Klinikai állapotromlás korai figyelmeztető rendszer pontszáma (CDEWS)

1. fázis. A prediktív modell levezetése A résztvevő központokba 2017 folyamán felvett betegek adatai az OBI elektronikus kórlapjából és a laboratóriumi adatkezelő rendszerből kerülnek kinyerésre. A projektben szerződött adatelemző az egészségügyi menedzsment egység és a kutatási egység klinikai munkatársaival együtt az adatok tisztításáért és tisztításáért, valamint a prediktív modell létrehozásáért és belső validálásáért lesz felelős.

2. fázis: Megvalósítás az elektronikus kórlapban: A modell és a kockázati skála létrehozása után az Osabide Global riasztórendszerként kerül bevezetésre a részt vevő központokban. Ennek érdekében a HGU UGS-je cselekvési útmutatót készít, amelyet az érvényesítés után exportál a másik két központba. A rendszer az életjelekhez kapcsolódó RIC-elemek alapján fog működni, és végigvezeti a szakembereket a folyamaton, így az orvosnak megmutatják azokat az analitikai adatokat, amelyek a kockázat kiszámításához szükségesnek bizonyultak, vagy abban az esetben. hogy a betegtől nem kérték fel azt a konkrét laboratóriumi vizsgálatot, ajánlásokat a kivonásra. Miután a rendszer rendelkezik minden adattal, egy figyelmeztetés jelenik meg a képernyőn a kockázati skála és az enyhe-közepes-súlyos kockázati kategória eredményeivel, valamint a cselekvési javaslatokat tartalmazó jelentéssel.Javaslatok a ViEWS skála alapján, az orvostól a felelős ápolónő tájékoztatása a folyamatos megfigyelés és látogatás megkezdésekor kevesebb, mint 15 percen belül a felelős kezelőorvos részéről, aki egyúttal tájékoztatja az intenzív osztályos orvost is, hogy a beteget egy osztályra szállítsák, ahol megfigyelik és intézkednek, mellékletben találhatók. A riasztórendszert a HGU-ban mutatják be a klinikai munkatársak, a GSU és az adatelemző. Az adatelemző a társkutatókkal együtt a riasztórendszer létrehozásáért, a központokban történő bemutatáson való részvételért, majd a használat és a betartás folyamatos feltárását fogja végezni. kockázati skála, összegyűjti a rendszer bevezetése során felmerülő kétségeket, problémákat, és felelős lesz a kockázati skála megvalósításáért is.

3. fázis: A prediktív modell külső validálása. A klinikai eredmények összehasonlítása: A prediktív modell validálása központonként 100 esemény bekövetkezte után történik (remélhetőleg körülbelül 8000 beteg felvétele után). Ezalatt a végrehajtás során és után adatokat gyűjtenek a megvalósítás előtt és után megfigyelt klinikai állapotromlás összehasonlítása érdekében. Az adatelemző az információkat kinyeri, válogatja és megtisztítja, hogy a későbbiekben el tudja végezni a megfelelő statisztikai elemzéseket.

STATISZTIKAI ELEMZÉS

Jelen projekt adatfeldolgozási eljárása a következő lépések szerint kerül kialakításra, két részre bontva:

A) Prediktív modellek kidolgozása és validálása a klinikai állapot romlására, a kritikus osztályra való áthelyezésre, a szív-légzés leállására vagy a kórházi kezelés alatti halálozásra.

A retrospektív kohorsz három résztvevő központjából származó betegekből álló modelllevezetési/belső validációs kohorsz leíró elemzése. A tanulmányban rögzített változók veszteségeiről információkat gyűjtenek. A kizárt betegekről is információkat gyűjtenek. Felmérik annak lehetőségét, hogy a rögzített változók hiányzó adataira imputációs technikákat alkalmazzanak.

2.- A prediktív modellek elkészítésekor a következő pontokat kell követni: a. Az összegyűjtött mintát két részmintára kell osztani: 1. származtatási csoport: A teljes mintát 60%-ra osztják a fő kimeneti változó – klinikai állapotromlás – prediktív modelljeinek származtatásához; A prediktív szabályok érvényesítésének 2. csoportja: a modellek ebben a mintában lesznek validálva (a minta 40%-a). Az elemzéseket nemek szerint is lebontva végezzük el. b. Az 1. csoportban a klinikai állapot romlásának, valamint a kritikus osztályra való áthelyezésnek, a szív-légzés leállásának vagy a kórházi kezelés során bekövetkező halálozásnak kockázati tényezőit azonosítják. Kétváltozós elemzést végeznek annak tanulmányozására, hogy a lehetséges előrejelző változók közül melyek kapcsolódnak az egyes kimeneti paraméterekhez. Azokat a változókat, amelyek p-értéke <0,20, potenciális előrejelzőkként azonosítjuk, amelyeket egy többszintű többváltozós logisztikus regressziós modellbe kell bevinni. A statisztikailag szignifikáns változók kerülnek kiválasztásra a végső skálához. Ebben a modellben a változók kategóriái az adott többváltozós modellben kapott β paraméterhez viszonyítva pontszámot kapnak. Ily módon összpontszámot és ROC-görbét kapunk. Ebből a skálából X kockázati kategória jön létre.

3.- Az illeszkedés jósága és a kidolgozott prediktív modellek összehasonlítása. A 2. fejezetben kidolgozott prediktív modellek diszkriminatív és kalibrációs képességének értékelésére paramétereket fogunk találni. Egyrészt dichotóm függő változók esetén a ROC görbe alatti területet (AUC, diszkriminatív kapacitás) számítjuk, figyelembe véve 0,80 feletti érték robusztus prediktív modell. Az AUC mellett a modell kalibrálását a Hosmer-Lemeshow teszt segítségével becsülik meg (jó kalibráció ≥0,05 p-érték esetén).

4.- A prediktív modellek belső validálása A prediktív modell validálása a 2. validálási csoportban történik. Ebben a csoportban a prediktív modell és a skála validálása a levezetési mintában (1. csoport) kapott előrejelzett értékek átgondolásával történik. . Az érzékenységet, specificitást és a görbe alatti területet úgy kapjuk meg, hogy összehasonlítjuk ezeket a származtatási mintában kapott eredményekkel. A modellek kalibrációs képességét a Hosmer-Lemeshow teszt, a diszkriminációs képességét pedig ROC görbék segítségével értékeljük. A további belső ellenőrzés egy formájaként rendszerindítási módszerekkel történő érvényesítést hajtanak végre.

5.-Prediktív modellek külső validálása A retrospektív kohorszban kifejlesztett modellek külső validálása a leendő kohorszra kerül alkalmazásra. A lineáris prediktort (LP) először a többi kohorszban találjuk meg, figyelembe véve az eredeti modellekben kapott regressziós együtthatókat. Logisztikus regressziós modellek kidolgozására kerül sor. E modellek külső validálásához három fő eljárást kell figyelembe venni: modellillesztés, megkülönböztetés és kalibrálás. Először is, hogy ellenőrizzük a modell illeszkedését, kidolgozunk egy logisztikus regressziós modellt a fennmaradó kohorszokra, figyelembe véve az LP-t kovariánsként a béta regressziós együttható becsléséhez. Ha a meredekség béta regressziós együtthatója 1, akkor az jó illeszkedésnek minősül. Másodszor, a modell diszkriminációjának értékeléséhez az AUC-t bootstrapping és keresztellenőrzési módszerekkel számítjuk ki. A 0,80 feletti AUC-érték robusztus prediktív modellnek tekinthető. Harmadszor, a kalibrációt a teljes kalibráció, a kalibrálási meredekség (mindkettő a kalibrációs diagramokból származtatva) és a Hosmer-Lemeshow teszt kiszámításával értékelik.

B) Az EWS klinikai károsodásra vonatkozó értékelése 6.- Az eredmények összehasonlítása: A riasztórendszer bevezetése utáni eredmények összehasonlításához a HGU bevezetése előtt és után klinikai állapotromlást szenvedő betegek százalékos arányát kell összehasonlítani. a HGU-ban megjelenő százalékok között, ahol a riasztórendszer bevezetésre kerül, illetve a HUD-ok és HUA-k között, ahol folytatják a szokásos gyakorlatukat ebben az értékelési időszakban. A kohorszok kialakításakor fellépő torzítás lehetőségének értékelése érdekében egy hajlampontszámot számítanak ki, amely megmagyarázza annak valószínűségét, hogy az egyik (HGU-betegek) vagy a másik kohorszba (HUD+HUA) besorolják a megfigyelt és megmagyarázott független változók függvényében. a „Kitettségi változók” részben. Ez a hajlampontszám független változóként kerül beírásra a végső modellek replikációjába az expozícióval együtt, és a kapott együtthatókat mindkét esetben összehasonlítják.