Ottimizzazione dell'allocazione delle risorse tramite la previsione dei risultati per Covid-19

Sfondo.

Punteggi di rischio clinico relativamente semplici basati su informazioni cliniche facilmente disponibili possono essere di grande aiuto nella selezione dei pazienti per la dimissione precoce o un intervento più rapido e intensivo. Un esempio di questo è nel sanguinamento del tratto gastrointestinale superiore in cui molti di questi punteggi (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) hanno consentito una dimissione anticipata sicura, alleviando così la pressione sugli ospedali. Gli investigatori ritengono che risultati simili potrebbero essere potenzialmente ottenibili dai dati raccolti di routine nella nostra fiducia su pazienti con Covid-19 accertato o sospetto.

Obiettivi

Gli investigatori si propongono di rispondere alle seguenti domande

1. Quale modello di storia clinica e sintomi, osservazioni, sangue e altri marcatori investigativi predice meglio che un paziente sospettato di Covid-19 o di cui è stata dimostrata l'infezione progredirà fino a richiedere la ventilazione?
2. Quale modello di storia clinica e sintomi, osservazioni, sangue e altri marcatori investigativi prevede meglio che un paziente sospettato di Covid-19 o dimostrato di averlo morirà durante la sua malattia?
3. Quale modello di storia clinica e sintomi, osservazioni, sangue e altri marcatori investigativi prevede meglio che un paziente sospettato di Covid-19 o di cui è stata dimostrata l'infezione si riprenderà completamente senza richiedere ossigeno supplementare?

Metodi

I ricercatori propongono due approcci principali ai primi due degli obiettivi di cui sopra.

Un approccio standard che valuta le caratteristiche di base per prevedere un esito sfavorevole, simile ad altri studi in corso come ISARIC e PRIEST, ma che beneficia di un campione imparziale di pazienti in quanto non devono essere raccolti campioni o dati aggiuntivi e quindi i ricercatori ritengono che sarà eticamente accettabile con la dovuta attenzione alla riservatezza per analizzare tutti i pazienti che si presentano e non solo quelli disposti e in grado di acconsentire.

Un approccio di modellazione multilivello che utilizza le numerose misurazioni cliniche e di laboratorio ripetute quotidianamente per prevedere il rischio giornaliero di un successivo deterioramento.

Questo secondo approccio integra altri studi in corso come ISARIC e PRIEST, in quanto può essere fornito in modo fattibile solo all'interno di un'unica istituzione come NUH in quanto richiede dati sanitari elettronici dettagliati collegati longitudinalmente. Inoltre, è un progetto di studio efficiente ea basso costo che non richiede la raccolta manuale dei dati.

Gli investigatori utilizzeranno i dati conservati nei sistemi elettronici del Nottingham University Hospitals (NUH) NHS Trust, per identificare tutti i pazienti sospettati di avere un'infezione da Covid-19 o in cui la diagnosi viene infine confermata. Ciò verrà eseguito dall'inizio della pandemia in modo retrospettivo e quindi in un programma continuo in modo prospettico per massimizzare i dati disponibili.

Per questi pazienti gli investigatori raccoglieranno tutti i dati rilevanti su diagnosi (comorbidità), osservazioni cliniche giornaliere e parametri di laboratorio giornalieri sia alla presentazione che su base continuativa fino al momento della morte o della dimissione. Questi dati includeranno misurazioni ripetute di temperatura, polso, saturazione di ossigeno nel sangue, concentrazione di ossigeno inspirato, frequenza respiratoria, proteina C reattiva e conta dei globuli bianchi, tra gli altri.

I dati saranno analizzati e i risultati modellati all'interno della rete del Nottingham University Hospitals Trust per garantire il mantenimento della riservatezza.

Analisi

Caratteristiche dei pazienti che passano all'intubazione Gli investigatori valuteranno l'associazione di eventuali parametri basali e dati demografici dei pazienti che richiedono ventilazione rispetto a quelli che non lo fanno incrociando i parametri basali con la ventilazione e calcolando le associazioni aggiustate utilizzando un modello di regressione logistica. Gli investigatori esamineranno anche il rischio giornaliero di intubazione utilizzando un modello di effetti casuali con le misurazioni giornaliere ripetute. Al fine di esaminare il potenziale per un punteggio di rischio clinico facilmente calcolabile, verranno preparati modelli logistici, ma mantenendo variabili continue come continue (per massimizzare la conservazione di dati predittivi utili) e riducendole a dati categorici (per facilità di calcolo clinico). Gli investigatori selezioneranno i predittori per il modello utilizzando l'eliminazione all'indietro con il criterio delle informazioni di Akaike e alfa = 0,05. Per i modelli candidati, gli investigatori calcoleranno l'indice C e le curve operative del ricevitore e valuteranno la calibrazione utilizzando il test di Hosmer-Lemeshow. Il bootstrap e la convalida incrociata verranno utilizzati per evitare l'overfitting e valutare le prestazioni del modello.

Analisi delle tendenze temporali per identificare i marcatori che portano all'intubazione Gli investigatori esamineranno i dati per le tendenze nel tempo in misurazioni ripetute, ove disponibili, e le descriveranno utilizzando statistiche riassuntive appropriate. Se ci sono abbastanza misurazioni ripetute, ogni covariata verrà valutata con un'analisi JoinPoint per valutare se c'è un'evidente inflessione nel tempo per indicare un cambiamento nel quadro clinico che segna un declino verso la ventilazione. Questo processo alimenterà la scelta razionale delle categorie per la rappresentazione categorica dei dati.

Predittori all'intubazione che suggeriscono la morte Gli investigatori valuteranno l'associazione di eventuali parametri e dati demografici dei pazienti ventilati che muoiono rispetto a quelli che non muoiono incrociando i parametri al punto di ventilazione con la morte e calcolando le associazioni aggiustate utilizzando un modello di regressione logistica. Gli investigatori esamineranno anche il rischio giornaliero di morte utilizzando un modello di effetti casuali con misurazioni giornaliere ripetute. Al fine di esaminare il potenziale per un punteggio di rischio clinico facilmente calcolabile, verranno preparati modelli logistici, ma mantenendo variabili continue come continue (per massimizzare la conservazione di dati predittivi utili) e riducendole a dati categorici (per facilità di calcolo clinico). Gli investigatori selezioneranno i predittori per il modello utilizzando l'eliminazione all'indietro con il criterio delle informazioni di Akaike e alfa = 0,05. Per i modelli candidati, i ricercatori calcoleranno l'indice c e le curve operative del ricevitore e valuteranno la calibrazione utilizzando il test di Hosmer-Lemeshow. Il bootstrap e la convalida incrociata verranno utilizzati per evitare l'overfitting e valutare le prestazioni del modello.

Analisi delle tendenze temporali per identificare i marcatori che portano alla morte Esamineremo i dati per le tendenze nel tempo in misurazioni ripetute, ove disponibili, e li descriveremo utilizzando statistiche riassuntive appropriate. Se ci sono abbastanza misurazioni ripetute, ogni covariata sarà valutata con un'analisi JoinPoint per valutare se c'è un'evidente inflessione nel tempo per indicare un cambiamento nel quadro clinico che segna un declino verso la morte Caratteristiche basali dei pazienti dimessi senza ossigeno supplementare Noi valuterà l'associazione di eventuali parametri basali e dati demografici dei pazienti che vengono dimessi senza ossigeno supplementare rispetto a quelli che non lo sono confrontando i parametri basali con la ventilazione e calcolando le associazioni aggiustate utilizzando un modello di regressione logistica. Al fine di esaminare il potenziale per un punteggio di rischio clinico facilmente calcolabile, verranno preparati modelli logistici, ma mantenendo variabili continue come continue (per massimizzare la conservazione di dati predittivi utili) e riducendole a dati categorici (per facilità di calcolo clinico). Gli investigatori selezioneranno i predittori per il modello utilizzando l'eliminazione all'indietro con il criterio delle informazioni di Akaike e alfa = 0,05. Per i modelli candidati, i ricercatori calcoleranno l'indice c e le curve operative del ricevitore e valuteranno la calibrazione utilizzando il test di Hosmer-Lemeshow. Ciascuno di questi passaggi verrà ripetuto in 10 sottocampioni del 20% selezionati casualmente del set di dati.

Analisi supplementari stratificate Per identificare diversi gruppi di pazienti a rischio di esiti negativi, saranno valutate le interazioni con ciascun modello di rischio per identificare se è necessaria la stratificazione per fasce di età, sesso, co-morbidità precedenti e fattori basali come linfopenia, CRP ecc.

Tutte le analisi saranno ripetute per i gruppi di pazienti Covid-19 provati con PCR e quelli solo sospetti.

Per l'analisi della dimissione senza ossigeno supplementare gli investigatori esamineranno il rischio di riammissione per quelli così dimessi e ripeteranno l'analisi solo per quelli non successivamente riammessi.

Criteri di ammissibilità

Criteri di inclusione • Tutti i pazienti ricoverati presso il Nottingham University Hospitals Trust sospettati di avere un'infezione da Covid-19 o nei quali la diagnosi viene infine confermata e che hanno più di 18 anni

Criteri di esclusione

• Minori di 18 anni.