Kliinisen huononemisen varhaisvaroitusjärjestelmän pisteet (CDEWS)

Vaihe 1. Ennustemallin johtaminen Vuoden 2017 aikana osallistuviin keskuksiin otettujen potilaiden tiedot poimitaan OBI-sähköisestä sairauskertomuksesta ja laboratorion tiedonhallintajärjestelmästä. Hankkeessa palkattu dataanalyytikko yhdessä terveydenhuollon yksikön ja tutkimusyksikön kliinisten yhteistyökumppaneiden kanssa vastaa tiedon puhdistamisesta ja puhdistamisesta sekä ennustemallin generoinnista ja sisäisestä validoinnista.

Vaihe 2: Käyttöönotto sähköisessä sairauskertomuksessa: Kun malli ja riskiasteikko on luotu, se otetaan käyttöön hälytysjärjestelmänä Osabide Globalissa osallistuvissa keskuksissa. Tätä tarkoitusta varten HGU:n UGS luo toimintaoppaan, joka validoinnin jälkeen viedään kahteen muuhun keskukseen. Järjestelmä toimii elintoimintoihin liittyvien RIC-elementtien pohjalta ja opastaa ammattilaisia ​​prosessin läpi niin, että lääkärille näytetään analyyttiset tiedot, jotka ovat osoittautuneet tarpeellisiksi riskin laskemiseksi tai että potilaalta ei ole pyydetty kyseistä laboratoriokoetta, suosituksia poistoon. Kun järjestelmällä on kaikki tiedot, näytölle ilmestyy varoitus riskiasteikon ja lievä-keskivaikea-vakava riskikategorian tuloksista sekä raportti, jossa on toimintasuosituksia. Suositukset ViEWS-asteikon perusteella, lääkäriltä ilmoittaa vastuuhoitajalle jatkuvan seurannan ja käynnin alkaessa alle 15 minuutissa vastuullisen hoitavan lääkärin toimesta, joka myös ilmoittaa teho-osaston lääkärille potilaan siirtämisestä yksikköön, jossa häntä seurataan ja hoidetaan on esitetty liitteessä 1. Hälytysjärjestelmän esittelevät HGU:ssa kliiniset yhteistyökumppanit, GSU ​​ja data-analyytikko. Dataanalyytikko on yhdessä tutkijoiden kanssa henkilö, joka vastaa hälytysjärjestelmän tuottamisesta, osallistumisesta kokouksiin, joissa se esitetään keskuksissa ja sen jälkeen tekee jatkuvaa käytön ja noudattamisen selvittelyä. riskiasteikon, kerää järjestelmän käyttöönotosta mahdollisesti syntyviä epäilyjä ja ongelmia sekä vastaa riskiasteikon toteuttamisesta.

Vaihe 3: Ennakoivan mallin ulkoinen validointi. Kliinisten tulosten vertailu: Ennustava malli validoidaan, kun 100 tapahtumaa keskustaa kohti on tapahtunut (toivottavasti kun noin 8000 potilasta on otettu hoitoon). Tänä aikana tietoja kerätään käyttöönoton aikana ja sen jälkeen, jotta voidaan verrata ennen käyttöönottoa ja sen jälkeen havaittuja kliinisiä heikkenemiä. Tietoanalyytikko poimii tiedot, lajittelee ja puhdistaa sen voidakseen tehdä vastaavat tilastolliset analyysit myöhemmin.

TILASTOINEN ANALYSI

Tämän projektin tietojenkäsittelymenettely määritetään seuraavien vaiheiden mukaisesti jaettuna kahteen osaan:

A) Ennustavamallien kehittäminen ja validointi kliinisen huononemisen, tehohoitoyksikköön siirtymisen, sydän-hengityspysähdyksen tai kuoleman sairaalahoidon aikana.

Kuvaava analyysi mallin johtamisen/sisäisen validoinnin kohortista, joka koostuu retrospektiivisen kohortin kolmesta osallistuvasta keskuksesta. Tiedot tutkimukseen kirjattujen muuttujien menetyksistä kerätään. Tietoja kerätään myös poissuljetuista potilaista. Mahdollisuus soveltaa imputointitekniikoita tallennettujen muuttujien puuttuviin tietoihin arvioidaan.

2.- Seuraavia kohtia noudatetaan ennakoivien mallien luomisessa: a. Kerätty näyte jaetaan kahteen osaotokseen: Johtamisryhmä 1: Kokonaisnäyte jaetaan 60 %:iin päätulosmuuttujan – kliinisen huononemisen – ennustemallien johtamista varten; Ennustesääntöjen validoinnin ryhmä 2: mallit validoidaan tässä otoksessa (40 % otoksesta). Analyysit tehdään myös sukupuolen mukaan eriteltyinä. b. Ryhmässä 1 tunnistetaan riskitekijät kliinisen huonontumisen sekä tehohoitoon siirtymisen, sydän-hengityspysähdyksen tai sairaalahoidon aikana tapahtuvan kuoleman riskitekijät. Kaksimuuttuja-analyysissä tutkitaan, mitkä mahdollisista ennustajamuuttujista liittyvät kuhunkin tulosparametriin. Ne muuttujat, joiden p-arvo <0,20, tunnistetaan mahdollisiksi ennustajiksi, jotka voidaan syöttää monitasoiseen monimuuttujalogistiseen regressiomalliin. Ne muuttujat, jotka ovat tilastollisesti merkitseviä, valitaan lopulliselle asteikolle. Tämän mallin muuttujien luokille annetaan pisteet suhteessa parametriin β, joka on saatu tässä monimuuttujamallissa. Tällä tavalla siitä saadaan kokonaispistemäärä ja ROC-käyrä. Tältä asteikolta luodaan X riskiluokkaa.

3.- Sopivuus ja kehitettyjen ennustavien mallien vertailu. Kohdassa 2 kehitettyjen ennustavien mallien erottelu- ja kalibrointikapasiteetin arvioimiseksi löydetään parametrit. Toisaalta, jos kyseessä ovat kaksijakoiset riippuvaiset muuttujat, lasketaan ROC-käyrän alle jäävä pinta-ala (AUC, erottelukyky) ottaen huomioon arvo > 0,80 on luotettava ennustava malli. AUC:n lisäksi mallin kalibrointi arvioidaan Hosmer-Lemeshow-testillä (hyvä kalibrointi p-arvolle ≥0,05).

4.- Ennustemallien sisäinen validointi Ennakoivan mallin validointi suoritetaan validointiryhmässä 2. Ennustava malli ja asteikko validoidaan tässä ryhmässä pohdiskelemalla johdannaisnäytteessä (ryhmä 1) saatuja ennustettuja arvoja. . Herkkyys, spesifisyys ja käyrän alla oleva pinta-ala saadaan vertaamalla niitä derivointinäytteessä saatuihin tuloksiin. Mallien kalibrointikykyä arvioidaan Hosmer-Lemeshow-testillä ja erottelukykyä ROC-käyrillä. Eräänä lisäsisäisen validoinnin muotona suoritetaan validointi bootstrapping-menetelmillä.

5.-Ennakoivien mallien ulkoinen validointi Retrospektiivisen kohortin mallien ulkoista validointia sovelletaan tulevaan kohorttiin. Lineaarinen ennustaja (LP) löydetään ensin jäljellä olevista kohorteista ottamalla huomioon alkuperäisissä malleissa saadut regressiokertoimet. Logistisia regressiomalleja kehitetään. Näiden mallien ulkoisessa validoinnissa harkitaan kolmea päämenettelyä: mallin sovitus, erottelu ja kalibrointi. Ensinnäkin mallin sopivuuden tarkistamiseksi kehitämme logistisen regressiomallin jäljellä oleville kohorteille, ottaen huomioon LP:n kovariaattina sen beta-regressiokertoimen arvioimiseksi. Jos kulmakertoimen beeta-regressiokerroin on 1, se katsotaan sopivaksi. Toiseksi mallin erottelukyvyn arvioimiseksi AUC lasketaan bootstrapping- ja ristiinvalidointimenetelmillä. AUC-arvoa > 0,80 pidetään vahvana ennustemallina. Kolmanneksi kalibrointi arvioidaan laskemalla kokonaiskalibrointi, kalibrointikaltevuus (molemmat johdettu kalibrointikäyristä) ja Hosmer-Lemeshow-testi.

B) EWS:n arviointi kliinisen vajaatoiminnan varalta 6.- Tulosten vertailu: Tulosten vertailua varten hälytysjärjestelmän käyttöönoton jälkeen tehdään vertailu niiden potilaiden prosenttiosuuksista, jotka kärsivät kliinisestä heikentymisestä ennen ja jälkeen HGU:n käyttöönoton ja myös HGU:ssa esiintyvien prosenttiosuuksien välillä, joissa hälytysjärjestelmä otetaan käyttöön, ja HUD:iden ja HUA:iden välillä, joissa ne jatkavat tavanomaista käytäntöään tämän arviointijakson aikana. Kohortteja muodostettaessa esiintyvän harhan mahdollisuuden arvioimiseksi lasketaan taipumuspisteet, jotka selittävät todennäköisyyden joutua ryhmään (HGU-potilaat) tai toiseen kohorttiin (HUD+HUA) riippumattomien muuttujien havaitsemisen ja selityksen perusteella. kohdassa "Altistumismuuttujat". Tämä taipumuspistemäärä syötetään itsenäisenä muuttujana lopullisten mallien replikaatioon yhdessä altistuksen kanssa ja molemmissa tapauksissa saatuja kertoimia verrataan.