Predittori di esito dopo ictus perioperatorio

SFONDO

L'ictus perioperatorio è una complicanza devastante della chirurgia che è attualmente scarsamente caratterizzata con strumenti clinici limitati disponibili per rilevarne e prevenirne l'insorgenza. L'ictus perioperatorio è un evento cerebrovascolare che si verifica dopo l'intervento chirurgico e colpisce tra lo 0,1 e l'1,9% dei pazienti sottoposti a chirurgia non cardiaca e non neurologica. L'ictus perioperatorio è relativamente poco studiato rispetto alle complicanze postoperatorie di incidenza e gravità simili, come le complicanze cardiache. Negli ultimi decenni, sono stati compiuti sforzi significativi per ridurre il rischio di infarto miocardico perioperatorio e hanno portato a una diminuzione dell'incidenza nel tempo grazie ai progressi nella stratificazione del rischio e nella gestione perioperatoria. Sebbene l'incidenza di ictus perioperatorio sia simile o superiore a quella dell'infarto miocardico perioperatorio, il rischio di questa complicanza è aumentato nel tempo e l'ictus perioperatorio rimane relativamente trascurato. La letteratura attuale ha identificato che i pazienti che subiscono un ictus dopo l'intervento chirurgico hanno un più alto tasso di mortalità, durata della degenza e dimissione in una struttura, ma data la natura rara di questa complicanza si sa relativamente poco su quali fattori predicono questi risultati tra coloro che sperimentare un ictus perioperatorio.

OBIETTIVI

OBIETTIVI SPECIFICI

1. Derivare e convalidare esternamente i modelli di previsione del rischio per mortalità (esito primario), dimissione avversa, utilizzo dell'unità di terapia intensiva, tracheostomia/PEG/craniectomia e durata della degenza dopo l'ictus perioperatorio.
2. Descrivere le tendenze temporali della mortalità dopo l'ictus perioperatorio tra il 2005 e il 2020.
3. Esplora i mediatori del rischio di mortalità dopo l'ictus perioperatorio.

METODI

Questo studio è un'analisi retrospettiva del database del National Surgical Quality Improvement Program dell'American College of Surgeons, raccolto in modo prospettico tra il 2004 e il 2020.

La coorte di derivazione sarà estratta dal database NSQIP. L'anno più recente del set di dati (2020) include dati su oltre un milione di casi da 708 siti. La coorte di convalida verrà estratta da Population Data BC, una raccolta di database provinciali collegati che forniscono dati a livello individuale non identificati su tutti i residenti di BC (popolazione 5,1 milioni). È stato scelto un intervallo di date dal 1° gennaio 2002 al 31 dicembre 2020 per riflettere le pratiche contemporanee di trattamento dell'ictus (ad es. EVT) e l'uso coerente della codifica ICD-10-CA dal 2002.

Popolazione di studio

Coorte di derivazione NSQIP: saranno inclusi i pazienti con ictus perioperatorio nel database NSQIP tra il 2004 e il 2017. Escluderemo le procedure di radiologia neurochirurgica (inclusa l'endoarterectomia carotidea) e interventistica. Le popolazioni di chirurgia cardiaca e non cardiaca saranno analizzate separatamente dato il loro profilo di rischio di ictus unico.

Coorte di convalida PopDataBC: i pazienti con AIS saranno identificati utilizzando i codici di diagnosi I63.0-163.9 dall'International Classification of Diseases (ICD), Tenth Revision, Canada (ICD-10-CA), che identifica in modo accurato e affidabile l'AIS in grandi set di dati amministrativi, con valore predittivo positivo e sensibilità superiore al 97%. Pazienti che hanno avuto una diagnosi di ammissione ICD-10-CA (prime 3 posizioni) di AIS entro 30 giorni dal ricovero per intervento chirurgico o come diagnosi di dimissione dall'indice di ricovero chirurgico. I pazienti perioperatori verranno ulteriormente estratti dalla coorte AIS complessiva se hanno ricevuto il codice di fatturazione chirurgica nei 30 giorni prima del ricovero per ictus.

Variabili di esito: l'esito primario è la mortalità a 30 giorni; gli esiti secondari sono l'utilizzo della terapia intensiva, la durata della degenza ospedaliera, i marker di esito di ictus grave (tracheostomia, PEG, emicraniectomia per edema cerebrale) e la dimissione avversa (struttura non domiciliare o decesso).

Variabili predittive candidate: l'esito dopo l'ictus perioperatorio è potenzialmente correlato a fattori paziente, chirurgici e anestetici, nonché alle caratteristiche dell'ictus. Le variabili predittive candidate includeranno le caratteristiche del paziente (età, sesso, comorbidità inclusa la storia dell'ictus), le caratteristiche chirurgiche (specialità, complessità, tipo, stato di emergenza), la tecnica anestetica (generale vs regionale/neurassiale) e le caratteristiche dell'ictus (tempo relativo all'operazione , riammissione per ictus vs ictus ospedaliero). Le variabili continue saranno considerate per la trasformazione utilizzando polinomi frazionari per consentire un'associazione non lineare continua.

ANALISI STATISTICA

Obiettivo 1: Derivazione e validazione di modelli di previsione del rischio. Modelli multivariabili per prevedere la mortalità a 30 giorni dopo l'ictus perioperatorio saranno creati separatamente per la chirurgia cardiaca e non cardiaca, dati i loro meccanismi unici di ictus. Per evitare l'overfitting, intraprenderemo una strategia di riduzione dei dati ed escluderemo le variabili con più del 10% di dati mancanti o meno di 20 osservazioni. Laddove mancano dati >1% ma <10%, considereremo l'imputazione multipla o media; le variabili con <1% di dati mancanti saranno gestite attraverso un'analisi completa del caso.

Le variabili predittive pre-specificate verranno utilizzate per costruire un modello di regressione logistica in cui i coefficienti verranno ridotti utilizzando la penalizzazione della rete elastica. Questo metodo per la selezione e la penalizzazione delle variabili è stato scelto perché prevediamo la possibilità di un gran numero di potenziali predittori rispetto al numero di risultati e che diversi importanti predittori saranno collineari. Utilizzando la regolarizzazione della rete elastica, possiamo impiegare un equilibrio tra restringimento minimo assoluto e penalizzazione dell'operatore selettore (LASSO) e regressione RIDGE. La regressione RIDGE ci consentirà di mantenere importanti predittori collineari, ma ridurne i coefficienti (che potrebbero essere gonfiati a causa della collinearità). I metodi LASSO consentiranno di azzerare i coefficienti di alcuni predittori non contributivi, eliminandoli quindi dal modello. Le variabili incluse saranno valutate per le interazioni e termini aggiuntivi considerati per migliorare le prestazioni del modello, se necessario. Nello specifico, esamineremo a priori le seguenti interazioni: età*sesso, complessità chirurgica (WRVU)*età, WRVU*specialità e specialità*tecnica anestetica. La discriminazione del modello sarà valutata utilizzando l'area sotto la curva caratteristica operativa del ricevitore (c-statistic). La calibrazione del modello sarà valutata con un grafico smussato dei rischi osservati e previsti rispetto allo spettro di rischio. Un'analisi simile verrà utilizzata per creare un modello di previsione per la durata del soggiorno (che sarà un modello lineare trasformato in log). Poiché la morte è un risultato concorrente per la disposizione alla dimissione, la dimissione avversa sarà modellata come un risultato ordinale (dimissione domiciliare, non domiciliare o decesso).

Convalida interna: dopo la derivazione, 5.000 campioni di bootstrap verranno utilizzati per la convalida interna e per generare un ottimismo stimato. Le analisi di sensibilità testeranno le prestazioni del modello in diverse epoche temporali per valutare l'impatto dell'anno di intervento chirurgico (ad esempio, epoche da 2 a 3 anni, a seconda del numero di osservazioni disponibili in ciascun anno). Dopo la derivazione del modello finale per prevedere la mortalità, ricaveremo un indice predittivo semplificato convertendo i coefficienti di regressione in punti che riflettono i loro pesi relativi. L'accuratezza predittiva dello strumento risultante sarà valutata in modo simile a quanto sopra.

Convalida esterna: il modello logistico finale sarà convalidato esternamente nel set di dati distinto ottenuto da PopDataBC dopo aver mappato gli elementi di dati NSQIP al database PopDataBC. I coefficienti di regressione verranno applicati a PopDataBC dal modello derivato da NSQIP per calcolare le probabilità di risultato atteso e confrontare i risultati previsti con quelli osservati. Discriminazione e calibrazione saranno misurate, con un'area sotto la curva caratteristica operativa del ricevitore >0.70 considerata discriminazione del modello accettabile e test di Hosmer-Lemeshow con p>0.05 che indica una bontà di adattamento accettabile.

Obiettivo 2: Andamento temporale della mortalità. Eseguiremo un modello di regressione dei minimi quadrati ordinari non aggiustato esplorativo con il tasso di mortalità annuale dopo l'ictus perioperatorio come variabile dipendente e l'anno come predittore per stimare la variazione annuale del tasso di mortalità nel tempo. Verrà specificato un modello di regressione lineare multivariabile, adattato per predittori importanti.

Obiettivo 3: Mediatori del rischio di mortalità. Per esplorare la possibile modifica dell'effetto del rischio di mortalità pre-ictus da parte di eventi post-ictus, specificheremo una serie di modelli di regressione logistica con la morte come variabile dipendente e la probabilità di morte dal nostro modello primario come predittore lineare. Aggiungeremo quindi i predittori pre-specificati (sopra), ciascuno come variabile aggiuntiva, per esplorare se la probabilità di morte aumenta o diminuisce in base all'aggiunta della variabile di modifica dell'effetto postulata.

Analisi basata su genere/sesso: esploreremo la relazione tra genere ed esiti dopo l'ictus perioperatorio eseguendo analisi di sottogruppi su donne e uomini e caratterizzando e confrontando le caratteristiche di base e gli esiti di queste due popolazioni. Includeremo inoltre il genere a priori come predittore nel modello aggiustato ed esamineremo le interazioni con altre variabili. Non siamo in grado di esaminare il genere non binario poiché NSQIP fornisce solo "maschio", "femmina" o "sconosciuto".

Dimensione e potenza del campione: abbiamo utilizzato i metodi di Riley et al per stimare la dimensione del campione richiesta per derivare un modello di regressione logistica stabile che riduca al minimo l'overfitting. Utilizzando 30 parametri del modello e una prevalenza stimata dell'esito del 25% di mortalità nelle persone con ictus,3 abbiamo stimato le dimensioni minime del campione richieste in base alla potenziale discriminazione del modello (c-statistic) e alla varianza spiegata (Cox-Snell R2). Se il nostro modello raggiunge una statistica c di 0,7 (R2 0,09), abbiamo bisogno di 2.754 partecipanti. Una discriminazione più forte (statistica c 0,8, R2 0,2) ridurrebbe la dimensione del campione richiesta a 1.145. Il database NSQIP 2004-2017 contiene 6,6 milioni di pazienti e, sulla base della nostra analisi preliminare del set di dati del 2015, il 99,5% sarà chirurgia non cardiaca con un'incidenza di ictus dello 0,19% e lo 0,5% sarà chirurgia cardiaca con un'incidenza dell'1,76% di ictus. Stimiamo quindi un totale di almeno 12.434 e 5.808 ictus perioperatori non cardiaci e cardiaci, rispettivamente.

Un valore p <0,05 sarà considerato significativo per tutte le analisi e tutte le analisi dei dati saranno eseguite utilizzando STATA 17 (StataCorp, Texas, USA).