Optimiser l'allocation des ressources via la prédiction des résultats pour Covid-19

Arrière-plan.

Des scores de risque clinique relativement simples basés sur des informations cliniques facilement disponibles peuvent grandement faciliter le triage des patients vers une sortie précoce ou une intervention plus rapide et intensive. Un exemple de ceci est dans le saignement gastro-intestinal supérieur où plusieurs de ces scores (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5 ; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) ont permis une sortie précoce en toute sécurité, soulageant ainsi la pression sur les hôpitaux. Les enquêteurs pensent que des résultats similaires pourraient potentiellement être obtenus à partir de données collectées régulièrement en notre confiance sur des patients atteints de Covid-19 avéré ou suspecté.

Objectifs

Les enquêteurs ont pour objectif de répondre aux questions suivantes

1. Quel schéma d'antécédents cliniques et de symptômes, d'observations, de sang et d'autres marqueurs d'investigation prédit le mieux qu'un patient suspecté de Covid-19 ou dont il est prouvé qu'il en est atteint évoluera vers une ventilation ?
2. Quel schéma d'antécédents cliniques et de symptômes, d'observations, de sang et d'autres marqueurs d'investigation prédit le mieux qu'un patient suspecté de Covid-19 ou dont il est prouvé qu'il l'est mourra pendant sa maladie ?
3. Quel schéma d'antécédents cliniques et de symptômes, d'observations, de sang et d'autres marqueurs d'investigation prédit le mieux qu'un patient suspecté de Covid-19 ou dont il est prouvé qu'il en est atteint se rétablira complètement sans nécessiter d'oxygène supplémentaire ?

Méthodes

Les enquêteurs proposent deux approches principales pour les deux premiers des objectifs ci-dessus.

Une approche standard évaluant les caractéristiques de base pour prédire un mauvais résultat, similaire à d'autres études en cours comme ISARIC et PRIEST, mais bénéficiant d'un échantillon impartial de patients car aucun échantillon ou donnée supplémentaire ne doit être collecté et les enquêteurs pensent donc que ce sera éthiquement acceptable sous réserve du respect de la confidentialité pour analyser tous les patients qui se présentent et pas seulement ceux qui sont disposés et capables de consentir.

Une approche de modélisation à plusieurs niveaux qui utilise les riches mesures quotidiennes répétées en laboratoire et cliniques pour prédire le risque quotidien d'une détérioration ultérieure.

Cette deuxième approche complète d'autres études en cours comme ISARIC et PRIEST, car elle ne peut être réalisée que dans une seule institution comme NUH, car elle nécessite des données de santé électroniques longitudinales détaillées. De plus, il s'agit d'une conception d'étude efficace et peu coûteuse qui ne nécessite pas de collecte manuelle de données.

Les enquêteurs utiliseront les données détenues dans les systèmes électroniques du Nottingham University Hospitals (NUH) NHS Trust, pour identifier tous les patients suspectés d'avoir une infection à Covid-19 ou chez qui le diagnostic est finalement confirmé. Cela sera effectué dès le début de la pandémie de manière rétrospective, puis dans un programme glissant de manière prospective afin de maximiser les données disponibles.

Pour ces patients, les enquêteurs rassembleront toutes les données pertinentes sur les diagnostics (comorbidités), les observations cliniques quotidiennes et les paramètres de laboratoire quotidiens à la fois lors de la présentation et sur une base continue à partir de là jusqu'au moment du décès ou de la sortie. Ces données comprendront des mesures répétées de la température, du pouls, de la saturation en oxygène du sang, de la concentration en oxygène inspiré, de la fréquence respiratoire, de la protéine C réactive et du nombre de globules blancs, entre autres.

Les données seront analysées et les résultats modélisés au sein du réseau Nottingham University Hospitals Trust afin de garantir le maintien de la confidentialité.

Analyse

Caractéristiques des patients qui passent à l'intubation Les enquêteurs évalueront l'association de tous les paramètres de base et des données démographiques des patients qui nécessitent une ventilation par rapport à ceux qui n'en ont pas besoin en croisant les paramètres de base avec la ventilation et en calculant les associations ajustées à l'aide d'un modèle de régression logistique. Les enquêteurs examineront également le risque quotidien d'intubation à l'aide d'un modèle à effets aléatoires avec des mesures quotidiennes répétées. Afin d'examiner le potentiel d'un score de risque clinique facilement calculable, des modèles logistiques seront préparés, mais en conservant les variables continues comme continues (pour maximiser la rétention de données prédictives utiles) et en les réduisant à des données catégorielles (pour faciliter le calcul clinique). Les chercheurs sélectionneront des prédicteurs pour le modèle en utilisant l'élimination en arrière avec le critère d'information d'Akaike et alpha = 0,05. Pour les modèles candidats, les enquêteurs calculeront l'indice C et les courbes de fonctionnement du récepteur et évalueront l'étalonnage à l'aide du test Hosmer-Lemeshow. Le bootstrap et la validation croisée seront utilisés pour éviter le surajustement et évaluer les performances du modèle.

Analyse des tendances temporelles pour identifier les marqueurs menant à l'intubation Les enquêteurs examineront les données pour les tendances dans le temps des mesures répétées lorsqu'elles sont disponibles et les décriront à l'aide de statistiques récapitulatives appropriées. S'il y a suffisamment de mesures répétées, chaque covariable sera évaluée avec une analyse JoinPoint pour évaluer s'il y a une inflexion évidente dans le temps pour indiquer un changement dans le tableau clinique qui marque un déclin vers la ventilation. Ce processus alimentera le choix rationnel des catégories pour la représentation catégorique des données.

Prédicteurs à l'intubation suggérant la mort Les chercheurs évalueront l'association de tous les paramètres et données démographiques des patients ventilés qui meurent par rapport à ceux qui ne le font pas en croisant les paramètres au point de ventilation avec le décès et en calculant les associations ajustées à l'aide d'un modèle de régression logistique. Les enquêteurs examineront également le risque quotidien de décès à l'aide d'un modèle à effets aléatoires avec des mesures quotidiennes répétées. Afin d'examiner le potentiel d'un score de risque clinique facilement calculable, des modèles logistiques seront préparés, mais en conservant les variables continues comme continues (pour maximiser la rétention de données prédictives utiles) et en les réduisant à des données catégorielles (pour faciliter le calcul clinique). Les chercheurs sélectionneront des prédicteurs pour le modèle en utilisant l'élimination en arrière avec le critère d'information d'Akaike et alpha = 0,05. Pour les modèles candidats, les enquêteurs calculeront l'indice c et les courbes de fonctionnement du récepteur et évalueront l'étalonnage à l'aide du test Hosmer-Lemeshow. Le bootstrap et la validation croisée seront utilisés pour éviter le surajustement et évaluer les performances du modèle.

Analyse des tendances temporelles pour identifier les marqueurs conduisant au décès Nous examinerons les données des tendances dans le temps dans des mesures répétées, le cas échéant, et les décrirons à l'aide de statistiques récapitulatives appropriées. S'il y a suffisamment de mesures répétées, chaque covariable sera évaluée avec une analyse JoinPoint pour évaluer s'il y a une inflexion évidente dans le temps pour indiquer un changement dans le tableau clinique qui marque un déclin vers la mort Caractéristiques de base des patients sortis sans oxygène supplémentaire Nous évaluera l'association de tous les paramètres de base et des données démographiques des patients qui sortent sans oxygène supplémentaire par rapport à ceux qui ne le sont pas en croisant les paramètres de base avec la ventilation et en calculant les associations ajustées à l'aide d'un modèle de régression logistique. Afin d'examiner le potentiel d'un score de risque clinique facilement calculable, des modèles logistiques seront préparés, mais en conservant les variables continues comme continues (pour maximiser la rétention de données prédictives utiles) et en les réduisant à des données catégorielles (pour faciliter le calcul clinique). Les chercheurs sélectionneront des prédicteurs pour le modèle en utilisant l'élimination en arrière avec le critère d'information d'Akaike et alpha = 0,05. Pour les modèles candidats, les enquêteurs calculeront l'indice c et les courbes de fonctionnement du récepteur et évalueront l'étalonnage à l'aide du test Hosmer-Lemeshow. Chacune de ces étapes sera répétée dans 10 sous-échantillons de 20 % de l'ensemble de données sélectionnés au hasard.

Analyses supplémentaires stratifiées Pour identifier différents groupes de patients à risque de mauvais résultats, les interactions avec chaque modèle de risque seront évaluées pour déterminer si une stratification est nécessaire par tranches d'âge, sexe, comorbidités antérieures et facteurs de base tels que la lymphopénie, la CRP, etc.

Toutes les analyses seront répétées pour les groupes de patients Covid-19 confirmés par PCR et ceux uniquement suspectés.

Pour l'analyse de la sortie sans oxygène supplémentaire, les enquêteurs examineront le risque de réadmission pour les personnes ainsi sorties et répéteront l'analyse uniquement pour celles qui ne seront pas réadmises par la suite.

Critère d'éligibilité

Critères d'inclusion • Tous les patients admis au Nottingham University Hospitals Trust suspectés d'avoir une infection à Covid-19 ou chez qui le diagnostic est finalement confirmé et qui sont âgés de plus de 18 ans

Critère d'exclusion

• Moins de 18 ans.