A Glasgow-i kóma-skála előrejelző teljesítménye az időhöz képest

Háttér

A trauma kritikus globális közegészségügyi probléma, és a traumák következtében elhunytak száma világszerte folyamatosan növekszik. 2016-ban több mint 4,6 millió haláleset volt trauma következménye, így ez a 8. vezető halálok. A Global Burden and Disease tanulmány (GBD) szerint a traumás sérülések az összes halálozás közel egytizedét teszik ki, többet, mint a malária, a tuberkulózis, a HIV/AIDS és az anyai betegségek együttvéve.

A TBI meghatározása szerint a trauma által okozott agysérülés, a trauma olyan károsodásként definiálható, amely külső erő közvetlen vagy közvetett eredményeként a testet éri, a szerkezeti folytonosság megszakításával vagy anélkül. A traumás agysérülés (TBI) a morbiditás és halálozás vezető oka világszerte. A világon a legnagyobb mértékben hozzájárul a traumás halálozásokhoz, háromszor magasabb a halálozási aránya, mint a kísérő TBI nélküli traumáknál. Becslések szerint a TBI évente több mint 10 millió embert érint.

A TBI súlyosságát és kimenetelét előrejelző prognosztikai modellek nagy jelentőséggel bírnak az orvosok diagnosztikai és újraélesztési eljárásokban való irányításához. A Glasgow Coma Scale (GCS) az egyik legszélesebb körben használt prognosztikai modell. Ez egy neurológiai skála, amelyet arra fejlesztettek ki, hogy három paraméter felhasználásával értékelje az ingerekre adott választ koponyaagyi sérülésben szenvedő betegeknél; szemnyitás, verbális válasz és motoros válasz. Mind a klinikai gyakorlatban, mind a neurotraumakutatásban a tudatszint felmérésére használták. A GCS Score-t, a GCS-ben használt három paraméter összegét használják a súlyosság értékelésére, az enyhétől a közepesen át a súlyosig.

Számos tanulmány kutatta a GCS prognosztikai értékét és a GCS egyes összetevőinek prognosztikai értékét, de keveset tudunk arról, hogy a sérülés és az első GCS közötti idő milyen hatással van a GCS prediktív értékére. Tanulmányok kimutatták, hogy a traumatológiai ellátásba való felvételkor mért GCS prediktívabb, mint a trauma helyén mért GCS, és hogy a felvételkor mért GCS medián magasabb, mint a trauma helyén mért GCS, de nem vizsgálták, hogy az idő befolyásolja-e és hogyan befolyásolja a GCS pontszámokat. .

Cél

A tanulmány célja annak felmérése, hogy a GCS mérésének időzítése hogyan befolyásolja annak prediktív értékét traumás agysérülés (TBI) után felnőtt betegeknél. Az első cél annak felmérése, hogy javul-e a GCS prediktív teljesítménye, ha a sérüléstől a rögzítésig eltelt időhöz igazítjuk. A második cél annak felmérése, hogy a GCS prediktív teljesítménye változik-e attól függően, hogy mikor rögzítették.

Dizájnt tanulni

Ez a Towards Improved Trauma Care Outcomes in India (TITCO) című kohorsztanulmány retrospektív elemzése.

Beállítás

Az azonosítatlan TITCO kohorsz kerül felhasználásra. Ez a kohorsz 16 000 beteget foglal magában, akiket 2013 júliusa és 2015 decembere között négy indiai egyetemi kórházból vettek fel. Az egészségtudományi mesterfokozattal rendelkező projektfelelősök minden helyszínen a sürgősségi osztály közvetlen megfigyelésével és egy szabványos űrlap kitöltésével gyűjtöttek jövőre vonatkozó adatokat a felvételről. A projektvezetők nyolc órás váltakozó műszakban dolgoztak (reggel, este, éjszaka). A megfigyelt műszakon kívül felvett betegek adataiból retrospektív módon is lekértük az adatokat.

A résztvevők kiválasztásának forrása és módja

Az egyhelyi projektfelelős a részt vevő kórházakból származó betegeket vont be, akár prospektív megfigyeléssel, akár retrospektív adatlekéréssel a betegek nyilvántartásaiból.

Magyarázó változók A két érdekes magyarázó változó a GCS és a sérülés és a GCS-rögzítés közötti idő órákban, a továbbiakban GCS-ig eltelt idő. A GCS-t a betegrekordokból vettük ki, csakúgy, mint az első rögzített GCS dátumát és időpontját. Ha az első GCS-rögzítés dátuma és időpontja hiányzik, akkor helyette a résztvevő központba érkezés időpontját kell használni. A sérülés dátumát és időpontját a páciensek nyilvántartásából vették ki, vagy a résztvevők közvetlenül jelentették. Az első GCS-felvétel vagy a résztvevő központba érkezés adatait és idejét a páciensek nyilvántartásából vettük ki.

Kovariánsok Az életkor, a nem, a sérülés mechanizmusa, a beteg áthelyezése egy másik egészségügyi intézményből, valamint a sérülés súlyossági pontszámával (ISS) számszerűsített anatómiai sérülés súlyossága jelenteni fog a vizsgálati minta jellemzésére. Az életkort, a nemet, a sérülés mechanizmusát és az átviteli státuszt vagy a betegek nyilvántartásából vették ki, vagy a résztvevők jelentették. Az ISS-t egyetlen akkreditált kódoló számította ki a sérülések szöveges leírása alapján.

Elfogultság

A GCS rögzítésében elkövetett emberi hibák figyelembevétele érdekében az Aal adatgyűjtő megfigyelői egészségtudományi mesterfokozattal rendelkeztek, és az adatgyűjtési időszak során folyamatosan képezték őket és felügyelték őket.

Mennyiségi változók

A GCS-t lineáris tagként és 12 szintű ordinális változóként is kezeljük. A verbális és szem összetevők nem tesztelhető szintjeit 1-esnek tekintjük. A sérülés és a rögzített GCS közötti időt folyamatos változóként és kategorikus változóként is kezeljük. Ha folyamatosnak tekintjük a sérülés és a GCS közötti időt, akkor lehetővé válik, hogy nem lineáris kapcsolat legyen a mortalitással azáltal, hogy korlátozott köbös spline-ekkel modellezzük, három csomóval egyenlő távolságra elhelyezett percentilisekben. Ha kategorikusként kezeljük, akkor kétórás blokkra lesz osztva.

statisztikai módszerek

Az összes elemzést az R statisztikai nyelvi és programozási környezetben végezzük. A mintát először ideiglenesen felosztjuk képzési és érvényesítési mintákra, amint azt az alábbi, a vizsgálat méretét ismertető részben ismertetjük. Ezután minden mintát a mediánok és az inter-kvartilis tartományok (IQR) segítségével jellemeznek a mennyiségi változók, valamint a számok és százalékok segítségével a minőségi változók bemutatásához.

A képzési mintában négy egyszerű előrejelzési modell illeszkedik majd, logisztikus regressziót használva, amelynek eredménye a mortalitás. Az első modell csak a GCS-t fogja tartalmazni lineáris tagként, a második GCS lineáris tagot és a GCS-hez szükséges időt korlátozott köbös spline-ekkel modellezve, a harmadik csak a GCS-t ordinális változóként, a negyedik modell pedig a GCS-t ordinális változóként és időként. Korlátozott köbös spline-ekkel modellezett GCS. A túlillesztés elkerülése érdekében a zsugorodási tényezőt egy bootstrapping eljárással becsüljük meg, amelyet ezután alkalmazunk a modell együtthatóira.

A négy modellt ezután alkalmazzák a validációs mintában, és megbecsülik és összehasonlítják prediktív teljesítményüket. Az egyes modellek prediktív teljesítményét a vevő működési jellemzői görbe (AUROCC) alatti terület, valamint a pozitív és negatív prediktív értékek alapján értékeljük. A modellek és a kapcsolódó 95%-os konfidenciaintervallumok prediktív teljesítményében mutatkozó különbségeket rendszerindítási módszerrel becsüljük meg.

A képzési és validációs minták mindegyikét a GCS-ig eltelt idő alapján részmintákra osztják úgy, hogy az első részminta olyan betegeket tartalmazzon, akiknek a GCS-ig < 2 óra, a második részminta pedig azokat a betegeket, akiknek idejük a GCS-ig 2 és 4 óra között van. kétórás blokkokban bekapcsolva. A képzési részminták mindegyikébe egy egyszerű logisztikai modell illeszkedik, amely a GCS-t lineáris tagként tartalmazza egyetlen független változóként. A GCS együtthatója minden modellben zsugorodik.

Az első képzési részmintában kifejlesztett modellt ezután alkalmazni fogják az első érvényesítési részmintára és így tovább. A modell teljesítményét az egyes validációs részmintákban az AUROCC és a négyzetes átlag hiba segítségével értékeljük ki. Ezeknek a mértékeknek a trendjét az érvényesítési részminták között ezután egy egyszerű általánosított lineáris modell segítségével számszerűsítik, amelynek eredményváltozója a teljesítménymérési adatok, és a blokk indexszámának nemlineáris transzformációja korlátozott köbös spline-t használva három csomóval, mint egyedüli független változóval.

Stratégia a hiányzó adatok kezelésére

Ha a szükséges mintanagyságot elérjük, ha csak az eredményre, a magyarázó változóra és a kovariánsokra vonatkozó teljes adatokkal rendelkező betegek szerepelnek, akkor teljes esetelemzést végeznek. Ha nem, akkor a hiányzó adatokat többszörös imputációval kezeljük láncolt egyenletekkel. Az imputált adatkészletek száma megegyezik a hiányos megfigyelések százalékos arányával. Az elemzést minden egyes imputált adatkészletben külön-külön végzik el, és a fő eredményeket az imputációk IQR-jének mediánjaként mutatják be. A konfidenciaintervallumok esetében az összevont felső és alsó határok legszélsőségesebb értékeit kell jelenteni.

A tanulmány mérete

A legtöbb adatigényes elemzés valószínűleg a modell illesztése a GCS-vel, mint ordinális változóval és az idővel a GCS-hez, mint korlátozott köbös spline-okkal, ezért a becslések szerint a vizsgálat mérete megfelel ennek az elemzésnek. A szimulációs vizsgálatok azt mutatják, hogy a logisztikus regressziós modelleknek legalább tíz eseményre vagy az eredménnyel együtt járó megfigyelésre van szükségük paraméterenként a megbízható együtthatóbecslések generálásához. A GCS mint ordinális változó modellezése magában foglalja az együtthatók becslését tizenegy paraméterhez, és a GCS-hez szükséges idő beszámítása két további paramétert ad hozzá. A paraméterek teljes száma ekkor 13, ami legalább 130 esemény szükségességét jelzi. A korábbi kutatások alapján 20%-os eredményprevalenciát feltételezve a képzési mintának legalább 650 megfigyelést kell tartalmaznia. Ha ez a szám kevesebb, mint a teljes minta fele, akkor a betanítási és érvényesítési mintákat úgy állítják elő, hogy a teljes mintát két egyenlő méretű részre osztják. Ha a teljes minta 1300-nál kevesebb megfigyelést tartalmaz, az első 650 megfigyelés bekerül a betanítási mintába, a többi megfigyelés pedig az érvényesítési mintába. Ettől függetlenül a mintákat úgy kell létrehozni, hogy az egyes központok relatív hozzájárulása mindkét mintában megközelítőleg azonos legyen.