Perioperatiivisen aivohalvauksen jälkeisen tuloksen ennustajat

TAUSTA

Perioperatiivinen aivohalvaus on tuhoisa leikkauksen komplikaatio, joka on tällä hetkellä huonosti karakterisoitu ja käytettävissä on rajalliset kliiniset työkalut sen havaitsemiseen ja estämiseen. Perioperatiivinen aivohalvaus on aivoverisuonitapahtuma, joka ilmenee leikkauksen jälkeen ja vaikuttaa 0,1-1,9 %:iin potilaista, joilla on ei-sydänleikkaus, ei-neurologinen leikkaus. Perioperatiivinen aivohalvaus on suhteellisen alitutkittua verrattuna leikkauksen jälkeisiin komplikaatioihin, joiden esiintyvyys ja vakavuus on samanlainen, kuten sydänkomplikaatiot. Muutaman viime vuosikymmenen aikana on ryhdytty merkittäviin ponnisteluihin perioperatiivisen sydäninfarktin riskin vähentämiseksi, ja ne ovat ajan mittaan johtaneet ilmaantuvuuden vähenemiseen riskin jakautumisen ja perioperatiivisen hallinnan edistymisen vuoksi. Vaikka perioperatiivisen aivohalvauksen ilmaantuvuus on samanlainen tai suurempi kuin perioperatiivisen sydäninfarktin ilmaantuvuus, tämän komplikaation riski on kasvanut ajan myötä ja perioperatiivinen aivohalvaus jää suhteellisen huomiotta. Nykyinen kirjallisuus on osoittanut, että potilailla, jotka saavat aivohalvauksen leikkauksen jälkeen, on korkeampi kuolleisuus, korkeampi oleskelun kesto ja korkeampi kotiutus laitokseen, mutta tämän komplikaation harvinaisuuden vuoksi tiedetään suhteellisen vähän siitä, mitkä tekijät ennustavat näitä tuloksia potilaiden keskuudessa. kokea perioperatiivisen aivohalvauksen.

TAVOITTEET

ERITYISET TAVOITTEET

1. Johda ja ulkoisesti validoi riskien ennustemalleja kuolleisuuden (ensisijainen tulos), haitallinen kotiuttaminen, teho-osaston käyttö, trakeostomia/PEG/kraniektomia ja oleskelun kesto perioperatiivisen aivohalvauksen jälkeen.
2. Kuvaile perioperatiivisen aivohalvauksen jälkeisen kuolleisuuden ajallista kehitystä vuosina 2005–2020.
3. Tutustu perioperatiivisen aivohalvauksen jälkeisiin kuolleisuusriskin välittäjiin.

MENETELMÄT

Tämä tutkimus on retrospektiivinen analyysi American College of Surgeons National Surgical Quality Improvement Program -tietokannasta vuosina 2004–2020.

Johdon kohortti puretaan NSQIP-tietokannasta. Tietojoukon viimeisin vuosi (2020) sisältää tietoja yli miljoonasta tapauksesta 708 sivustolta. Validointikohortti poimitaan Population Data BC:stä, kokoelma linkitetyistä maakuntatietokannoista, jotka tarjoavat yksilöimättömät yksilötason tiedot kaikista BC:n (5,1 miljoonaa asukasta) asukkaista. Ajanjakso 1.1.2002–31.12.2020 valittiin vastaamaan nykyaikaisia ​​aivohalvauksen hoitokäytäntöjä (esim. EVT) ja ICD-10-CA-koodauksen johdonmukaista käyttöä vuodesta 2002 lähtien.

Tutkimuspopulaatio

NSQIP-johdannaiskohortti: Potilaat, joilla on perioperatiivinen aivohalvaus NSQIP-tietokannassa vuosina 2004–2017, otetaan mukaan. Jätämme pois neurokirurgiset (mukaan lukien kaulavaltimon endarterektomia) ja interventioradiologian toimenpiteet. Sydänkirurgia ja ei-sydänleikkauspopulaatiot analysoidaan erikseen niiden ainutlaatuisen aivohalvauksen riskiprofiilin perusteella.

PopDataBC-validointikohortti: AIS-potilaat tunnistetaan diagnoosikoodeilla I63.0-163.9 Kansainvälisestä tautiluokituksesta (ICD), 10. versio, Kanada (ICD-10-CA), joka tunnistaa AIS:n tarkasti ja luotettavasti suurissa hallinnollisissa tietokokonaisuuksissa, positiivisella ennustearvolla ja herkkyydellä yli 97 %. Potilaat, jotka saivat ICD-10-CA:n AIS-diagnoosin (kolme parasta paikkaa) 30 päivän kuluessa leikkauksesta tai kotiutusdiagnoosista indeksikirurgisesta sairaalahoidosta. Perioperatiiviset potilaat erotetaan edelleen AIS-kohortista, jos he ovat saaneet kirurgisen laskutuskoodin 30 päivää ennen aivohalvauksen saamista.

Tulosmuuttujat: Ensisijainen tulos on 30 päivän kuolleisuus; toissijaisia ​​seurauksia ovat teho-osaston käyttö, sairaalahoidon pituus, vakavan aivohalvauksen lopputuloksen merkit (trakeostomia, PEG, hemikraniektomia aivoturvotuksen vuoksi) ja haitallinen kotiuttaminen (muuhun kuin kotiin tai kuolema).

Ehdokkaat ennustavat muuttujat: Perioperatiivisen aivohalvauksen jälkeinen tulos liittyy mahdollisesti potilaaseen, kirurgisiin ja anestesiatekijöihin sekä aivohalvauksen ominaisuuksiin. Ehdokkaat ennustemuuttujat sisältävät potilaan ominaisuudet (ikä, sukupuoli, liitännäissairaudet, mukaan lukien aiempi aivohalvaus), kirurgiset ominaisuudet (erikoisuus, monimutkaisuus, tyyppi, hätätilanne), anestesiatekniikka (yleinen vs alueellinen/neuraksiaalinen) ja aivohalvauksen ominaisuudet (leikkauksen ajoitus) , takaisinotto aivohalvauksen vuoksi vs. sairaalahoitoon liittyvä aivohalvaus). Jatkuvia muuttujia harkitaan muunnettaessa murtopolynomeja jatkuvan epälineaarisen assosioinnin mahdollistamiseksi.

TILASTOLLINEN ANALYYSI

Tavoite 1: Riskien ennustemallien johtaminen ja validointi. Monimuuttujamallit perioperatiivisen aivohalvauksen jälkeisen 30 päivän kuolleisuuden ennustamiseksi luodaan erikseen sydän- ja ei-sydänkirurgiaa varten, kun otetaan huomioon niiden ainutlaatuiset aivohalvausmekanismit. Liiallisen sovituksen välttämiseksi otamme käyttöön tietojen vähentämisstrategian ja suljemme pois muuttujat, joista puuttuu yli 10 % tiedoista tai alle 20 havaintoa. Jos > 1 % mutta < 10 % tiedoista puuttuu, tarkastellaan moninkertaista tai keskimääräistä imputointia; muuttujat, joiden datasta puuttuu <1 %, käsitellään täydellisen tapausanalyysin avulla.

Ennalta määritettyjen ennustajamuuttujien avulla rakennetaan logistinen regressiomalli, jossa kertoimia kutistetaan käyttämällä elastista nettorangaistusta. Tämä muuttujien valinnan ja rankaisemisen menetelmä valittiin, koska odotamme suuren määrän mahdollisia ennustajia suhteessa tulosten määrään ja että useat tärkeät ennustajat ovat kollineaarisia. Käyttämällä elastista nettoregulaatiota voimme käyttää tasapainoa pienimmän absoluuttisen kutistumisen ja valitsinoperaattorin (LASSO) rangaistuksen ja RIDGE-regression välillä. RIDGE-regressio antaa meille mahdollisuuden säilyttää tärkeät kollineaariset ennustajat, mutta pienentää niiden kertoimia (jotka voivat kasvaa kollineaarisuuden vuoksi). LASSO-menetelmät sallivat joidenkin ei-osuuksien ennustajien kertoimet nollaan, joten ne eliminoidaan mallista. Sisällytetyistä muuttujista arvioidaan vuorovaikutuksia ja lisätermejä, joiden tarkoituksena on parantaa mallin suorituskykyä tarpeen mukaan. Tarkastelemme ensisijaisesti seuraavia vuorovaikutuksia: ikä*sukupuoli, kirurginen monimutkaisuus (WRVU)*ikä, WRVU*erikoisuus ja erikoisuus*puudutustekniikka. Mallin erottelu arvioidaan käyttämällä vastaanottimen toimintakäyrän alla olevaa aluetta (c-tilasto). Mallin kalibrointia arvioidaan lössillä tasoitetulla käyrällä havaittujen ja ennustettujen riskien välillä riskispektrin yli. Samanlaista analyysiä käytetään luomaan ennustemalli oleskelun pituudelle (joka on logaritmimuunnos lineaarinen malli). Koska kuolema on kilpaileva lopputulos kotiutuksen suhteen, haitallinen kotiuttaminen mallinnetaan tavanomaiseksi tulokseksi (kotiin, kodin ulkopuolelle tai kuolemaan).

Sisäinen validointi: Johtamisen jälkeen 5 000 bootstrap-näytettä käytetään sisäiseen validointiin ja arvioidun optimismin luomiseen. Herkkyysanalyysit testaavat mallin suorituskykyä eri aikakausina leikkauksen vuoden vaikutuksen arvioimiseksi (esim. 2–3 vuoden jaksot riippuen kunkin vuoden havaintojen määrästä). Kun lopullinen malli kuolleisuuden ennustamiseksi on johdettu, johdamme yksinkertaistetun ennustavan indeksin muuntamalla regressiokertoimet pisteiksi, jotka heijastavat niiden suhteellista painoa. Tuloksena olevan työkalun ennustetarkkuus arvioidaan samalla tavalla kuin edellä.

Ulkoinen validointi: Lopullinen logistinen malli vahvistetaan ulkoisesti PopDataBC:stä saadussa erillisessä tietojoukossa sen jälkeen, kun NSQIP-tietoelementit on kartoitettu PopDataBC-tietokantaan. Regressiokertoimia sovelletaan PopDataBC:hen NSQIP-pohjaisesta mallista odotettujen tulosten todennäköisyyksien laskemiseksi ja ennustettujen tulosten vertaamiseksi havaittuihin tuloksiin. Erottelu ja kalibrointi mitataan siten, että vastaanottimen toimintakäyrän alapuolella oleva pinta-ala > 0,70 katsotaan hyväksyttäväksi mallin erotteluksi ja Hosmer-Lemeshow-testillä p> 0,05, joka osoittaa hyväksyttävän sovituksen.

Tavoite 2: Kuolleisuuden ajalliset suuntaukset. Suoritamme tutkivan korjaamattoman tavallisen pienimmän neliösumman regressiomallin, jossa vuotuinen kuolleisuus perioperatiivisen aivohalvauksen jälkeen on riippuvainen muuttuja ja vuosi ennustajana arvioidaksemme kuolleisuuden vuosittaista muutosta ajan kuluessa. Määritetään monimuuttuja lineaarinen regressiomalli, joka mukautuu tärkeiden ennustajien mukaan.

Tavoite 3: Kuolleisuusriskin välittäjät. Selvittääksemme aivohalvausta edeltävän kuolleisuusriskin mahdollista vaikutusta aivohalvauksen jälkeisten tapahtumien vaikutuksesta määritämme sarjan logistisia regressiomalleja, joissa kuolema on riippuvainen muuttuja ja kuoleman todennäköisyys ensisijaisesta mallistamme lineaarisena ennustajana. Lisäämme sitten ennalta määritellyt ennustajat (yllä), jokainen lisämuuttujaksi tutkiaksemme, kasvaako vai pieneneekö kuoleman todennäköisyys oletetun vaikutusta muokkaavan muuttujan lisäyksen perusteella.

Sukupuoleen/sukupuoleen perustuva analyysi: Tutkimme sukupuolen ja perioperatiivisen aivohalvauksen jälkeisten tulosten välistä suhdetta suorittamalla alaryhmäanalyysejä naisille ja miehille sekä karakterisoimalla ja vertaamalla näiden kahden populaation peruspiirteitä ja tuloksia. Lisäksi sisällytämme sukupuolen ennakkoon ennakoivaan tekijään mukautettuun malliin ja tutkimme vuorovaikutusta muiden muuttujien kanssa. Emme voi tutkia ei-binääristä sukupuolta, koska NSQIP tarjoaa vain "mies", "nainen" tai "tuntematon".

Otoskoko ja teho: Käytimme Rileyn et al:n menetelmiä arvioidaksemme tarvittavan otoskoon johtaaksemme vakaan logistisen regressiomallin, joka minimoi ylisovituksen. Käyttämällä 30 malliparametria ja arvioitua 25 %:n kuolleisuuden esiintyvyyttä aivohalvauspotilailla3 arvioimme vaaditut vähimmäisotoskoot mahdollisen mallin erottelun (c-tilasto) ja selitetyn varianssin (Cox-Snell R2) perusteella. Jos mallimme saavuttaa c-tilaston 0,7 (R2 0,09), tarvitsemme 2 754 osallistujaa. Voimakkaampi syrjintä (c-tilasto 0,8, R2 0,2) pienentäisi vaaditun otoskoon 1 145:een. NSQIP-tietokanta 2004-2017 sisältää 6,6 miljoonaa potilasta, ja vuoden 2015 tietojoukosta tekemämme alustavan analyysin perusteella 99,5 % on ei-sydänkirurgiaa, jossa aivohalvauksen ilmaantuvuus on 0,19 %, ja 0,5 % on sydänkirurgiaa 1,76 %:n ilmaantuvuusluvulla. aivohalvauksesta. Siksi arvioimme yhteensä vähintään 12 434 ja 5 808 ei-sydänhalvausta ja sydämen perioperatiivista aivohalvausta.

P-arvoa < 0,05 pidetään merkitsevänä kaikille analyyseille, ja kaikki data-analyysi suoritetaan käyttämällä STATA 17:ää (StataCorp, Texas, USA).