Associations entre le traitement du SDRA COVID-19, les trajectoires cliniques et la libération du ventilateur mécanique - une analyse de l'ensemble de données NorthCARDS (NorthCARDS)

Les enquêteurs exploiteront l'ensemble de données NorthCARDS pour cette analyse. Cet ensemble de données comprend plus de 1500 personnes admises dans le système de santé Northwell qui ont subi un test COVID19 positif à la PCR et ont été ventilées mécaniquement de manière invasive pour le SDRA. Le développement du registre a été lancé en avril 2020 et se poursuit avec la collecte de données prospectives pour tous les patients atteints de SDRA COVID19 ventilés mécaniquement parmi les hôpitaux de Northwell Health. La structuration et l'ingénierie des données sont informées par un examen multidisciplinaire hebdomadaire comprenant des cliniciens de première ligne, des scientifiques des données, des biostatisticiens et des ingénieurs des données au sein de l'informatique médicale. La sélection aléatoire des patients pour l'examen individuel des dossiers « manuels » se produit pour les hypothèses de données et l'enregistrement.

Les deux résultats à modéliser à l'aide d'analyses de régression multivariées seront :

1. Indice de survie à l'hôpital et
2. Délai de libération de la ventilation mécanique.

La libération de la ventilation mécanique sera définie comme une extubation non palliative et une extubation persistante pendant plus d'une semaine. Les résultats seront obtenus à partir de requêtes de dossiers de santé électroniques. Les patients pour lesquels les investigateurs ne disposent pas de données sur les résultats au 30 novembre 2020 seront censurés dans les analyses, et les statistiques descriptives seront résumées et présentées séparément.

Les enquêteurs aborderont cette analyse en utilisant les deux méthodes basées sur des hypothèses dans lesquelles les facteurs de risque connus de mauvais résultats seront inclus dans les modèles de régression multivariable (régression logistique pour le modèle 1 et risques proportionnels de Cox pour le modèle 2) ; et les enquêteurs effectueront également une sélection de variables basée sur les données pour les modèles. Les facteurs de risque définis a priori qui seront inclus dans les modèles seront : l'âge, le sexe, l'IMC, l'état fonctionnel au départ (admission en maison de retraite ou en communauté), les comorbidités (maladie coronarienne, maladie rénale chronique, troubles neurologiques, MPOC, diabète, Cancer actif, Hypertension ); Les traitements en milieu hospitalier (pour les valeurs continues seront (max, médiane, trajectoire)) y compris les niveaux de PEP, la pression motrice, la FiO2, l'hypoxémie (Pao2:Fio2), le type de ventilateur mécanique (portable ou non), les médicaments ciblés COVID (par exemple, l'azithromycine , hydroxychloroquine, corticoïdes) ; et lésions des organes cibles à l'hôpital : dysfonctionnement hépatique, dysfonctionnement rénal, coagulopathie (capturée via les scores SOFA), dysfonctionnement cardiaque et choc nécessitant un vasopresseur/inotrope. Le calendrier, le type d'hôpital (hôpital communautaire par rapport à l'hôpital tertiaire) et la capacité hospitalière (mesurés en nombre de lits d'hôpitaux occupés et le temps écoulé entre l'ordre d'admission aux urgences et le transfert vers un lit d'hospitalisation) seront également inclus dans les analyses pour tenir compte des facteurs temporels et influences systémiques des résultats.

Les modèles finaux comprendront des variables sélectionnées via un processus de sélection en amont, ainsi que des variables hautement classées par des méthodes basées sur les données, notamment un modèle de régression logistique régularisé par la pénalité Lasso et le modèle de risques proportionnels de Cox régularisé par la pénalité Lasso. Les performances du modèle seront évaluées pour le modèle 1 (survie à l'hôpital) à l'aide de la statistique C.

Les performances du modèle pour le modèle 2 (délai de libération du ventilateur mécanique) seront basées sur la statistique C adaptée aux données censurées.

Gestion des données manquantes : lorsque les données sur les résultats sont manquantes pour le modèle (1) (survie à l'hôpital), s'il manque moins de 5 % des résultats, une analyse de cas complète sera utilisée ; s'il manque plus de 5 %, une analyse de sensibilité sera effectuée en supposant que tous les résultats manquants sont soit expirés, soit vivants pour voir si les résultats sont similaires à ceux obtenus à l'aide d'une analyse de cas complète.

Lorsque les données de résultat sont manquantes pour le modèle (2) (libération de la ventilation mécanique), le résultat manquant sera considéré comme censuré.

Si globalement < 5 % de notre cohorte a des données manquantes pour tous les facteurs de risque, seuls les patients avec des valeurs complètes pour tous les facteurs de risque seront inclus (les autres seront rejetés).

Si > 5 % de la cohorte manquent de données pour un facteur de risque, les données manquantes seront imputées par imputation multiple.

Si un facteur de risque manque chez > 50 % des patients, la variable ne sera pas incluse dans l'analyse.

Ingénierie des caractéristiques/réduction des données : nous testerons également si des combinaisons de covariables considérées comme une seule covariable augmentent les performances du modèle. Cela comprendra l'indice de maladie COVID-19 (combinaison de marqueurs hyperinflammatoires, indice PaO2: FiO2 au moment de l'intubation, nécessitant des vasopresseurs au moment de l'intubation et indice d'oxygénation) et le respect des protocoles de traitement standard du SDRA (pression motrice, recevant moins supérieur à 6-8 cc/kg de poids corporel prévu et s'il est enclin ou non).