Az erőforrások elosztásának optimalizálása a Covid-19 kimenetelének előrejelzésével

Háttér.

A könnyen elérhető klinikai információkon alapuló, viszonylag egyszerű klinikai kockázati pontszámok nagyban segíthetik a betegek korai hazabocsátását vagy gyorsabb és intenzívebb beavatkozást. Ennek egyik példája a felső gasztrointesztinális vérzés, ahol számos ilyen pontszám van (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) lehetővé tették a biztonságos korai hazabocsátást, csökkentve ezzel a kórházakra nehezedő nyomást. A kutatók úgy vélik, hogy hasonló eredményeket lehet elérni a bizalmunkban rutinszerűen gyűjtött adatokból a bizonyítottan vagy gyanított Covid-19-ben szenvedő betegekről.

Célok

A nyomozók a következő kérdésekre kívánnak választ adni

1. A klinikai anamnézis és a tünetek, megfigyelések, vér és egyéb vizsgálati markerek milyen mintázatai jelzik a legjobban azt, hogy a Covid-19-re gyanús vagy bizonyítottan fertőzött beteg lélegeztetést igényel?
2. A klinikai anamnézis és a tünetek, megfigyelések, vér és egyéb vizsgálati markerek milyen mintázatai jelzik a legjobban azt, hogy a Covid-19-re gyanított vagy bizonyítottan szenvedő beteg betegsége során meghal?
3. A klinikai anamnézis és a tünetek, megfigyelések, vér és egyéb vizsgálati markerek milyen mintázatai jelzik a legjobban, hogy a Covid-19-re gyanított vagy bizonyítottan szenvedő beteg teljesen felépül anélkül, hogy kiegészítő oxigénre lenne szüksége?

Mód

A vizsgálók két fő megközelítést javasolnak a fenti célok közül az első kettőhöz.

Egy szabványos megközelítés, amely a kiindulási jellemzőket értékeli a rossz kimenetel előrejelzésére, hasonlóan más folyamatban lévő vizsgálatokhoz, mint például az ISARIC és a PRIEST, de előnyt jelent a betegek elfogulatlan mintája, mivel nem kell további mintákat vagy adatokat gyűjteni, ezért a vizsgálók úgy vélik, hogy ez etikailag elfogadható lesz. kellő figyelmet szentelve a titoktartásnak, hogy minden jelentkező beteget elemezzen, és ne csak azokat, akik hajlandóak és képesek beleegyezni.

Többszintű modellezési megközelítés, amely a gazdag napi többszöri laboratóriumi és klinikai méréseket használja a későbbi állapotromlás napi kockázatának előrejelzésére.

Ez a második megközelítés más folyamatban lévő tanulmányokat egészít ki, mint például az ISARIC és a PRIEST, mivel csak egyetlen intézményen belül, például a NUH-on belül kivitelezhető, mivel részletes longitudinális összekapcsolt elektronikus egészségügyi adatokra van szükség. Ezenkívül ez egy hatékony, alacsony költségű vizsgálati terv, amely nem igényel kézi adatgyűjtést.

A nyomozók a Nottingham Egyetemi Kórházak (NUH) NHS Trust elektronikus rendszereiben tárolt adatokat fogják felhasználni minden olyan beteg azonosítására, akiknél felmerül a Covid-19 fertőzés gyanúja, vagy akiknél a diagnózis végül megerősítést nyer. Ezt a világjárvány kezdetétől visszamenőleg, majd egy gördülő programban előretekintően hajtják végre a rendelkezésre álló adatok maximalizálása érdekében.

Ezeknél a betegeknél a vizsgálók összegyűjtik az összes releváns adatot a diagnózisokról (társbetegségekről), a napi klinikai megfigyelésekről és a napi laboratóriumi paraméterekről, mind a bemutatáskor, mind pedig gördülékenyen, attól kezdve a halálozásig vagy a hazabocsátásig. Ezek az adatok többek között a hőmérséklet, a pulzus, a vér oxigéntelítettsége, a belélegzett oxigénkoncentráció, a légzésszám, a C-reaktív fehérje és a fehérvérsejtszám ismételt méréseit tartalmazzák.

Az adatokat a Nottingham University Hospitals Trust hálózatán belül elemzik, és az eredményeket modellezik, hogy biztosítsák a titoktartást.

Elemzés

Az intubáción átesett betegek jellemzői A vizsgálók felmérik a lélegeztetésre szoruló betegek bármely kiindulási paraméterének és demográfiai adatainak összefüggését azokkal, akiknél nem igényelnek lélegeztetést. A kutatók az intubáció napi kockázatát is megvizsgálják egy véletlenszerű hatásmodell segítségével, a napi ismételt mérésekkel. A könnyen kiszámítható klinikai kockázati pontszám lehetőségének vizsgálata érdekében logisztikai modelleket készítenek, de a folytonos változókat folyamatosan megtartják (a hasznos prediktív adatok megőrzésének maximalizálása érdekében), és kategorikus adatokra redukálják (a klinikai számítás megkönnyítése érdekében). A vizsgálók az Akaike információs kritériummal és alfa = 0,05-tel visszamenőleges eliminációval választanak ki előrejelzőket a modellhez. A jelölt modelleknél a vizsgálók kiszámítják a C-indexet és a vevő működési görbéit, és a Hosmer-Lemeshow teszt segítségével értékelik a kalibrációt. Bootstrapping és keresztellenőrzés kerül alkalmazásra a túlillesztés elkerülése és a modell teljesítményének értékelése érdekében.

Időbeli trendek elemzése az intubációhoz vezető markerek azonosítására A kutatók megismételt mérések során megvizsgálják az időbeli trendek adatait, és megfelelő összefoglaló statisztikák segítségével leírják ezeket. Ha van elegendő ismételt mérés, akkor minden kovariánst egy JoinPoint analízissel értékelnek annak megállapítására, hogy van-e nyilvánvaló időbeli inflexió a klinikai kép változására utalva, ami a lélegeztetés irányába való visszaesést jelzi. Ez a folyamat beépül az adatok kategorikus megjelenítéséhez szükséges kategóriák ésszerű kiválasztásába.

Halálra utaló prediktorok az intubáció során A kutatók értékelni fogják a lélegeztetett betegek bármely paraméterének és demográfiai adatainak összefüggését, ha meghaltak, összehasonlítva azokkal, akik nem haltak meg, a lélegeztetési ponton a paraméterek kereszttáblázásával és a halálozással, és logisztikus regressziós modell segítségével kiszámítják a korrigált asszociációkat. A kutatók a napi halálozási kockázatot is megvizsgálják egy véletlenszerű hatásmodell segítségével, a napi ismételt mérésekkel. A könnyen kiszámítható klinikai kockázati pontszám lehetőségének vizsgálata érdekében logisztikai modelleket készítenek, de a folytonos változókat folyamatosan megtartják (a hasznos prediktív adatok megőrzésének maximalizálása érdekében), és kategorikus adatokra redukálják (a klinikai számítás megkönnyítése érdekében). A vizsgálók az Akaike információs kritériummal és alfa = 0,05-tel visszamenőleges eliminációval választanak ki előrejelzőket a modellhez. A jelölt modelleknél a vizsgálók kiszámítják a c indexet és a vevő működési görbéit, és a Hosmer-Lemeshow teszt segítségével értékelik a kalibrációt. Bootstrapping és keresztellenőrzés kerül alkalmazásra a túlillesztés elkerülése és a modell teljesítményének értékelése érdekében.

Időbeli trendek elemzése a halálhoz vezető markerek azonosítása érdekében Megvizsgáljuk az időbeli trendek adatait ismételt mérések során, ahol rendelkezésre állnak, és ezeket megfelelő összefoglaló statisztikák segítségével leírjuk. Ha van elegendő ismételt mérés, akkor minden kovariánst JoinPoint analízissel értékelünk, hogy felmérjük, van-e nyilvánvaló időbeli inflexió a klinikai kép változására utalva, ami a halál felé való hanyatlást jelzi A kiegészítő oxigén nélkül hazabocsátott betegek kiindulási jellemzői. felméri a kiegészítő oxigén nélkül hazabocsátott betegek bármely kiindulási paraméterének és demográfiai jellemzőinek összefüggését azokkal, akiknél nem, az alapparaméterek lélegeztetéssel történő kereszttáblázásával, és logisztikus regressziós modell segítségével kiszámítja a korrigált asszociációkat. A könnyen kiszámítható klinikai kockázati pontszám lehetőségének vizsgálata érdekében logisztikai modelleket készítenek, de a folytonos változókat folyamatosan megtartják (a hasznos prediktív adatok megőrzésének maximalizálása érdekében), és kategorikus adatokra redukálják (a klinikai számítás megkönnyítése érdekében). A vizsgálók az Akaike információs kritériummal és alfa = 0,05-tel visszamenőleges eliminációval választanak ki előrejelzőket a modellhez. A jelölt modelleknél a vizsgálók kiszámítják a c indexet és a vevő működési görbéit, és a Hosmer-Lemeshow teszt segítségével értékelik a kalibrációt. Ezen lépések mindegyike megismétlődik az adatkészlet 10 véletlenszerűen kiválasztott 20%-os részmintájában.

Rétegzett kiegészítő elemzések A rossz kimenetel kockázatának kitett különböző betegcsoportok azonosítása érdekében az egyes kockázati modellekkel való interakciókat fel kell mérni annak meghatározására, hogy szükség van-e rétegzésre korosztályok, nemek, korábbi társbetegségek és kiindulási tényezők, például limfopénia, CRP stb. szerint.

Minden elemzést meg kell ismételni a PCR-rel igazolt Covid-19-betegek és a csak gyanús betegek csoportjainál.

A kiegészítő oxigén nélküli kibocsátás elemzéséhez a vizsgálók megvizsgálják az így elbocsátottak visszafogadásának kockázatát, és csak a később vissza nem vettek esetében ismétlik meg az elemzést.

Jogosultsági kritériumok

Bevételi kritériumok • Minden olyan beteg, akit a Nottingham University Hospitals Trust-ba vettek fel, akiknél felmerül a Covid-19 fertőzés gyanúja, vagy akiknél a diagnózis végül megerősítést nyer, és aki elmúlt 18 éves.

Kizárási kritériumok

• 18 éven aluliak.