottoon Iso-Britannian perusterveydenhuollon EHR-järjestelmissä perustuen olemassa oleviin läheisiin yhteyksiin järjestelmätoimittajiin (SystmOne/EMISWeb/Vision/Microtest).

Tutkijat kehittävät ja vahvistavat sitten sisäisesti ja ulkoisesti eFI+:n käyttämällä Secure Anonymised Information Linkage (SAIL) -tietopankkia, ResearchOne-tietokantaa ja Leedsin tietomallia (LDM).

Lisäksi tutkijat analysoivat Community Aging Research 75+:n (CARE75+) kohorttitutkimusdataa (CI Clegg, n≈1 200) ainoana kansallisena kohorttitutkimuksena, joka sisältää eFI-pisteet, selvittääkseen, kuinka yksinkertaisia ​​toimenpiteitä, joita voidaan arvioida perusterveydenhuollossa, mutta ne eivät ole saatavilla rutiini EHR-tiedoissa (esim. askelnopeus, ajoitettu ylös-ja mene-testi; päivittäisen elämän toiminnot; yksinäisyys) voi parantaa ennustetta.

Opintojen suunnittelu

Ennustemallin kehittäminen, sisäinen validointi ja ulkoinen validointi käyttämällä rutiininomaista perusterveydenhuollon tutkimusdataa (ResearchOne), linkitettyjä tietojoukkoja (SAIL-tietopankki ja LDM) ja kohorttitutkimusdataa (CARE75+) integroidulla päätösanalyyttisella mallinnolla, mukaan lukien terveystaloudellinen analyysi.

Tietokannat

1. Secure Anonymised Information Linkage (SAIL) -tietopankki

   Anonymisoidut tietueet noin 5 miljoonalta Walesin ihmiseltä, ja niihin liittyvät perusterveydenhuolto, sairaalahoidot, avohoitotiedot, sosiaalihuolto, Welsh Care Homes Dataset ja ONS-kuolleisuustiedot. SAIL sisältää eFI-yhteenvetopisteet ja yksittäiset komponentit.

2. ResearchOne

   Kansallisesti edustavia, tunnistamattomia tietoja noin 6 miljoonasta Ison-Britannian perusterveydenhuollon sähköisestä sairauskertomuksesta TPP SystmOne -kliinisestä järjestelmästä. ResearchOne sisältää eFI-yhteenvetopisteet ja yksittäiset komponentit.

3. Leeds Data Model (LDM)

   Anonymisoidut, linkitetyt perus-, toissijaiset, yhteisö- ja sosiaalihuollon tiedot 810 000 potilaalta 108 vastaanotosta Leedsissä, mukaan lukien eFI-yhteenvetopisteet ja yksittäiset komponentit.

4. Community Aging Research 75+ (CARE75+) -kohortti

Kansallinen prospektiivinen kohorttitutkimus (n≈1 200), joka kerää yksityiskohtaista sosiodemografista tietoa, heikkousmittauksia (mukaan lukien eFI-pisteet), perusterveydenhuollon yksinkertaisia ​​laitteita (esim. askelnopeus, ajoitettu ylös-ja mene-testi; päivittäisen elämän toiminnot; epävirallinen hoito; yksinäisyys) ja tärkeimmät tulokset kuuden, 12, 24 ja 48 kuukauden iässä. CARE75+ on erittäin rikas tietojoukko, joka tarjoaa erittäin tehokkaan menetelmän tutkia, kuinka yksinkertaiset instrumentit voivat parantaa eFI:n suorituskykyä.

Tukikelpoinen väestö

≥65-vuotiaat potilaat, joilla on kohtalainen heikkous (eFI-pistemäärä 0,24–0,36) tai vaikea heikkous (eFI-pistemäärä > 0,36) ja rekisteröity ResearchOne-, SAIL- tai LDM-lääkärin vastaanotolle 1.4.2018.

Kaikki CARE75+ osallistujat, joilla on kohtalainen heikkous (eFI-pistemäärä 0,24–0,36) tai vakava heikkous (eFI-pistemäärä > 0,36), ovat kelpoisia.

Riskin ennustamisen tulokset (kaikki 12 kuukautta)

• Uusi tai korotettu kotihoitopaketti
• Päivystys/sairaalahoito putoamisen tai murtuman yhteydessä
• Hoitokotiin pääsy
• Kaiken syyn aiheuttama kuolleisuus

Ennustajat

eFI:n osat, täydennettynä perusterveydenhuollon rutiininomaisen perusterveydenhuollon EHR-tiedoissa saatavilla olevilla muuttujilla ja kliinisillä arviointitoimenpiteillä, jotka ovat käytännöllisiä perusterveydenhuollossa.

Prognostiset mallit

Jokainen ennustemalli kehitetään ja vahvistetaan sisäisesti vain yhdessä tietokannasta ja sitten ulkoisesti toisessa tietokannassa.

Otoskoko ennustemallin kehittämiseen

SAIL- ja ResearchOne-uutteet sisältävät kumpikin ≈600 000 65-vuotiasta tai sitä vanhempi potilasta, joista arviolta 72 000:lla on kohtalainen heikkous ja 24 000:lla vakava heikkous. LDM-uute sisältää ≈150 000 65-vuotiasta tai sitä vanhempi potilasta, joista arviolta 18 000:lla on kohtalainen ja 6 000:lla vakava heikkous.

Mallin kehittämisessä tehokkaan otoskoon avainindikaattori on tulostapahtumien määrä. Aiempi tutkimus kiinnostavista tuloksista ja toteutettavuusarviot CARE75+:n, ResearchOnen ja SAIL:n avulla antavat arvioita tapahtumien odotetusta määrästä 12 kuukauden sisällä.

• Uusi tai parannettu kotihoitopaketti: Odotettu 15 864 tapahtumaa SAIL:ssä, joka perustuu 14,9 %:n 12 kuukauden ilmaantuvuuteen kohtalaisen heikkouden ryhmässä (10 080 tapahtumaa) ja 24,1 %:n 12 kuukauden ilmaantuvuus vakavan heikkouden ryhmässä (5 784 tapahtumaa).
• Päivystyshoito/sairaalahoito kaatuman tai murtuman yhteydessä: Odotettu 8 064 tapahtumaa SAILissa, joka perustuu 7,4 %:n 12 kuukauden ilmaantuvuuteen kohtalaisen heikkouden ryhmässä (5 328 tapahtumaa) ja 11,4 %:n ilmaantuvuus vakavassa heikkoudessa (2 736 tapahtumaa).
• Hoitokotiin pääsy: ResearchOne-tutkimuksessa odotettavissa 2 160 tapahtumaa, joka perustuu 2,0 %:n 12 kuukauden esiintyvyyteen kohtalaisen heikkouden ryhmässä (1 440 tapahtumaa) ja 3,8 %:n 12 kuukauden ilmaantuvuus vakavan heikkouden ryhmässä (720 tapahtumaa).
• Kaiken syyn aiheuttama kuolleisuus: ResearchOne-tutkimuksessa odotettavissa 12 216 tapahtumaa, joka perustuu 10,6 %:n 12 kuukauden ilmaantuvuuteen kohtalaisen heikkouden ryhmässä (7 632 tapahtumaa) ja 19,1 %:n 12 kuukauden esiintymistiheyteen vakavan heikkouden ryhmässä (4 584 tapahtumaa).

Siksi, vaikka otettaisiinkin pienin arvio tapahtumatapahtumista 12 kuukaudessa (hoitokotiin ottamista varten), tutkijat odottaisivat vähintään 2 160 tapahtumaa kussakin ResearchOne- tai SAIL-tutkimuksessa. Tämä antaa meille mahdollisuuden arvioida luotettavasti ennustemalli jokaiselle tulokselle jopa 108 ennustajaparametrilla, mikä vastaa 20 tapahtumaa potentiaalista ennustajaparametria kohden (2160/20). Tämä ylittää peukalosääntösuositukset, joissa on 10 tai 15 tapahtumaa ennustajaparametria kohden.

Lisäksi konservatiivisesti olettaen, että uusien mallien Nagelkerken R-neliö on 15 %, Rileyn otoskokokaava viittaa siihen, että vähintään 7,5 tapahtumaa kullekin ennustajaparametrille varmistaa ylisovituksen ja optimismin minimoimisen, kun tulososuus on 3 %. Kun tulososuutta kasvatetaan 20 %:iin (kotihoitopaketti), 9 %:iin (putoaminen/murtuma) tai 15 %:iin (kuolleisuus), vaadittava vähimmäisotoskoko on 18, 11,5 ja 15 tapahtumaa ennustajaparametria kohti. Tutkijat ylittävät kaikki nämä saatavilla olevien suurten tietokokonaisuuksien vuoksi.

Näytteen koko ulkoista validointia varten

Nykyiset suositukset ovat, että ennustemallin ulkoiseen validointiin tarvitaan vähintään 100 tapahtumaa ja 100 ei-tapahtumaa (mieluiten 200). Arviomme viittaavat huomattavasti enemmän kuin tähän, kuten 2160 tapahtumaa vähiten yleisiin hoitokotiin pääsyn tuloksiin SAIL- ja ResearchOne-tutkimuksissa ja 540 LDM:ssä (jota käytetään vain mallien ulkoiseen validointiin).

Puuttuvat tiedot

Käsitelty käyttämällä useita imputaatioita ja Rubinin sääntöjä puuttuvan satunnaisen oletuksen perusteella, mukaan lukien imputointimallin tulos, joka ottaa huomioon käytännön klusteroinnin.

Analyysisuunnitelma

i) Prognostinen mallinnus

Tutkijat rakentavat kehitystietosarjoihin neljä erillistä ennustemallia ennustaakseen neljän keskeisen ilmoitetun tuloksemme riskiä henkilöillä, joilla on keskivaikea tai vaikea heikkous lähtökohtana.

Kullekin tulokselle, niille, joilla on kohtalainen heikkous (eFI-pistemäärä 0,24–0,36) tai vakava heikkous (eFI-pistemäärä > 0,36), tutkijat kehittävät ja vahvistavat sisäisesti ennustemallin, joka sisältää vain eFI:n (kokonaisuutena nykyisessä muodossaan) ja sen jälkeen eFI:n komponentit (mukana ennustajina) sekä muita rutiininomaisia ​​ensihoidon EHR-tietoja. Regressiomalli on logistinen regressio tai joustava parametrinen eloonjääminen binäärituloksille tai ajasta tapahtumaan (tarvittaessa, kun tutkijat tarkkailevat tietokannan koodausta ja sensurointia jne.) tulosriskien tuottamiseksi 12 kuukaudessa.

Suuren otoskoon vuoksi ylisovituksen odotetaan olevan pieni, mutta tutkijat sopeutuvat siihen rankaisemalla bootstrappingin avulla arvioidulla globaalilla kutistumiskertoimella. Jos muuttujan valinta katsotaan tärkeäksi hillitylle, tutkijat käyttävät mieluummin rangaistuksia joustavan verkon kautta. Sisäinen validointi käyttää koko kehitystietojoukon bootstrappausta ja kalibrointiin tuotettuja optimismikorjattuja arvioita ennakoivasta suorituskyvystä (esim. kalibrointi suuressa, kalibrointikaltevuus, havaittu/odotettu), erottelu (esim. C-tilasto) ja kokonaisuutena (esim. Nagelkerke R2) ennakoitujen riskien suorituskyky. Jatkuvia muuttujia ei luokitella ja mahdollisia epälineaarisia vaikutuksia tutkitaan käyttämällä splineja tai murtopolynomeja. Ennustajien ei-suhteellisia vaaroja tarkastellaan myös vuorovaikutustermeillä ajan kanssa.

Kaikki mallit tarkistetaan ulkoisesti eri tietokannassa. Ennustavat suorituskykytilastot johdetaan edellä kuvatulla tavalla (esim. C-tilasto, kalibrointikaltevuus) sekä kalibrointikäyrät, jotka osoittavat havaittujen ja ennustettujen riskien välistä yhtäpitävyyttä ennustettujen riskien kirjossa käyttämällä lössin ei-parametrista tasoitinta.

Erikseen tutkijat käyttävät CARE75+-tietosarjaa tutkiakseen kliinisen arvioinnin lisävoimaa, joka liittyy katsauksissa tunnistettuihin ennustetekijöihin, jotka ovat käytännöllisiä rutiininomaisessa perusterveydenhuollossa.

ii) Päätöksen mallintaminen

Prognostiset mallit muunnetaan kehykseksi, joka ohjaa kliinistä päätöksentekoa tunnistamalla ennustetun riskin relevantit kynnysarvot, joiden ylittyessä ilmoittamiemme interventioiden toteuttaminen on perusteltua. Tämä antaa meille mahdollisuuden luoda päätösanalyyttinen malli (DAM), jota tarkastellaan käyttämällä päätöskäyriä ja nettohyötyä ulkoisissa validointitietosarjoissa.

iii) Terveystaloudellinen arviointi

Terveystaloudellinen arviointi tehdään kahdessa vaiheessa. Ensimmäisen vaiheen tavoitteena on tarjota lyhyen aikavälin, 12 kuukauden vertailu DAM:n määrittelemien skenaarioiden kustannustehokkuudesta. Toisessa vaiheessa tutkijat laajentavat analyysimme näiden skenaarioiden pitkän aikavälin kustannustehokkuuden arviointiin.