A perioperatív stroke utáni eredmény előrejelzői

HÁTTÉR

A perioperatív stroke a műtét pusztító szövődménye, amely jelenleg kevéssé jellemezhető az előfordulásának kimutatására és megelőzésére szolgáló korlátozott klinikai eszközökkel. A perioperatív stroke egy cerebrovaszkuláris esemény, amely műtét után következik be, és a nem szív-, nem neurológiai műtéten átesett betegek 0,1-1,9%-át érinti. A perioperatív stroke viszonylag kevéssé tanulmányozott a hasonló gyakoriságú és súlyosságú posztoperatív szövődményekhez képest, mint például a kardiális szövődmények. Az elmúlt néhány évtizedben jelentős erőfeszítések történtek a perioperatív szívinfarktus kockázatának csökkentése érdekében, és a kockázati rétegződés és a perioperatív kezelés előrehaladása miatt idővel az incidencia csökkenéséhez vezettek. Bár a perioperatív stroke incidenciája hasonló vagy magasabb, mint a perioperatív szívinfarktusé, ennek a szövődménynek a kockázata az idő múlásával nőtt, és a perioperatív stroke továbbra is viszonylag elhanyagolt. A jelenlegi irodalom kimutatta, hogy a műtét után agyvérzést átélő betegeknél magasabb a halálozási arány, a tartózkodás időtartama és a kórházba bocsátás, de e szövődmény ritka természete miatt viszonylag keveset tudunk arról, hogy mely tényezők jelzik előre ezeket az eredményeket azok körében, akik perioperatív stroke-ot tapasztal.

CÉLKITŰZÉSEK

KONKRÉT CÉLKITŰZÉSEK

1. Kockázat-előrejelzési modellek származtatása és külső validálása a mortalitás (elsődleges kimenetel), a káros elbocsátás, az intenzív osztály igénybevétele, a tracheostomia/PEG/craniectomia és a perioperatív stroke utáni tartózkodás időtartama tekintetében.
2. Mutassa be a perioperatív stroke utáni mortalitás időbeli tendenciáit 2005 és 2020 között.
3. Fedezze fel a halálozási kockázat mediátorait a perioperatív stroke után.

MÓD

Ez a tanulmány az American College of Surgeons National Surgical Quality Improvement Program 2004 és 2020 között prospektívan összegyűjtött adatbázisának retrospektív elemzése.

A származtatási kohorsz az NSQIP adatbázisból lesz kinyerve. Az adatkészlet legutóbbi éve (2020) több mint egymillió esetre vonatkozó adatokat tartalmaz 708 webhelyről. Az érvényesítési kohorsz a Population Data BC-ből lesz kivonva, amely összekapcsolt tartományi adatbázisok gyűjteménye, amely azonosítatlan egyéni szintű adatokat szolgáltat a BC összes lakosáról (5,1 millió lakos). A 2002. január 1. és 2020. december 31. közötti dátumtartományt úgy választották ki, hogy tükrözze a kortárs stroke-kezelési gyakorlatokat (pl. EVT), valamint az ICD-10-CA kódolás 2002 óta történő következetes használatát.

Vizsgálati populáció

NSQIP származtatási kohorsz: A 2004 és 2017 között perioperatív stroke-ban szenvedő betegek szerepelnek az NSQIP adatbázisban. Kizárjuk az idegsebészeti (beleértve a carotis endarterectomiát) és az intervenciós radiológiai eljárásokat. A szívsebészeti és nem szívsebészeti populációkat külön-külön elemzik, tekintettel egyedi stroke-kockázati profiljukra.

PopDataBC validációs kohorsz: Az AIS-ben szenvedő betegek azonosítása az I63.0-163.9 diagnosztikai kódokkal történik a Betegségek Nemzetközi Osztályozása (ICD), tizedik felülvizsgálata, Kanada (ICD-10-CA), amely pontosan és megbízhatóan azonosítja az AIS-t nagy adminisztratív adatkészletekben, pozitív prediktív értékkel és 97%-nál nagyobb érzékenységgel. Azok a betegek, akiknél AIS ICD-10-CA felvételi diagnózist (az első 3 pozíciót) tapasztaltak a műtétre való felvételt követő 30 napon belül, vagy az indexes sebészeti kórházi kezelésből származó elbocsátási diagnózisként. A perioperatív betegeket tovább vonják a teljes AIS-csoportból, ha megkapták a műtéti számlázási kódot a stroke miatti felvételt megelőző 30 napon belül.

Eredményváltozók: Az elsődleges eredmény a 30 napos mortalitás; a másodlagos kimenetelek az intenzív osztály igénybevétele, a kórházi tartózkodás időtartama, a súlyos stroke kimenetel markerei (tracheostomia, PEG, hemicraniectomia agyödéma miatt) és a kedvezőtlen elbocsátás (nem otthoni intézmény vagy halál).

Prediktorjelölt változók: A perioperatív stroke utáni eredmény potenciálisan összefügg a beteg, sebészeti és érzéstelenítő tényezőkkel, valamint a stroke jellemzőivel. A jelölt előrejelző változók magukban foglalják a páciens jellemzőit (életkor, nem, társbetegségek, beleértve a stroke történetét), a műtéti jellemzőket (specialitás, összetettség, típus, sürgősségi állapot), az érzéstelenítési technikát (általános vs regionális/neuraxiális) és a stroke jellemzőit (műtéthez viszonyított időzítés). , visszafogadás stroke vs fekvőbeteg stroke). A folytonos változók törtpolinomokkal történő transzformációját figyelembe veszik, hogy lehetővé tegyük a folytonos nemlineáris asszociációt.

STATISZTIKAI ANALÍZIS

1. célkitűzés: Kockázat-előrejelző modellek levezetése és validálása. A perioperatív stroke utáni 30 napos mortalitás előrejelzésére többváltozós modelleket hoznak létre külön a szív- és nem szívsebészet számára, tekintettel a stroke egyedi mechanizmusaira. A túlillesztés elkerülése érdekében adatcsökkentési stratégiát alkalmazunk, és kizárjuk azokat a változókat, amelyeknél több mint 10% hiányzó adat vagy kevesebb mint 20 megfigyelés. Ha >1%, de <10% adat hiányzik, akkor többszörös vagy átlagos imputációt fogunk figyelembe venni; Azok a változók, amelyeknél kevesebb, mint 1% hiányzó adatot tartalmaznak, teljes esetelemzéssel kezelik.

Az előre meghatározott prediktor változókat használjuk fel egy logisztikus regressziós modell felépítésére, ahol az együtthatók zsugorítása rugalmas nettó büntetés alkalmazásával történik. Azért választottuk ezt a változó szelekciós és szankcionálási módszert, mert a kimenetelek számához képest nagyszámú potenciális előrejelző lehetőségre számítunk, és számos fontos előrejelző kollineáris lesz. Rugalmas nettó regularizációt alkalmazva egyensúlyt tudunk alkalmazni a legkisebb abszolút zsugorodás és a kiválasztó operátor (LASSO) büntetés és a RIDGE regresszió között. A RIDGE regresszió lehetővé teszi számunkra, hogy megtartsuk a fontos kollineáris prediktorokat, de csökkentsük együtthatóikat (ami a kollinearitás miatt felfújódhat). A LASSO módszerek lehetővé teszik egyes nem járulékos prediktorok együtthatóit nullára, így kiiktatják őket a modellből. A benne foglalt változók interakcióit és további kifejezéseket vizsgálnak a modell teljesítményének szükség szerinti javítása érdekében. Pontosabban, a priori a következő interakciókat fogjuk megvizsgálni: életkor*nem, műtéti összetettség (WRVU)*életkor, WRVU*specialitás és speciális*anesztetikus technika. A modell diszkriminációt a vevő működési jelleggörbéje alatti terület (c-statisztika) segítségével értékeljük ki. A modell kalibrálását a kockázati spektrumban megfigyelt és előre jelzett kockázatok löszsimítású diagramjával értékelik. Hasonló elemzést fognak használni a tartózkodási idő előrejelzési modelljének létrehozásához (amely log-transzformált lineáris modell lesz). Mivel a halálozás az elbocsátási hajlandóság versengő kimenetele, a kedvezőtlen elbocsátást rendes kimenetelként kell modellezni (otthoni, nem otthoni elbocsátás vagy haláleset).

Belső ellenőrzés: A levezetést követően 5000 bootstrap mintát használunk a belső ellenőrzéshez és a becsült optimizmus generálásához. Az érzékenységi elemzések tesztelik a modell teljesítményét különböző időszakokban, hogy felmérjék a műtét évének hatását (például 2-3 éves korszakok, az egyes években elérhető megfigyelések számától függően). A halálozás előrejelzésére szolgáló végső modell levezetését követően egy egyszerűsített prediktív indexet fogunk levezetni a regressziós együtthatók relatív súlyát tükröző pontokká konvertálásával. Az eredményül kapott eszköz prediktív pontosságát a fentiekhez hasonló módon értékeljük.

Külső ellenőrzés: A végső logisztikai modellt külsőleg érvényesítik a PopDataBC-től kapott különálló adatkészletben, miután az NSQIP adatelemeket leképezték a PopDataBC adatbázisra. Az NSQIP-eredetű modellből a PopDataBC-re regressziós együtthatókat alkalmazunk a várható kimenetel valószínűségének kiszámításához és a megjósolt eredmények összehasonlításához. A diszkriminációt és a kalibrációt mérni kell, a vevő működési jelleggörbe alatti területe >0,70 elfogadható modell-diszkriminációnak tekinthető, a Hosmer-Lemeshow teszt pedig p>0,05-tel, amely az illeszkedés elfogadható jóságát jelzi.

2. célkitűzés: A halandóság időbeli trendjei. Feltáró korrigálás nélküli közönséges legkisebb négyzetes regressziós modellt fogunk végrehajtani, amelynek függő változója a perioperatív stroke utáni éves mortalitás, és az év prediktora a mortalitási ráta időbeli éves változásának becsléséhez. Egy többváltozós lineáris regressziós modell kerül meghatározásra a fontos előrejelzőkhöz igazítva.

3. célkitűzés: A halálozási kockázat közvetítői. A stroke előtti halálozási kockázat lehetséges hatásmódosításának feltárásához a stroke utáni események által, logisztikus regressziós modelleket adunk meg, amelyek függő változója a halál, lineáris előrejelzője pedig a halálozás valószínűsége. Ezután hozzáadjuk az előre meghatározott prediktorokat (fent), mindegyiket további változóként, hogy megvizsgáljuk, nő-e vagy csökken-e a halálozás valószínűsége a feltételezett hatásmódosító változó hozzáadásával.

Nemi/nemi alapú elemzés: A nem és a perioperatív stroke utáni kimenetelek közötti kapcsolatot fogjuk feltárni úgy, hogy alcsoportos elemzéseket végzünk nőkön és férfiakon, valamint jellemezzük és összehasonlítjuk e két populáció kiindulási jellemzőit és eredményeit. A korrigált modellben a nemet a priori előrejelzőként fogjuk felvenni, és megvizsgáljuk a más változókkal való interakciókat. Nem tudjuk megvizsgálni a nem bináris nemet, mivel az NSQIP csak „férfi”, „nő” vagy „ismeretlen” kifejezést ad.

Mintanagyság és teljesítmény: Riley és munkatársai módszereit használtuk a szükséges mintanagyság becslésére, hogy egy stabil logisztikus regressziós modellt hozzunk létre, amely minimalizálja a túlillesztést. 30 modellparamétert és a stroke-ban szenvedő emberek 25%-os halálozási prevalenciájának becsült kimenetelét használva3 megbecsültük a szükséges minimális mintanagyságot a lehetséges modell-diszkrimináció (c-statisztika) és a megmagyarázott variancia (Cox-Snell R2) alapján. Ha modellünk 0,7 c-statisztikát ér el (R2 0,09), akkor 2754 résztvevőre van szükségünk. Az erősebb megkülönböztetés (c-statisztika 0,8, R2 0,2) a szükséges mintanagyságot 1145-re csökkentené. Az NSQIP 2004-2017-es adatbázisa 6,6 millió beteget tartalmaz, és a 2015-ös adatállomány előzetes elemzése alapján 99,5%-a nem szívműtét lesz 0,19%-os stroke incidenciával, 0,5%-a pedig szívsebészet 1,76%-os incidenciával. a stroke. Összesen tehát legalább 12 434, illetve 5 808 szív perioperatív stroke-ot becsülünk.

A 0,05-nél kisebb p értéket minden elemzésnél szignifikánsnak kell tekinteni, és minden adatelemzést a STATA 17 (StataCorp, Texas, USA) segítségével kell elvégezni.