Haimakirurgia – optimaaliset tapausmäärän kynnykset ja ennakoiva tarkkuus (PaSuT)

Tärkeimmät tutkimuskysymykset:

• Voidaanko yksilöidä erityisiä interventiotapausten numeroita, jotka sopivat vuosittaisten vähimmäismäärien kynnysarvoiksi ja liittyvät merkittävästi alhaiseen sairaalakuolleisuuteen?
• Melkein kaikki aiemmat tapausmäärävaikutuksia koskevat tutkimukset ovat osoittaneet vain kuvaavan yhteyden tietyn vuoden tapausten määrän ja saman vuoden tulosten laadun välillä. Tämän tutkimuksen tavoitteena on selvittää, voidaanko kuvatut korrelaatiot osoittaa, kun käytetään edellisen vuoden prosessivolyymiä ennustajana. Tutkimuksessa etsitään vastausta, onko toimenpiteen tapausmäärällä ennakoivaa arvoa, erityisesti tapausten lukumäärää yhden vuoden aikana ja sairaalakuolleisuutta seuraavana vuonna.

Tausta:

Lukuisat tutkimukset ovat osoittaneet korrelaation tapausten määrän ja eri kirurgisten toimenpiteiden tulosten laadun välillä. Esimerkiksi potilailla, joille tehtiin leikkaus suuren volyymin sairaaloissa (HVH), oli alhaisempi kuolleisuus, pidempi eloonjäämisaste, pienempi komplikaatioiden määrä ja pienempi uusintaleikkausaste kuin potilailla, joille tehtiin leikkaus pienivolyymissa sairaaloissa (LVH). HVH- ja LVH-ryhmiin jakamiseksi käytettiin joko konkreettisia tapausnumeroita tai kvartiili- tai kvintiilirajoja, joissa on yhtä suuri määrä leikkausta tai klinikoita ryhmää kohti. Tutkimuksen tavoitteena on objektiivisesti määrittää nämä rajat käyttämällä spline-mallinnusta caseload termiä välttäen mielivaltaisia ​​päätöksiä.

Eräs aikaisempien havaintojen rajoitus on se, että ne eivät ehkä ole yleistettävissä, koska tapauksia on käytetty rajoitetusti ja tulosten laatu samalta vuodelta. On kuitenkin tärkeää huomata, että edellisen vuoden määrä on ratkaiseva määritettäessä tapausmäärän ennakoivaa merkitystä tulevan tulosten laadun kannalta. Tuoreessa tutkimuksessa (lehdistössä) kerrottiin, että HVH:iden tulosten laadussa on merkittäviä vaihteluita jopa eri vuosien välillä. Siksi oletettiin, että tapausten lukumäärän käyttäminen korkealaatuisten tulosten ennustajana voi johtaa yliarviointiin.

Menetelmät:

Saksan valtakunnalliset sairaalalaskutustiedot (DRG-tilastot) vuosilta 2010–2019 analysoidaan. Riskikorjatut kuolleisuusluvut määritetään. Tätä tarkoitusta varten lasketaan logistiset regressiomallit, jotka säätelevät kuolleisuusriskiä seuraaville muuttujille Sukupuoli, ikä, hätätilanne, resektiovuosi, diagnoosi (pahanlaatuinen kasvain vs. hyvänlaatuinen kasvain vs. epäselvä kasvain vs. akuutti haimatulehdus vs. krooninen haimatulehdus vs. muut haimasairaudet), lisätoimenpiteet (laskimoresektiot/multiviskeraaliset resektiot/valtimoiden resektiot/pernan poisto/kolekystektomia/ sapen dreneaatio/dialyysitoimenpiteet) ja valitut liitännäissairaudet. Lisätoimenpiteiden luokittelemiseksi leikkauksen laajuuden ja teknisten vaikeuksien huomioon ottamiseksi käytetään luokitusjärjestelmän pientä muutosta, kuten kuvataan julkaisussa Mihaljevic et al, 2021 (PMID: 33386130). Elixhauser-määritelmiä käytetään liitännäissairauksille, kuten kuvataan julkaisussa Quan et al, 2005 (PMID: 16224307). Harkittavien rinnakkaissairauksien valinta perustuu Hunger et al., 2022 (PMID: 35525416) julkaisuun.

Tapausnumerovaikutus mallinnetaan käyttämällä luonnollisia kuutiosplineja. 10., 20., 40., 60., 80. ja 90. tapausnumeron prosenttipisteitä käytetään solmupisteinä. Oikaistu sairaalakuolleisuus tapausten lukumäärän funktiona määritetään käyttämällä Estimated Marginal Means -arvoa. Splinien paikalliset ääriarvot (maksimit ja minimit) määritetään käyttämällä 1. ja 2. graafin derivaatta.

Erilaisia ​​regressiomalleja lasketaan joko kuluvan toimintavuoden tai edellisen vuoden tapausten lukumäärästä. Mallien ennustetarkkuus määritetään käyttämällä signaalintunnistusteorian vakiintuneita mittareita (AUC, herkkyys, spesifisyys, positiivinen ennustearvo, negatiivinen ennustearvo). Yksittäisten resektiotoimenpiteiden alaryhmäanalyysit suoritetaan.