Previsione del danno miocardico dopo resezione laparoscopica di feocromocitoma/ParaGangLioma (MI-PPGL)

MI-PPGL è uno studio di coorte ambispettivo osservazionale a centro singolo. Sulla base di uno studio retrospettivo, il team di ricerca prevede di costruire un database strutturato per studiare l'incidenza del danno miocardico nella resezione PPGL laparoscopica e analizzare ulteriormente i fattori di rischio correlati al danno miocardico . In particolare, saranno inclusi dati temporali come segni vitali (pressione sanguigna, frequenza cardiaca) per costruire un modello di previsione del danno miocardico efficiente e robusto. Allo stesso tempo, viene condotto uno studio prospettico di coorte per verificare il modello, in modo da testare la capacità di predizione del danno miocardico e ridurre l'incidenza di MINS.

Prevediamo di arruolare 700 pazienti, inclusi almeno 550 pazienti in modo retrospettivo e 150 pazienti in modo prospettico. In questo studio, i principali eventi di endpoint del modello di previsione sono l'esito binario. Stimato in modo conservativo secondo il principio "10EPV", ovvero ogni fattore predittivo incluso nel modello necessita di almeno 10 endpoint di esito positivo per la stima (10 eventi per variabile). Ci aspettavamo di includere nel modello da 5 a 8 predittori e di includere almeno 80 eventi positivi. L'incidenza del danno miocardico perioperatorio è del 12~20%, quindi la dimensione stimata del campione era di almeno 666 pazienti. Considerando l'assenza di dati o il ritiro del soggetto dallo studio. quindi ci aspettavamo di includere 700 pazienti, di cui almeno 550 retrospettivamente e 150 prospetticamente.

STATA (versione 15.0; Stata Corp., TX, USA) e il software R 3.6.1 (R Foundation for Statistical Computing, Vienna, Austria) saranno utilizzati per l'analisi statistica. La regressione logistica binaria è stata utilizzata per schermare i fattori di rischio e stratificare i livelli di rischio. P<0,05 è stato considerato statisticamente significativo. Per la modellazione predittiva, i database clinici erano 9:1 o 8:2. Suddivisi casualmente in campioni di addestramento e campioni di verifica. Nei campioni di addestramento, verranno utilizzati il ​​metodo del sottoinsieme ottimale e la regressione LASSO per la selezione delle caratteristiche. La curva caratteristica operativa del ricevitore (curva ROC) è stata utilizzata per rappresentare la differenziazione del modello e il nomogramma è stato utilizzato per rappresentare i fattori predittivi della regressione logistica multipla. Nei campioni di verifica, è stato utilizzato il test di bontà di adattamento di Hosmer-Lemeshow per testare il grado di calibrazione del modello e P>0,05 era il livello accettabile di adattamento stimato del modello. L'analisi della curva decisionale (curva DCA) è stata utilizzata per verificare l'applicabilità clinica.