Dementian elinajanodotustyökalun kehittäminen ja validointi

Analyysisuunnitelma

Analyysisuunnitelma perustui kliinisen ennustemallinnuksen ohjeisiin. Suunnitelma laadittiin johtamistietoaineiston käytön jälkeen, mutta ennen ennustajan ja lopputuloksen assosiaatioiden ja mallin sovituksen arvioimista. Keskeisiä näkökohtia ovat mallin täydellinen esispesifikaatio, mukaan lukien ennustajien valinta, jotta tietoihin perustuva muuttujavalinta vältetään. Tämä vähentää mallin vinoutumisen ja ylisovituksen riskiä. Toiseksi jatkuvat muuttujat määritetään rajoitetuiksi kuutio splineiksi, joissa on solmuja kiinteissä kvantiileissa, jotta jatkuvien muuttujien luokittelu vältetään. Tämä kunnioittaa jatkuvien muuttujien epälineaarista luonnetta ja välttää luokitteluun liittyvän tehottomuuden ja harhan. Kolmanneksi painotetaan mallin kalibroinnin arviointia, ei vain validointikohortissa, vaan myös kliinikoille ja poliittisille päättäjille tarkoitetuissa alaryhmissä. Tilastollinen analyysi suoritetaan käyttämällä SAS Enterprise Guide V.9.4:ää.

Validointi suoritetaan ajallisen validoinnin avulla, jolloin mallin suorituskykyä arvioidaan ajallisesti erillisessä (uudemmassa) dementiaa sairastavien henkilöiden kohortissa. Tämä on tiukempi validointimuoto verrattuna sisäiseen validointiin, joka sisältää satunnaisen jakamisen tai uudelleennäytteenoton (bootstrapping, ristiinvalidointi). Kun ajallinen validointi arvioi kuljetettavuuden, sisäinen validointi arvioi vain toistettavuuden. Johtamiskohortin koko ja siinä odotettu tapahtumien määrä mahdollistavat ajallisen validoinnin lisäämättä merkittävästi ylisovitusriskiä.

Ennusteen muuttujat

Ehdokkaat ennustajamuuttujat määriteltiin täysin ennalta siten, että tietoihin perustuvaa muuttujavalintaa vältettiin. Tarkastelimme kotihoidon tietokantojen muuttujia ennustajien tunnistamiseksi. Lisäksi tutkittiin olemassa olevia katsauksia dementian ennustemalleista. Tutkimusryhmä tarkasteli muuttujia eriteltynä määrittääkseen, mitkä muuttujat sisällytetään alkuperäiseen malliin.

Varsinkin vain yhdestä satunnaisesti valitusta dementiadiagnoosin jälkeisestä arvioinnista (indeksiarviointi) tulevat ennustavat arvot sisällytetään malliin. Emme sisällyttäneet arvoja myöhemmistä arvioinneista, koska työkalua käytettäisiin poikkileikkaukseltaan, ei pituussuunnassa. Haluammekin välttää käyttämästä myöhempien arvioiden arvoja, joita ei olisi tiedetty satunnaisesti valitun arvioinnin aikana. Mallissamme muuttujat järjestetään seuraaviin luokkiin: sosiodemografiset, kliiniset (sairaudet, hoito), hoitajakohtaiset, toiminnalliset, ravitsemukselliset, kognitiiviset, psykologiset/käyttäytymiseen liittyvät, kotihoito, terveydenhuollon käyttö ja arviointikohtaiset tiedot. Otamme mukaan iän ja liitännäissairauksia edustavien muuttujien välisiä vuorovaikutuksia, koska näiden ja elinajanodote välinen yhteys voi vaihdella iän mukaan. Vuorovaikutuksessa käytetään lineaarista ikätermiä, ei sen rajoitettua kuutiosplainaa.

Tulosmuuttuja

Tulosmuuttuja on selviytymisaika indeksin arvioinnista enimmäisseurantapäivään (31.12.2022). Kuolleisuus havaitaan rekisteröityjen henkilöiden tietokannasta, joka sisältää historiallisen luettelon kaikista Ontarion sairausvakuutusohjelmaan oikeutetuista henkilöistä, mukaan lukien sosiodemografiset (esim. ikä, sukupuoli, postinumero) ja tärkeät tiedot (esim. kuolinpäivämäärä). Meillä on ennalta määritellyt kiinnostavat eloonjäämisajat, jotka ovat yhteensopivia tämänhetkisten palliatiivisen erikoishoidon kelpoisuusohjeiden kanssa (eli 3, 6 ja 12 kuukautta).

Mallin spesifikaatio

Ennustemuuttujia tutkitaan ennen kuin arvioidaan ennustajan ja lopputuloksen assosiaatioita tai mallin sovittamista. Jatkuvia muuttujia tutkitaan käyttämällä kuvaavia tilastoja ja laatikkokaavioita, ja kategorisia muuttujia kuvailevien tilastojen ja frekvenssijakaumien avulla. Mahdolliset tunnistetut virheelliset arvot korjataan, jos mahdollista, tai muussa tapauksessa puuttuvat. Jatkuvat muuttujat määritetään käyttämällä rajoitettuja kuutiosplineja, joissa on solmuja kiinteissä kvantiileissa (esim. 5-solmun splineissä kvantiilit sijoitetaan 5., 27.5., 50., 72.5. ja 95. prosenttipisteisiin). Jatkuvien muuttujien luokittelua vältetään, koska se liittyy tehottomuuteen ja harhaan eikä ota huomioon jatkuvien muuttujien epälineaarista luonnetta. Kategorisen muuttujan tasojen yhdistämistä vältetään, ellei kategorialla ole erittäin alhainen osuus kaikista havainnoista. Muuttujat, joista puuttuu paljon arvoja tai joiden vaihtelu ei ole riittävä, jätetään pois. Multikollineaarisuus arvioidaan käyttämällä muuttujaklusterointia (VARCLUS-funktio SAS:ssa). Klusterin selittämä varianssin vähimmäisosuus (ominaisuusarvo) asetetaan arvoon 0,7.

Puuttuvat arvot lasketaan käyttämällä useampaa imputointia niin kauan kuin puuttumisen arvioitiin olevan täysin satunnaisia ​​tai satunnaisia. Yksinkertaisuudestaan ​​huolimatta täydellistä tapausanalyysiä vältetään, jotta vältetään tähän menetelmään liittyvä tehottomuus ja harha. Imputointimalli sisältää tulosmuuttujan, ennustemuuttujat ja apumuuttujat (eli muuttujat, jotka eivät sisälly koko malliin, mutta jotka voivat ilmoittaa muuttujan puuttuvan arvon). Imputoitujen tietojoukkojen määrä perustuu puuttuvien arvojen osuuteen tietojoukosta. Lopullinen malli estimoidaan jokaisessa lasketussa tietojoukossa. Kuhunkin tietojoukkoon perustuvat parametriarviot yhdistetään Rubinin sääntöjen avulla, jotka integroivat imputointiin liittyvän epävarmuuden lopullisiin parametriestimaateihin.

Mallin arvio

Malli arvioidaan johtamiskohortissa käyttämällä Coxin suhteellista vaarojen regressiota. Suhteellisten vaarojen oletus tarkistetaan visuaalisesti tarkastelemalla Schoenfeldin jäännösten käyriä ajan funktiona ja tilastollisesti lisäämällä malliin ajan vuorovaikutteisia ennustajia. Jos olettamusta rikotaan, harkitsemme aikavuorovaikutteisten ennustajien lisäämistä malliin.

Kun otetaan huomioon odotettujen tapahtumien suuri suhde vapausasteisiin ja tietopohjaisen muuttujan valinnan välttäminen, ylisovitusriskiä pidetään alhaisena. Tämä kuitenkin arvioidaan tilastollisesti käyttämällä heuristista kutistumisestimaattoria [(mallin todennäköisyyssuhde Chi-neliö - mallin vapausaste)/todennäköisyyssuhde mallin Chi-neliö]. Jos tämä on <0,90, niin malli vaatii säätöä ylisovituksen vuoksi (esim. käyttämällä muuttuvaa vähennysmenetelmää tai soveltamalla kutistumiskertoimia parametriestimaateissa). Yliasennusta arvioidaan myös visuaalisesti kalibrointikäyrällä.

Koska malliamme on tarkoitus soveltaa manuaalisena verkkopohjaisena laskimena, jota terveydenhuollon tarjoajat, omaishoitajat ja potilaat voisivat käyttää, arvioimme supistetun mallin, joka pyrkii optimoimaan hillinnän ilman merkittävää mallin suorituskyvyn heikkenemistä. Itse asiassa alkuperäinen malli saattaa olla liian monimutkainen, työvoimavaltainen ja aikaa vievä toteuttaakseen. Vähennetty malli estimoitiin stepdown-menetelmällä, jolloin peräkkäin muuttuja, jolla on pienin Wald Chi-neliö, poistetaan mallista, kunnes saavutetaan minimissään hyväksyttävä mallin suorituskyky. Alennettua mallia verrataan alkuperäiseen malliin käyttämällä Akaiken tietokriteeriä sekä erottelu- ja kalibrointimittauksia. Tarkastellaan vähiten absoluuttista kutistumista ja valintaoperaattoria (LASSO), koska se voi johtaa joidenkin regressiokertoimien kutistumiseen nollaan, mikä pienentää mallia. Tilastollisten mallien pelkistyskeinojen lisäksi otamme huomioon muuttujan olemassa olevan kirjallisuuden ja sisältöosaamisen kliinisen merkityksen sekä potilaiden ja heidän hoitajiensa kyvyn arvioida ja syöttää muuttuja.

Malli kehitetään ja validoidaan käyttämällä ajallisesti jaettuja näytteitä; lopulliset regressiokertoimet perustuvat kuitenkin koko otokseen. Lopullisella mallilla on samat tekniset tiedot kuin johdannaismallilla.

Mallin suorituskyky

Mallin suorituskykyä arvioidaan validointikohortissa useilla aloilla. Erityisesti sitä arvioidaan kokonaissuorituskyvyn perusteella, mitattuna Nagelkerken R2:lla, joka mittaa mallin selittämän tuloksen vaihtelun osuutta. Historiallisesti kliinisillä ennustetyökaluilla on ollut R2, joka on vaihdellut välillä 0,2 - 0,3. Mallia arvioidaan myös erottelun suhteen, joka mitataan konkordanssitilastolla (c) ja visualisoidaan vastaanottimen toimintakäyrällä. C-tilasto vaihtelee 0,5:stä, joka edustaa ei erottelukykyä, 1,0:aan, joka edustaa täydellistä erottelukykyä.

Lopuksi mallia arvioidaan kalibroinnin suhteen. Tämä arvioidaan visuaalisesti käyttämällä kalibrointikäyrää, jossa ennustettu ja havaittu kuolleisuus perustuu Kaplan Meier -estimaatteihin edellä mainituilla ennalta määrätyillä eloonjäämisajoilla (3, 6 ja 12 kuukautta). Täydellisesti kalibroitua mallia edustaa 45 asteen viiva, jonka leikkauspiste on 0 ja kaltevuus 1. Kalibrointikäyrä kertoo, yli- tai aliarvioiko malli systemaattisesti kuolleisuusriskiä (keskiarvokalibrointi tai kalibrointi suuressa mittakaavassa) ja tarjoaako se äärimmäisiä ennusteita kuolleisuusriskistä (eli aliarvioi riskin pieniriskisillä henkilöillä ja yliarvioi riskin korkealla). -riskihenkilöt), mikä viittaa yliasetuksiin. Keskimääräinen suhteellinen ero havaitun ja ennustetun kuolleisuusriskin välillä lasketaan. Hyväksyttävä ero on <20 %, kun tapahtumatiheys on <=5 %. Lopuksi, mahdollistaaksemme vertailun muihin dementiaa sairastavien yhteisössä asuvien yksilöiden ennustemalleihin, laskemme Integrated Calibration Index, keskimääräisen absoluuttisen eron havaitun ja ennustetun kuolleisuusriskin välillä; E50, mediaani absoluuttinen ero; ja E90, absoluuttisen eron 90. prosenttipiste. Sopivuutta ei mitata Hosmer-Lemeshow-tilastolla tai vastaavalla Coxin suhteellisessa vaaramallissa; nämä testit eivät pysty osoittamaan virheellisen kalibroinnin suuruutta tai määrittämään, esiintyykö virheellistä vain tietyillä ennustetun kuolleisuusriskin alueilla.

Kalibrointia arvioidaan myös desiiliryhmissä ennustetun kuolleisuusriskin perusteella (kohtalainen kalibrointi). Lopuksi kliinikoille ja poliittisille päättäjille merkitykselliset alaryhmät määritellään ennalta (esim. iän, sukupuolen tai liitännäissairauksien mukaan), joissa kalibrointi arvioidaan. Kalibrointikäyrä visualisoidaan ja keskimääräinen suhteellinen ero lasketaan kussakin alaryhmässä. Ottaen huomioon, että sairaalassa satunnaisesti valitun arvioinnin läpikäyneet henkilöt voivat olla systemaattisesti erilaisia ​​kuin yhteisössä arvioidut henkilöt, arvioimme mallin suorituskykyä erityisesti potilailla, joille tehtiin sairaalassa arviointi.

Mallin esittely

Lopullinen regressiomalli, joka perustuu kokonaisotokseen, esitetään käyttämällä vaarasuhteita ja niihin liittyviä 95 %:n luottamusväliä. Regressiokaava julkaistaan ​​verkossa ja se toimii perustana verkkopohjaiselle toteutukselle. Tarkemmin sanottuna malli muunnetaan julkisesti saatavilla olevaksi verkkopohjaiseksi manuaaliseksi laskimeksi osoitteessa www.projectbiglife.com, joka sisältää useita tiimimme kehittämiä kliinisiä ennustamistyökaluja. Työkalua voisivat käyttää terveydenhuollon tarjoajien lisäksi myös potilaat ja omaishoitajat elinajanodotteen laskemiseen. Tämän huomioon ottaen joukko web-kehittäjiä, web-suunnittelijoita, käyttöönottotutkijoita, potilaita ja hoitajia sekä kliinikkoja tiedottaa toteutuksesta, jotta työkalusta tulee käyttäjäystävällinen ja sen tulos tulkittavissa. Mallin käyttöliittymä ja tulos voivat vaihdella sen mukaan, käyttääkö työkalua kliinikon vai potilas/hoitaja. Kunnioitamme työkalun tuottoon liittyvää epävarmuutta sisällyttämällä kvartiilivälit, jotka heijastavat läpinäkyvästi ennusteista epävarmuutta.