Prédicteurs du résultat après un AVC périopératoire

ARRIÈRE-PLAN

L'AVC périopératoire est une complication dévastatrice de la chirurgie qui est actuellement mal caractérisée avec des outils cliniques limités disponibles pour détecter et prévenir sa survenue. L'AVC périopératoire est un événement cérébrovasculaire qui survient après la chirurgie et affecte entre 0,1 et 1,9 % des patients subissant une chirurgie non cardiaque et non neurologique. L'AVC périopératoire est relativement peu étudié par rapport aux complications postopératoires d'incidence et de gravité similaires, telles que les complications cardiaques. Au cours des dernières décennies, des efforts importants ont été entrepris pour réduire le risque d'infarctus du myocarde périopératoire et ont conduit à une diminution de l'incidence au fil du temps en raison des progrès de la stratification des risques et de la gestion périopératoire. Bien que l'incidence de l'AVC périopératoire soit similaire ou supérieure à celle de l'infarctus du myocarde périopératoire, le risque de cette complication a augmenté au fil du temps et l'AVC périopératoire reste relativement négligé. La littérature actuelle a identifié que les patients qui subissent un AVC après une intervention chirurgicale ont un taux de mortalité, de durée de séjour et de sortie dans un établissement plus élevé, mais étant donné la nature rare de cette complication, on sait relativement peu de choses sur les facteurs qui prédisent ces résultats chez ceux qui subir un AVC périopératoire.

OBJECTIFS

OBJECTIFS SPÉCIFIQUES

1. Dériver et valider en externe des modèles de prédiction des risques pour la mortalité (résultat principal), les congés indésirables, l'utilisation des soins intensifs, la trachéotomie/PEG/craniectomie et la durée du séjour après un AVC périopératoire.
2. Décrire les tendances temporelles de la mortalité après un AVC périopératoire entre 2005 et 2020.
3. Explorer les médiateurs du risque de mortalité après un AVC périopératoire.

MÉTHODES

Cette étude est une analyse rétrospective de la base de données du programme national d'amélioration de la qualité chirurgicale de l'American College of Surgeons, collectée de manière prospective entre 2004 et 2020.

La cohorte de dérivation sera extraite de la base de données NSQIP. L'année la plus récente de l'ensemble de données (2020) comprend des données sur plus d'un million de cas provenant de 708 sites. La cohorte de validation sera extraite de Population Data BC, une collection de bases de données provinciales liées fournissant des données anonymisées au niveau individuel sur tous les résidents de la Colombie-Britannique (population de 5,1 millions). Une plage de dates allant du 1er janvier 2002 au 31 décembre 2020 a été choisie pour refléter les pratiques contemporaines de traitement de l'AVC (par exemple, EVT) et l'utilisation cohérente du codage ICD-10-CA depuis 2002.

Population étudiée

Cohorte de dérivation du NSQIP : les patients ayant subi un AVC périopératoire dans la base de données du NSQIP entre 2004 et 2017 seront inclus. Nous exclurons les actes de neurochirurgie (dont l'endartériectomie carotidienne) et de radiologie interventionnelle. Les populations de chirurgie cardiaque et non cardiaque seront analysées séparément compte tenu de leur profil de risque d'AVC unique.

Cohorte de validation PopDataBC : les patients atteints de SIA seront identifiés à l'aide des codes de diagnostic I63.0-163.9 de la Classification internationale des maladies (CIM), dixième révision, Canada (CIM-10-CA), qui identifie avec précision et fiabilité les SIA dans de grands ensembles de données administratives, avec une valeur prédictive positive et une sensibilité supérieure à 97 %. Patients ayant reçu un diagnostic d'admission selon la CIM-10-CA (3 premières positions) d'AIS dans les 30 jours suivant l'admission pour chirurgie, ou en tant que diagnostic de sortie de l'hospitalisation chirurgicale indexée. Les patients périopératoires seront davantage extraits de la cohorte globale de l'AIS s'ils ont reçu un code de facturation chirurgicale dans les 30 jours précédant l'admission pour un AVC.

Variables de résultat : le critère de jugement principal est la mortalité à 30 jours ; les critères de jugement secondaires sont l'utilisation des soins intensifs, la durée du séjour à l'hôpital, les marqueurs de l'issue d'un AVC grave (trachéotomie, PEG, hémicraniectomie pour œdème cérébral) et la sortie indésirable (établissement autre que le domicile ou décès).

Variables prédictives candidates : l'issue après un AVC périopératoire est potentiellement liée à des facteurs liés au patient, à la chirurgie et à l'anesthésie, ainsi qu'aux caractéristiques de l'AVC. Les variables prédictives candidates comprendront les caractéristiques du patient (âge, sexe, comorbidités, y compris les antécédents d'AVC), les caractéristiques chirurgicales (spécialité, complexité, type, état d'urgence), la technique d'anesthésie (générale vs régionale/neuraxiale) et les caractéristiques de l'AVC (moment par rapport à l'opération , réadmission pour AVC vs AVC en hospitalisation). Les variables continues seront considérées pour la transformation à l'aide de polynômes fractionnaires pour permettre une association non linéaire continue.

ANALYSES STATISTIQUES

Objectif 1 : Dérivation et validation de modèles de prédiction des risques. Des modèles multivariables pour prédire la mortalité à 30 jours après un AVC périopératoire seront créés séparément pour la chirurgie cardiaque et non cardiaque, compte tenu de leurs mécanismes uniques d'AVC. Pour éviter un ajustement excessif, nous entreprendrons une stratégie de réduction des données et exclurons les variables avec plus de 10 % de données manquantes ou moins de 20 observations. Lorsque > 1 % mais < 10 % de données manquent, nous considérerons l'imputation multiple ou moyenne ; les variables avec <1 % de données manquantes seront traitées par une analyse de cas complète.

Des variables prédictives pré-spécifiées seront utilisées pour construire un modèle de régression logistique où les coefficients seront réduits à l'aide de la pénalisation nette élastique. Cette méthode de sélection et de pénalisation des variables a été choisie parce que nous prévoyons la possibilité d'un grand nombre de prédicteurs potentiels par rapport au nombre de résultats et que plusieurs prédicteurs importants seront colinéaires. En utilisant la régularisation nette élastique, nous pouvons utiliser un équilibre entre la pénalisation du moindre rétrécissement absolu et de l'opérateur de sélection (LASSO) et la régression RIDGE. La régression RIDGE nous permettra de conserver des prédicteurs colinéaires importants, mais de réduire leurs coefficients (qui pourraient être gonflés en raison de la colinéarité). Les méthodes LASSO permettront aux coefficients de certains prédicteurs non contributifs de s'annuler, donc de les éliminer du modèle. Les variables incluses seront évaluées pour les interactions et les termes supplémentaires considérés pour améliorer les performances du modèle si nécessaire. Plus précisément, nous examinerons a priori les interactions suivantes : âge*genre, complexité chirurgicale (WRVU)*âge, WRVU*spécialité et spécialité*technique d'anesthésie. La discrimination du modèle sera évaluée à l'aide de l'aire sous la courbe caractéristique de fonctionnement du récepteur (statistique c). L'étalonnage du modèle sera évalué à l'aide d'un graphique lissé au loess des risques observés par rapport aux risques prévus sur le spectre des risques. Une analyse similaire sera utilisée pour créer un modèle de prédiction de la durée de séjour (qui sera un modèle linéaire transformé en log). Étant donné que le décès est un résultat concurrent pour la décision de sortie, la sortie défavorable sera modélisée comme un résultat ordinal (sortie à domicile, hors domicile ou décès).

Validation interne : Après la dérivation, 5 000 échantillons bootstrap seront utilisés pour la validation interne et pour générer un optimisme estimé. Les analyses de sensibilité testeront les performances du modèle à différentes époques pour évaluer l'impact de l'année de la chirurgie (par exemple, des époques de 2 à 3 ans, selon le nombre d'observations disponibles chaque année). Après la dérivation du modèle final pour prédire la mortalité, nous dériverons un indice prédictif simplifié en convertissant les coefficients de régression en points reflétant leurs poids relatifs. La précision prédictive de l'outil résultant sera évaluée de la même manière que ci-dessus.

Validation externe : Le modèle logistique final sera validé en externe dans l'ensemble de données distinct obtenu de PopDataBC après avoir mappé les éléments de données NSQIP à la base de données PopDataBC. Des coefficients de régression seront appliqués à PopDataBC à partir du modèle dérivé du NSQIP pour calculer les probabilités de résultats attendus et comparer les résultats prédits aux résultats observés. La discrimination et l'étalonnage seront mesurés, avec une aire sous la courbe caractéristique de fonctionnement du récepteur> 0,70 considérée comme une discrimination de modèle acceptable et un test de Hosmer-Lemeshow avec p> 0,05 indiquant une qualité d'ajustement acceptable.

Objectif 2 : Tendances temporelles de la mortalité. Nous effectuerons un modèle exploratoire de régression des moindres carrés ordinaires non ajusté avec le taux de mortalité annuel après un AVC périopératoire comme variable dépendante et l'année comme prédicteur pour estimer la variation annuelle du taux de mortalité au fil du temps. Un modèle de régression linéaire multivariable sera spécifié, en ajustant les prédicteurs importants.

Objectif 3 : Médiateurs du risque de mortalité. Pour explorer la modification possible de l'effet du risque de mortalité pré-AVC par des événements post-AVC, nous spécifierons une série de modèles de régression logistique avec le décès comme variable dépendante et la probabilité de décès de notre modèle principal comme prédicteur linéaire. Nous ajouterons ensuite des prédicteurs prédéfinis (ci-dessus), chacun en tant que variable supplémentaire, pour déterminer si la probabilité de décès augmente ou diminue en fonction de l'ajout de la variable modificatrice de l'effet postulé.

Analyse basée sur le genre/sexe : Nous explorerons la relation entre le genre et les résultats après un AVC périopératoire en effectuant des analyses de sous-groupes sur les femmes et les hommes, et en caractérisant et en comparant les caractéristiques de base et les résultats de ces deux populations. Nous inclurons en outre le sexe a priori comme prédicteur dans le modèle ajusté et examinerons les interactions avec d'autres variables. Nous ne sommes pas en mesure d'examiner le genre non binaire car le NSQIP ne fournit que "masculin", "féminin" ou "inconnu".

Taille et puissance de l'échantillon : nous avons utilisé les méthodes de Riley et al pour estimer la taille d'échantillon requise afin de dériver un modèle de régression logistique stable qui minimise le surajustement. À l'aide de 30 paramètres de modèle et d'une prévalence estimée de 25 % de mortalité chez les personnes ayant subi un AVC,3 nous avons estimé les tailles d'échantillon minimales requises en fonction de la discrimination potentielle du modèle (statistique c) et de la variance expliquée (Cox-Snell R2). Si notre modèle atteint une statistique c de 0,7 (R2 0,09), nous avons besoin de 2 754 participants. Une discrimination plus forte (statistique c 0,8, R2 0,2) réduirait la taille d'échantillon requise à 1 145. La base de données NSQIP 2004-2017 contient 6,6 millions de patients, et sur la base de notre analyse préliminaire de l'ensemble de données de 2015, 99,5 % seront des chirurgies non cardiaques avec une incidence d'AVC de 0,19 %, et 0,5 % seront des chirurgies cardiaques avec une incidence de 1,76 % d'AVC. Nous estimons donc un total d'au moins 12 434 et 5 808 AVC périopératoires non cardiaques et cardiaques, respectivement.

Une valeur p <0,05 sera considérée comme significative pour toutes les analyses et toutes les analyses de données seront effectuées à l'aide de STATA 17 (StataCorp, Texas, États-Unis).