Resurssien allokoinnin optimointi Covid-19:n tulosennusteen avulla

Tausta.

Suhteellisen yksinkertaiset kliiniset riskipisteet, jotka perustuvat helposti saatavilla olevaan kliiniseen tietoon, voivat auttaa suuresti potilaiden testaamisessa ennenaikaiseen kotiutukseen tai nopeampaan ja tehokkaampaan hoitoon. Yksi esimerkki tästä on ylemmän maha-suolikanavan verenvuoto, jossa on useita tällaisia ​​pisteitä (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) ovat mahdollistaneet turvallisen varhaisen kotiutuksen ja vähentäneet sairaaloiden painetta. Tutkijat uskovat, että samanlaisia ​​tuloksia voidaan mahdollisesti saavuttaa luottamuksellisesti rutiininomaisesti kerätyillä tiedoilla potilaista, joilla on todettu tai epäilty Covid-19.

Tavoitteet

Tutkijat pyrkivät vastaamaan seuraaviin kysymyksiin

1. Mikä kliinisen historian ja oireiden, havaintojen, veren ja muiden tutkivien merkkiaineiden malli ennustaa parhaiten, että Covid-19-tautiepäilty tai sillä todettu potilas etenee ventilaatiotarpeeseen?
2. Millainen kliinisen historian ja oireiden, havaintojen, veren ja muiden tutkivien merkkiaineiden malli ennustaa parhaiten, että Covid-19-tautia epäilty tai sillä todettu potilas kuolee sairautensa aikana?
3. Mikä kliinisen historian ja oireiden, havaintojen, veren ja muiden tutkimusmarkkerien malli ennustaa parhaiten, että potilas, jolla on epäilty Covid-19 tai jolla on todettu sitä, paranee täysin ilman lisähappea?

menetelmät

Tutkijat ehdottavat kahta pääasiallista lähestymistapaa kahdelle ensimmäiselle edellä mainituista tavoitteista.

Normaali lähestymistapa, jossa arvioidaan lähtötilanteen ominaisuuksia huonon tuloksen ennustamiseksi, samanlainen kuin muut meneillään olevat tutkimukset, kuten ISARIC ja PRIEST, mutta hyötyvät puolueettomasta potilasotoksesta, koska lisänäytteitä tai -tietoja ei kerätä, joten tutkijat uskovat sen olevan eettisesti hyväksyttävää. luottamuksellisuutta noudattaen, jotta voidaan analysoida kaikkia saapuvia potilaita, ei vain niitä, jotka haluavat ja pystyvät antamaan suostumuksensa.

Monitasoinen mallinnus, joka käyttää runsaasti toistuvia päivittäisiä laboratorio- ja kliinisiä mittauksia ennustamaan päivittäisen myöhemmän huononemisen riskin.

Tämä toinen lähestymistapa täydentää muita meneillään olevia tutkimuksia, kuten ISARIC ja PRIEST, koska se voidaan toteuttaa vain yhdessä laitoksessa, kuten NUH:ssa, koska se vaatii yksityiskohtaisia ​​pitkittäislinkkejä sähköisiä terveystietoja. Lisäksi se on tehokas ja edullinen tutkimussuunnitelma, joka ei vaadi manuaalista tiedonkeruuta.

Tutkijat käyttävät Nottingham University Hospitalsin (NUH) NHS Trustin sähköisissä järjestelmissä olevia tietoja tunnistaakseen kaikki potilaat, joilla joko epäillään olevan Covid-19-infektio tai joiden diagnoosi lopulta varmistuu. Tämä suoritetaan pandemian alusta lähtien takautuvasti ja sitten jatkuvassa ohjelmassa käytettävissä olevien tietojen maksimoimiseksi.

Näistä potilaista tutkijat keräävät kaikki asiaankuuluvat tiedot diagnooseista (yhteissairauksista), päivittäisistä kliinisistä havainnoista ja päivittäisistä laboratorioparametreista sekä esittelyn yhteydessä että rullaavasti siitä kuolemaan tai kotiutumiseen saakka. Nämä tiedot sisältävät muun muassa toistuvia mittauksia lämpötilasta, pulssista, veren happisaturaatiosta, sisäänhengitetystä happipitoisuudesta, hengitystiheydestä, C-reaktiivisesta proteiinista ja valkosolujen määrästä.

Tiedot analysoidaan ja tulokset mallinnetaan Nottingham University Hospitals Trust -verkostossa sen varmistamiseksi, että luottamuksellisuus säilyy.

Analyysi

Intubaatioon siirtyvien potilaiden ominaisuudet Tutkijat arvioivat ventilaatiota tarvitsevien potilaiden perusparametrien ja demografisen yhteyden verrattuna niihin, jotka eivät sitä tarvitse, ristiintaulukoimalla perusparametrit ventilaation kanssa ja laskemalla sovitetut assosiaatiot logistisen regressiomallin avulla. Tutkijat tarkastelevat myös päivittäistä intubaatioriskiä satunnaisvaikutusten mallilla toistuvien päivittäisten mittausten kanssa. Helposti laskettavan kliinisen riskipisteen potentiaalin selvittämiseksi laaditaan logistisia malleja, mutta jatkuvat muuttujat säilytetään jatkuvina (hyödyllisen ennustusdatan säilymisen maksimoimiseksi) ja pelkistetään kategorisiksi tiedoiksi (kliinisen laskennan helpottamiseksi). Tutkijat valitsevat ennustajat mallille käyttämällä taaksepäin eliminointia Akaike-informaatiokriteerillä ja alfa = 0,05. Ehdokasmalleille tutkijat laskevat C-indeksin ja vastaanottimen toimintakäyrät ja arvioivat kalibroinnin käyttämällä Hosmer-Lemeshow-testiä. Bootstrappausta ja ristiinvalidointia käytetään ylisovituksen välttämiseksi ja mallin suorituskyvyn arvioimiseksi.

Aikatrendianalyysi intubaatioon johtavien markkerien tunnistamiseksi Tutkijat tutkivat tietoja ajan mittaan toistuvissa mittauksissa, jos mahdollista, ja kuvaavat niitä asianmukaisten yhteenvetotilastojen avulla. Jos toistettuja mittauksia on tarpeeksi, jokainen kovariaatti arvioidaan JoinPoint-analyysillä sen arvioimiseksi, onko olemassa ilmeistä ajassa tapahtuvaa taipumista osoittamaan kliinisen kuvan muutosta, joka osoittaa heikkenemistä kohti ventilaatiota. Tämä prosessi ottaa huomioon kategorioiden rationaalisen valinnan tietojen kategoriallista esittämistä varten.

Intubaatiossa kuolemaan viittaavat ennustajat Tutkijat arvioivat kaikkien parametrien ja kuolleiden ventiloitujen potilaiden demografisen yhteyden verrattuna niihin, jotka eivät kuole, ristiintaulukoimalla parametrit ventilaatiopisteessä kuoleman kanssa ja laskemalla sovitetut assosiaatiot käyttämällä logistista regressiomallia. Tutkijat tarkastelevat myös päivittäistä kuolemanriskiä satunnaisvaikutusmallilla ja toistuvilla päivittäisillä mittauksilla. Helposti laskettavan kliinisen riskipisteen potentiaalin selvittämiseksi laaditaan logistisia malleja, mutta jatkuvat muuttujat säilytetään jatkuvina (hyödyllisen ennustusdatan säilymisen maksimoimiseksi) ja pelkistetään kategorisiksi tiedoiksi (kliinisen laskennan helpottamiseksi). Tutkijat valitsevat ennustajat mallille käyttämällä taaksepäin eliminointia Akaike-informaatiokriteerillä ja alfa = 0,05. Ehdokasmalleille tutkijat laskevat c-indeksin ja vastaanottimen toimintakäyrät ja arvioivat kalibroinnin käyttämällä Hosmer-Lemeshow-testiä. Bootstrappausta ja ristiinvalidointia käytetään ylisovituksen välttämiseksi ja mallin suorituskyvyn arvioimiseksi.

Aikatrendianalyysi kuolemaan johtavien merkkiaineiden tunnistamiseksi Tutkimme tietoja ajan mittaan toistuvissa mittauksissa, jos niitä on saatavilla, ja kuvaamme niitä asianmukaisten yhteenvetotilastojen avulla. Jos toistettuja mittauksia on riittävästi, jokainen kovariaatti arvioidaan JoinPoint-analyysillä sen arvioimiseksi, onko olemassa ilmeistä ajassa tapahtuvaa taipumista osoittamaan kliinisen kuvan muutosta, joka merkitsee laskua kohti kuolemaa Ilman lisähappea kotiutuneiden potilaiden perusominaisuudet. arvioi lähtötilanteen parametrien ja ilman lisähappea kotiutuneiden potilaiden demografisen yhteyden verrattuna potilaisiin, jotka eivät ole kotiutettuina, ristiintaulukoimalla perusparametrit ventilaation kanssa ja laskemalla mukautetut assosiaatiot logistisen regressiomallin avulla. Helposti laskettavan kliinisen riskipisteen potentiaalin selvittämiseksi laaditaan logistisia malleja, mutta jatkuvat muuttujat säilytetään jatkuvina (hyödyllisen ennustusdatan säilymisen maksimoimiseksi) ja pelkistetään kategorisiksi tiedoiksi (kliinisen laskennan helpottamiseksi). Tutkijat valitsevat ennustajat mallille käyttämällä taaksepäin eliminointia Akaike-informaatiokriteerillä ja alfa = 0,05. Ehdokasmalleille tutkijat laskevat c-indeksin ja vastaanottimen toimintakäyrät ja arvioivat kalibroinnin käyttämällä Hosmer-Lemeshow-testiä. Jokainen näistä vaiheista toistetaan 10 satunnaisesti valitussa 20 %:n osanäytteessä tietojoukosta.

Ositetut lisäanalyysit Erilaisten potilasryhmien tunnistamiseksi, joilla on riski huonoista tuloksista, vuorovaikutuksia kunkin riskimallin kanssa arvioidaan sen määrittämiseksi, tarvitaanko kerrostumista ikäluokkien, sukupuolen, aikaisempien rinnakkaissairauksien ja perustekijöiden, kuten lymfopenian, CRP:n jne., mukaan.

Kaikki analyysit toistetaan PCR-testattujen Covid-19-potilaiden ja vain epäiltyjen potilaiden ryhmille.

Ilman lisähappea tapahtuvan purkamisen analysointia varten tutkijat tutkivat takaisinottoriskin näin päästetyille ja toistavat analyysin vain niille, joita ei ole myöhemmin otettu takaisin.

Kelpoisuusehdot

Sisällytämiskriteerit • Kaikki Nottingham University Hospitals Trustiin otetut potilaat, joilla joko epäillään olevan Covid-19-infektio tai joiden diagnoosi lopulta varmistuu ja jotka ovat yli 18-vuotiaita

Poissulkemiskriteerit

• Alle 18-vuotiaat.