Prédiction des lésions myocardiques après résection laparoscopique d'un phéochromocytome/paragangliome (MI-PPGL)

MI-PPGL est une étude de cohorte ambispective observationnelle monocentrique. Sur la base d'une étude rétrospective, l'équipe de recherche prévoit de créer une base de données structurée pour étudier l'incidence des lésions myocardiques dans la résection laparoscopique PPGL et analyser plus en détail les facteurs de risque liés aux lésions myocardiques. . En particulier, des données temporelles telles que les signes vitaux (pression artérielle, fréquence cardiaque) seront incluses pour construire un modèle de prédiction des lésions myocardiques efficace et robuste. Parallèlement, une étude de cohorte prospective est réalisée pour vérifier le modèle, afin de tester la capacité de prédiction des lésions myocardiques et de réduire l'incidence des MINS.

Nous prévoyons de recruter 700 patients, dont au moins 550 patients rétrospectivement et 150 patients prospectivement. Dans cette étude, les principaux événements du critère d'évaluation du modèle de prédiction sont des résultats binaires. Estimation conservatrice selon le principe « 10EPV », c'est-à-dire que chaque facteur prédictif inclus dans le modèle nécessite au moins 10 résultats positifs pour l'estimation (10 événements par variable). Nous nous attendions à ce que 5 à 8 prédicteurs soient inclus dans le modèle et qu'au moins 80 événements positifs soient inclus. L'incidence des lésions myocardiques périopératoires est de 12 à 20 %, de sorte que la taille estimée de l'échantillon était d'au moins 666 patients. Considérant l'absence de données ou le retrait du sujet de l'étude. nous nous attendions donc à inclure 700 patients, dont au moins 550 rétrospectivement et 150 prospectivement.

Les logiciels STATA (version 15.0 ; Stata Corp., TX, USA) et R 3.6.1 (R Foundation for Statistical Computing, Vienne, Autriche) seront utilisés pour l'analyse statistique. La régression logistique binaire a été utilisée pour dépister les facteurs de risque et stratifier les niveaux de risque. P<0,05 a été considéré comme statistiquement significatif. Pour la modélisation prédictive, les bases de données cliniques étaient de 9:1 ou 8:2. Séparées au hasard en échantillons d'apprentissage et échantillons de vérification. Dans les échantillons d'apprentissage, la méthode de sous-ensemble optimal et la régression LASSO seront utilisées pour la sélection des caractéristiques. La courbe caractéristique de fonctionnement du récepteur (courbe ROC) a été utilisée pour représenter la différenciation du modèle, et le nomogramme a été utilisé pour représenter les facteurs prédictifs de la régression logistique multiple. Dans les échantillons de vérification, le test de qualité d'ajustement de Hosmer-Lemeshow a été utilisé pour tester le degré d'étalonnage du modèle, et P>0,05 était le niveau acceptable d'ajustement estimé du modèle. L'analyse de la courbe de décision (courbe DCA) a été utilisée pour vérifier l'applicabilité clinique.