Electronic Frailty Index+ (eFI+) の開発と評価

評価される健康技術

eFI+ は、元の eFI のコンポーネントを使用して開発され、追加の定期的なプライマリ ケア EHR データと、定期的なプライマリ ケアの実践で単純な臨床的手段を実装することの追加の利点に関するガイダンスが補足されます。 eFI+ は、システム サプライヤ (SystmOne/EMISWeb/Vision/Microtest) との既存の密接な関係に基づいて、英国のプライマリ ケア EHR システムでの迅速な実装に適しています。

調査員は、Secure Anonymised Information Linkage (SAIL) データバンク、ResearchOne データベース、および Leeds Data Model (LDM) を使用して eFI+ を開発し、内部および外部で検証します。

さらに、調査員は、eFI スコアを含む唯一の全国コホート研究として、Community Aging Research 75+ (CARE75+) コホート研究データ (CI Clegg、n≈1,200) を分析し、プライマリ ケアで評価できる単純な尺度を調査します。しかし、通常の EHR データでは利用できません (例: 歩行速度、タイムアップ アンド ゴー テスト。日常生活の行動;孤独）は予測を改善する可能性があります。

研究デザイン

定期的なプライマリ ケア研究データ (ResearchOne)、リンクされたデータセット (SAIL データバンクおよび LDM)、およびコホート研究データ (CARE75+) を使用した予後モデルの開発、内部検証および外部検証、および医療経済分析を含む統合された意思決定分析モデリング。

データベース

1. Secure Anonymised Information Linkage (SAIL) データバンク

   ウェールズの約 500 万人の匿名化された記録。リンクされたプライマリ ケア、ED 出席、入院、外来患者データ、ソーシャル ケア、ウェルシュ ケア ホーム データセット、および ONS 死亡率データ。 SAIL には、eFI サマリー スコアと個々のコンポーネントが含まれます。

2. リサーチワン

   TPP SystmOne 臨床システム上の約 600 万件の英国のプライマリ ケア電子カルテからの、全国的に代表的な匿名化されたデータ。 ResearchOne には、eFI サマリー スコアと個々のコンポーネントが含まれています。

3. リーズ データ モデル (LDM)

   リーズの 108 の診療所における 810,000 人の患者からの、匿名化され、リンクされた一次、二次、コミュニティ、およびソーシャル ケア データ。eFI サマリー スコアと個々のコンポーネントが含まれます。

4. Community Aging Research 75+ (CARE75+) コホート

詳細な社会人口学的情報、フレイル対策（eFIスコアを含む）、プライマリケアでの使用に適した単純な手段（例： 歩行速度、タイムアップ アンド ゴー テスト。日常生活の行動;インフォーマルケア;孤独）、および6、12、24、および48か月での主要な結果。 CARE75+ は非常に豊富なデータセットであり、単純な機器が eFI のパフォーマンスをどのように増強するかを調査するための非常に効率的な方法を提供します。

適格人口

-中程度のフレイル（eFIスコア0.24〜0.36）または重度のフレイル（eFIスコア> 0.36）の65歳以上の患者で、2018年4月1日にResearchOne、SAIL、またはLDMの診療所に登録されています。

中程度の虚弱（eFIスコア0.24〜0.36）または重度の虚弱（eFIスコア> 0.36）のすべてのCARE75 +参加者が対象となります。

リスク予測の結果 (全 12 か月)

• 新規または増加したホームケアパッケージ
• 転倒または骨折を伴うEDの出席/入院
• 老人ホーム入所
• 全死因死亡

予測因子

eFI の構成要素は、定期的なプライマリ ケア EHR データ内で利用可能な変数と、プライマリ ケアでの使用に実用的な臨床評価手段で補足されます。

予後モデル

各予後モデルは、開発され、データベースの 1 つだけで内部的に検証され、次に 2 つ目のデータベースで外部的に検証されます。

予後モデル開発のサンプルサイズ

SAIL と ResearchOne の抽出物にはそれぞれ、65 歳以上の約 600,000 人の患者が含まれ、推定 72,000 人が中程度の虚弱、24,000 人が重度の虚弱です。 LDM抽出物には、65歳以上の約150,000人の患者が含まれ、推定18,000人が中等度の虚弱、6,000人が重度の虚弱です.

モデル開発では、有効なサンプル サイズの重要な指標は結果イベントの数です。 対象となる結果に関する以前の調査と、CARE75+、ResearchOne、および SAIL を使用した実現可能性の見積もりから、12 か月以内に予想されるイベント数の見積もりが得られます。

• 新規または増加した在宅ケアパッケージ: SAIL では 15,864 のイベントが予想されます。これは、中等度のフレイルグループでの 12 か月の発生率 14.9% (10,080 イベント)、および重度のフレイルグループでの 12 か月の発生率 24.1% (5,784 イベント) に基づいています。
• 転倒または骨折を伴う ED 出席/入院: SAIL では 8,064 のイベントが予想されます。これは、中等度の虚弱グループでの 12 か月の発生率 7.4% (5,328 イベント) および重度のフレイルでの発生率 11.4% (2,736 イベント) に基づいています。
• 特別養護老人ホームへの入院：ResearchOne では 2,160 件のイベントが予想されます。これは、中等度フレイル グループの 12 か月の発生率 2.0% (1,440 イベント) および重度のフレイル グループの 12 か月の発生率 3.8% (720 イベント) に基づいています。
• 全死因死亡率: 中等度虚弱群における 12 か月の発生率 10.6% (7,632 イベント) および重度の虚弱群における 12 か月の発生率 19.1% (4,584 イベント) に基づいて、ResearchOne で予測される 12,216 のイベント。

したがって、12 か月までのインシデント イベントの最小推定値 (ナーシング ホームへの入院) を採用した場合でも、研究者は、各結果について、ResearchOne または SAIL のそれぞれで少なくとも 2,160 のイベントを予想します。 これにより、潜在的な予測パラメーターごとに 20 のイベント (2160/20) に対応する最大 108 の予測パラメーターを使用しても、各結果の予後モデルを確実に推定できます。 これは、予測子パラメーターごとに 10 または 15 のイベントという「経験則」の推奨事項を超えています。

さらに、保守的に新しいモデルの Nagelkerke R-squared が 15% になると仮定すると、Riley のサンプル サイズ式は、結果の比率が 3% の場合、各予測子パラメーターに対して少なくとも 7.5 のイベントがあれば、オーバーフィッティングと楽観主義が最小限に抑えられることを示唆しています。 結果の割合を 20% (在宅ケア パッケージ)、9% (転倒/骨折)、または 15% (死亡率) に増やす場合、必要な最小サンプル サイズは、予測パラメーターごとにそれぞれ 18、11.5、および 15 イベントです。 調査員は、利用可能な大規模なデータセットにより、これらすべてを上回ります。

外部検証のサンプルサイズ

現在の推奨事項では、予後モデルの外部検証には、少なくとも 100 のイベントと 100 の非イベント (理想的には 200) が必要です。 私たちの推定では、SAIL と ResearchOne では介護施設への入院の最も一般的でない結果の 2,160 のイベント、LDM では 540 のイベント (モデルの外部検証にのみ使用されます) など、これよりもかなり多くのことが示されています。

欠損データ

複数の代入とルービンのルールを使用して処理され、ランダムに欠落している仮定の下で、代入モデルの結果を含め、プラクティスのクラスタリングを説明します。

分析計画

i) 予後モデリング

研究者は、開発データセット内で 4 つの個別の予後モデルを構築し、出発点として中等度または重度のフレイルを持つ個人における 4 つの重要な結果のリスクを予測します。

各結果について、中程度のフレイル (eFI スコア 0.24 から 0.36) または重度のフレイル (eFI スコア > 0.36) を持つ人について、研究者は eFI のみを含む (現在の全体として) 予後モデルを開発し、内部的に検証します。 eFI のコンポーネント (予測因子として含まれる) と、追加の定期的なプライマリケア EHR データ。 回帰モデルは、ロジスティック回帰または柔軟なパラメトリック生存であり、バイナリまたはイベントまでの時間の結果 (研究者がデータベースのコーディングや打ち切りなどを観察する場合に適切な場合) で、12 か月までに結果のリスクを生成します。

サンプルサイズが大きいため、オーバーフィッティングは小さいと予想されますが、調査担当者は、ブートストラップによって推定されたグローバル収縮係数を介してペナルティを使用して調整します。 倹約のために変数の選択が重要であると考えられる場合、研究者はむしろエラスティック ネットによるペナルティを使用します。 内部検証では、開発データセット全体のブートストラップと、キャリブレーション用に作成された予測パフォーマンスの楽観調整された見積もり (例: 大規模なキャリブレーション、キャリブレーション勾配、観測/期待)、識別 (例: C-statistic) および全体 (e.g. Nagelkerke R2) 予測リスクのパフォーマンス。 連続変数は分類されず、スプラインまたは分数多項式を使用して潜在的な非線形効果が調べられます。 予測因子の非比例ハザードも、時間との相互作用項を使用して調べられます。

すべてのモデルは、別のデータベースで外部的に検証されます。 予測パフォーマンス統計は、上記のように導出されます (例: C 統計量、キャリブレーション スロープ) とともに、黄土のノンパラメーター スムーザーを使用して、予測リスクのスペクトル全体で、観測されたリスクと予測されたリスクの間の一致を示すキャリブレーション プロット。

これとは別に、研究者は CARE75+ データセットを使用して、定期的なプライマリ ケアでの使用に実用的なレビューから特定された予後因子の臨床評価手段の追加の予測力を調査します。

ii) 意思決定モデリング

予後モデルは、予測されるリスクの関連するしきい値を特定することにより、臨床的意思決定を導くためのフレームワークに変換されます。これを超えると、私たちが述べた介入の実施が保証されます。 これにより、決定分析モデル (DAM) を生成できます。これは、決定曲線と外部検証データセットの純利益を使用して調べられます。

iii) 医療経済評価

医療経済評価は 2 段階で実施されます。 第 1 段階の目的は、DAM によって特定されたシナリオの費用対効果の短期的な 12 か月間の比較を提供することです。 第 2 段階では、調査員は分析を拡張して、これらのシナリオの長期的な費用対効果の評価を行います。