질병 상해 심각도 점수의 국제 분류의 인도 버전이 도시 인도의 4개 공립 병원에서 사망률을 예측합니까?

소개

2013년 트라우마로 인해 480만 명이 사망한 것으로 추산되며, 이는 HIV/AIDS, 결핵, 말라리아 및 산모의 질병을 합친 것보다 더 많습니다(1). 이러한 사망의 90%는 저중소득 국가(LMIC)에서 발생하며 개선된 치료 품질을 통해 매년 약 200만 명의 생명을 구할 수 있습니다(2,3). 인도는 연간 100만 명이 넘는 외상으로 사망하는 저중소득 국가로 간주됩니다(1). 2020년에 외상은 미국에서 세 번째 주요 사망 원인으로 추정됩니다(4). 따라서 인도에서 트라우마 케어를 강화하기 위한 노력이 시급하다.

트라우마 환자는 이질적인 인구를 구성하므로 트라우마 연구와 시간 경과에 따른 결과 비교는 어렵지만 중요합니다(5). 선택 편향, 치료의 차이 및 사례 혼합과 같은 요인을 설명하는 것은 올바른 결론을 내리는 데 중요합니다(6,7). 이를 가능하게 하기 위해 부상 심각도 점수(ISS)와 외상 및 부상 심각도 점수를 포함한 여러 도구 또는 점수가 개발되었습니다. (트리스) (8,9). 품질 개선 프로그램의 일부로 이러한 점수를 사용하면 외상 치료 개선과 관련이 있습니다(10).

ISS 및 TRISS에서 각 부상에 할당된 심각도는 전문가 합의를 기반으로 합니다. 대조적으로, 국제 질병 분류(ICD) 상해 심각도 점수(ICISS)는 보다 데이터 기반 접근 방식을 사용하여 개발되었습니다(9,11). 이 점수는 개별 환자의 생존 확률을 추정하기 위해 ICD 부상 코드에 할당된 생존 위험 비율을 기반으로 합니다. 최근의 체계적 검토에 따르면 ICISS는 ISS에서 파생된 방법(12)을 능가하지만 지금까지 ICISS에 대한 거의 모든 연구는 고소득 국가에서 이루어졌습니다. 따라서 우리의 연구 질문은 인도 버전의 ICISS가 인도 도시의 4개 공립 병원에서 사망률을 예측하는가입니다.

연구 설계

ICISS의 새 버전을 도출하고 일시적으로 검증하기 위해 소급 레지스트리 기반 연구를 수행할 것입니다.

환경

우리는 인도 도시 전역의 4개 공립 대학 병원에서 시작된 인도의 TITCO(Towards Improved Trauma Care Outcomes)라는 진행 중인 전향적 코호트 연구의 데이터를 사용할 것입니다. 4개의 센터는 뭄바이의 Lokmanya Tilak Municipal General Hospital, 뭄바이의 King Edward Memorial 병원, 델리의 Jai Prakash Narayan Apex Trauma Center, 콜카타의 Post-Graduate Medical Education and Research and Seth Sukhlal Karnani Memorial Hospital입니다. 본 연구에 사용된 자료는 2013년 10월부터 2015년 1월까지 수집되었다.

훈련된 프로젝트 담당자가 모든 데이터 수집을 수행했습니다. 프로젝트 담당관은 보건 석사 학위 이상의 교육을 받았습니다. 그들은 하루에 8시간씩 일했고 낮, 저녁, 밤 교대로 교대로 일했습니다. 각 병원마다 한 명의 프로젝트 담당자가 있었습니다. 프로젝트 관리자는 프로젝트 관리에 의해 지속적으로 감독되고 교육을 받습니다. 퇴원, 사망 또는 30일 중 먼저 도래하는 시점까지 환자를 추적 관찰했습니다.

참여자 선정의 출처 및 방법

프로젝트 담당자는 자격 기준에 맞는 모든 연속 환자를 포함했습니다. 프로젝트 담당자의 교대 근무 중에 입원한 환자에 대한 데이터는 직접 관찰과 환자 기록 추출을 조합하여 수집했습니다. 교대 근무 시간 외에 입원한 환자에 대한 데이터는 환자 도착 일 이내에 환자 기록에서 소급하여 수집되었습니다. 30일에 생존한 것으로 간주되는 모든 환자는 30일 전에 퇴원했습니다.

데이터 소스/측정

공변량에 대한 데이터는 환자 기록 또는 환자 또는 동반 친척으로부터 추출되었습니다. 영상 보고서 및 수술 기록을 포함하여 환자 기록에서 손상을 추출한 다음 ICD-10을 사용하여 코딩했습니다. SRR=A/(A+B)를 사용하여 각 고유 ICD-10 코드에 대한 SRR을 계산합니다. 여기서 A는 특정 ICD 코드를 가진 생존 환자의 수를 나타내고 B는 생존하지 않은 환자의 수를 나타냅니다. 동일한 특정 ICD 코드. 계산된 SRR은 0과 1 사이의 값을 얻습니다. 1은 100% 생존을 나타내고 0은 0% 생존을 나타냅니다. 모든 개별 SRR의 제품으로 각 환자의 최종 ICISS 점수를 계산합니다. 따라서 ICISS의 범위는 0에서 1까지이며 환자의 생존 확률로 해석되어야 합니다. 이 방법은 일반적으로 기존 ICISS라고 합니다.

편견

데이터를 수집하는 개인은 관찰자이며 실제 치료에 참여하지 않습니다. 자유 텍스트의 부상에서 ICD-10 코드로 변환하는 동안 코더는 환자 인구 통계 및 결과에 대해 눈이 멀게 됩니다. ICD-10 코딩은 세계보건기구(WHO) ICD-10 온라인 교육 모듈을 완료하고 외부 코더와 비교하여 50개의 부상 샘플에서 80% 이상의 일치를 달성한 후에 수행됩니다.

연구 규모

우리는 TITCO에서 사용 가능한 모든 데이터를 사용하고 파생을 위한 이전 데이터와 검증을 위한 가장 최근 데이터를 사용하여 임시 분할 샘플을 생성합니다. 이 두 샘플은 이제부터 각각 파생 샘플 및 검증 샘플이라고 합니다. 먼저 가장 최근 200개의 연속 사건, 즉 24시간 이내에 사망한 환자와 같은 기간 동안 등록된 모든 비사건을 포함하기 위해 검증 샘플의 필요한 샘플 크기를 추정합니다.

우리는 이 연구가 2차 결과에도 적용되기를 원하기 때문에 표본 크기 계산을 위해 24시간 이내의 사망률을 사용합니다. 이 효과적인 샘플 크기를 통해 80% 검정력 및 5% 유의 수준에서 파생 샘플과 보정 샘플 간의 ICISS의 식별 및 보정에서 상당한 차이를 감지할 수 있습니다. 파생 샘플에 남아 있는 모든 환자를 포함합니다.

정량적 변수

모든 양적 변수를 연속으로 분석합니다.

통계적 방법 및 분석

ICISS의 유도 및 검증은 아래에 설명된 두 가지 개별 단계로 수행됩니다. 우리는 모든 통계 분석에 R을 사용할 것입니다. 우리는 차별과 보정 측면에서 예측 성능을 평가할 것입니다. 수신기 작동 특성 곡선(AUROCC) 아래 영역을 계산하여 식별을 평가하고 보정 플롯에서 관찰 및 예측 결과를 시각적으로 비교하고 보정 기울기를 계산하여 통계적으로 비교하여 보정을 평가합니다. 예측 성능 측정에 대한 신뢰 구간은 부트스트랩 접근 방식을 사용하여 추정됩니다.

겹치는 신뢰 구간을 유의미한 차이가 없다는 증거로 해석합니다. 95% 신뢰 구간과 5% 유의 수준으로 모수 및 비모수 정확 테스트가 적절하게 사용됩니다. 우리의 주요 분석은 나이, 성별, 부상 메커니즘, 전이 상태 및 결과와 같은 변수에서 누락된 값이 있는 관찰을 제외하는 완전한 사례 분석이 될 것입니다. 보고된 부상이 없는 관찰에는 1의 ICISS가 할당되며 각 관찰에 대해 최종 ICISS는 파생 샘플의 최소 10개 관찰에서 발생한 ICD 코드에 대한 SRR만을 기준으로 계산됩니다.

유도

각 결과에 대한 도출 샘플에서 SRR을 도출하고 이를 사용하여 각 환자의 ICISS를 계산합니다. 즉, 30일 이내 사망률에 대한 SRR 1세트(이하 SRR-30D)와 24시간 이내 사망률에 대한 SRR 1세트(이하 SRR-24H)를 계산합니다. 그런 다음 각 환자에 대해 두 개의 ICISS를 계산합니다. 우리는 이러한 ICISS를 참조하기 위해 유사한 표시를 사용할 것입니다. ICISS-30D 및 ICISS-24H. 마지막으로 ICISS-30D의 30일 이내 및 24시간 이내 사망률 예측 성능을 평가하고 ICISS-24H에 대해 이 분석을 반복합니다.

확인

검증 샘플에서 ICISS-30D 및 ICISS-24H를 계산하기 위해 유도 샘플에서 도출한 SRR-30D 및 SRR-24H를 사용합니다. 그런 다음 ICISS-30D의 30일 및 24시간 이내 사망률 예측 성능과 ICISS-24H의 30일 및 24시간 이내 사망률 예측 성능을 평가합니다. 마지막으로 유효성 검사 샘플의 각 모델 성능을 파생 샘플의 동일한 모델 성능과 비교합니다.

민감도 분석

네 가지 민감도 분석을 수행합니다. 첫 번째 민감도 분석에서는 공변량에 누락된 값이 있지만 완전한 결과 데이터가 있는 관찰을 포함합니다. 두 번째 민감도 분석에서는 보고된 손상이 없는 관찰을 제외합니다. 세 번째 민감도 분석에서는 해당 ICD-10 코드가 데이터 세트에서 얼마나 자주 발생하는지에 관계없이 사용 가능한 모든 SRR을 기반으로 ICISS를 계산합니다. 마지막으로 고유한 ICD-10 코드만을 기반으로 각 환자의 ICISS를 계산합니다. 즉, 각 ICD-10 코드는 동일한 환자에서 두 번 이상 발생하더라도 ICISS에 하나의 SRR만 기여할 수 있습니다.

1. 1990-2013년 240가지 사망 원인에 대한 전 세계, 지역 및 국가 연령-성별 모든 원인 및 원인별 사망률: 2013년 세계 질병 부담 연구에 대한 체계적인 분석. 랜싯 [인터넷]. 2014년 12월 17일 [2014년 12월 19일 인용];385(9963):117-71. 이용 가능: http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=4340604&tool=pmcentrez&rendertype=abstract
2. Chandran A, Hyder AA, Peek-Asa C. 의도하지 않은 부상의 전 세계적인 부담과 발전을 위한 의제. Epidemiol Rev [인터넷]. 2010년 1월 [2015년 12월 6일 인용];32:110-20. 이용 가능: http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=2912603&tool=pmcentrez&rendertype=abstract
3. Mock C, Joshipura M, Arreola-Risa C, Quansah R. 전 세계적으로 트라우마 치료 개선을 통해 구할 수 있는 생명의 수 추정치. 세계 J Surg. 2012;36(5):959-63.
4. 조시푸라 MK. 인도의 외상 치료: 현재 시나리오. 월드제이서그[인터넷]. 2008년 8월[2016년 1월 19일 인용];32(8):1613-7. 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/18553048
5. Rutledge R. 부상에 대한 의사 결정에서 외상 레지스트리 및 외상 데이터 소스의 목표, 개발 및 사용. Surg Clin North Am [인터넷]. 1995년 4월 [2016년 2월 22일 인용];75(2):305-26. 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/7900000
6. Newgard CD, Fildes JJ, Wu L, Hemmila MR, Burd RS, Neal M 등. American College of Surgeons Trauma Quality Improvement Program의 방법론 및 분석 근거. J Am Coll Surg[인터넷]. 2013년 1월 [2016년 2월 22일 인용];216(1):147-57. 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/23062519
7. 크룸홀츠 HM. 수학적 모델 및 심장학의 성능 평가. 유통[인터넷]. 1999년 4월 27일 [2016년 2월 22일 인용];99(16):2067-9. 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/10217642
8. 베이커 SP, 오닐 B, Haddon W, 롱 WB. 부상 심각도 점수: 여러 부상을 입은 환자를 설명하고 응급 치료를 평가하는 방법. J 트라우마[인터넷]. 1974년 3월 [2015년 4월 16일 인용];14(3):187-96. 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/4814394
9. Rutledge R, Osler T, Emery S, Kromhout-Schiro S. ISS(Injury Severity Score) 및 TRISS(Trauma and Injury Severity Score)의 끝: ICISS, 국제 질병 분류, 9차 개정 기반 예측 도구, 외상 환자 생존의 예측 인자로서 ISS와 TRISS 모두를 능가합니다. J 트라우마[인터넷]. 1998년 1월 [2016년 2월 15일 인용];44(1):41-9. 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/9464748
10. Glance LG, Osler T. 주요 외상 결과 연구를 넘어: 국가 현대 인구 기반 외상 레지스트리를 사용한 성능 벤치마킹. J 트라우마[인터넷]. 2001년 10월 [2016년 2월 22일 인용];51(4):725-7. 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/11586166
11. Meredith JW, Evans G, Kilgo PD, MacKenzie E, Osler T, McGwin G 등. 사망률을 예측하는 9가지 채점 알고리즘의 능력 비교. J 트라우마[인터넷]. 2002년 10월 [2016년 2월 22일 인용];53(4):621-8; 토론 628-9. 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/12394857
12. Gagné M, Moore L, Beaudoin C, Batomen Kuimi BL, Sirois M-J. 병원 내 사망률을 예측하는 데 사용되는 ICD 기반 부상 심각도 측정의 성능: 체계적 검토 및 메타 분석. J Trauma Acute Care Surg [인터넷]. 2015년 12월 26일[2016년 2월 4일 인용]; 이용 가능: http://www.ncbi.nlm.nih.gov/pubmed/26713976