중환자실 욕창에 대한 1일 유병률 연구 (DecubICUs)

목표는 ICU에서 욕창의 범위와 패턴에 대한 최신 국제 "글로벌" 그림을 제공하는 것입니다. 이에 따라 계획은 1일 간의 전향적 다기관 점 유병률 연구를 수행하는 것입니다. 프로젝트의 규모가 크기 때문에 철저한 역학 분석이 가능해야 합니다. 보다 정확하게 연구를 통해 다음을 식별할 수 있습니다.

• 욕창 발생의 주요 위험 요인;
• 별개의 ICU 인구 및 국가에서 사용되는 예방 조치;
• 욕창을 예방하기 위한 증거 기반 조치의 가용성 부족;
• 특정 지역 또는 국가에서 잘못된 욕창 예방;
• 위험 프로필에 대한 정확한 조정이 있거나 없는 욕창 발생률 및 취해진 예방 조치;
• 지역/국가 간 벤치마킹; 욕창과 관련된 임상적 결과(주요 기관 장애 및 사망);
• 욕창(중환자실 입원 기간)과 관련된 경제적 결과 및 이러한 결과를 적용/이용 가능한 예방 조치에 관한 현지 관행과 연결합니다.
• 욕창의 유병률과 결과의 국가 및 지역적 차이.

욕창 단계는 National Pressure Ulcer Advisory Panel과 European Pressure Ulcer Advisory Panel이 공동으로 개발한 분류 시스템에 따라 등급이 매겨집니다.

기록할 데이터에는 환자 인구 통계, 기저 질환 및 급성 질환의 중증도에 대한 데이터, 장기 부전, 욕창, 욕창의 주요 위험 요인 및 욕창 예방 조치가 포함됩니다.

통계 계획

전력 계산. 연구 코호트에서 유병률이 10%에 불과하고(예: BMI<20인 환자) 결과 차이가 5%에 불과해 통계적으로 유의한(욕창 발생률 15% 대 20%) 위험 인자의 경우, 5255명의 환자의 표본 크기가 필요합니다(지표 위험 인자가 있는 환자 478명 및 없는 환자 4777명)(알파=0.05; 베타>0.80).

데이터 정리 및 데이터 누락. 예외적인 값은 분포도를 통해 추적됩니다. 불확실한 경우 개별 조사관에게 연락을 드립니다. 누락된 데이터는 대치(1, 2)로 처리됩니다. 완전성, 일관성, 정확성 및 고유성에 대한 확인과 같은 데이터 품질 확인이 수행됩니다.

설명. 연구가 끝날 때 단일 최종 분석이 계획됩니다. 중간 분석은 계획되어 있지 않습니다. 사회-인구학적 연구 코호트 특성은 범주형 변수에 대한 비율로, 연속 변수에 대해 정규 분포인 경우 평균 및 표준 편차로, 또는 정규 분포가 아닌 경우 중앙값 및 사분위수 범위로 설명됩니다(정규성에 대한 Kolmogorov-Smirnov 테스트에 따름).

욕창이 있는 환자의 비율(백분율, % 및 95% 신뢰 구간)은 전체적으로 보고되며 지리적 지역(대륙), 세계 은행에서 정의한 소득에 따른 국가 분류(상위, 중상, 중하위 및 저소득 국가), 의료에 지출된 국내 총생산의 비율(세계 보건 기구에서 획득), UN 개발 프로그램의 교육 및 보건 인간 개발 보고서에 따름. 결과적으로 유병률의 잠재적인 차이는 예방 조치의 차이를 대규모로 평가할 수 있는 기회를 제공할 수 있습니다.

모델링. 욕창의 존재와의 관계에 대해 평가될 공변량은 ICU의 다양한 조직적 측면을 포함합니다(예: 간호사 대 환자 비율), 욕창 예방 조치(예: 사용된 매트리스 유형) 및 환자별 특성(예: 나이, 기저질환, 급성질환의 중증도, 체질량지수, 중환자실 재원기간 등). 공변량은 조정되지 않은(일변량) 분석에서 통계적 수준 <0.25에서 욕창과 연관이 있거나 임상적 관련성 때문에 조정된 분석에 대해 고려됩니다. 회귀 모델에서 용어를 제거하기 위해 단계별 접근 방식이 사용됩니다. p<0.15 또는 p<0.10은 모델에서 공변량을 유지하기 위한 한계로 설정됩니다.

이진 결과 변수와의 관계(예: 욕창, 사망률)은 조정되지 않은 통계 테스트 및 다변량 로지스틱 회귀를 통해 평가됩니다. 회귀 모델에서 추가 성향 점수 수정 값이 평가됩니다. 욕창 단계와의 독립적인 관계를 평가하기 위해 다항 로지스틱 회귀 분석을 수행합니다. 마찬가지로 선형 혼합 효과 모델링을 사용하여 연속 결과 변수(예: ICU 체류 기간 및 입원 기간). 로지스틱 회귀 결과는 95% 신뢰 구간의 조정된 승산비로 보고됩니다.

별개의 ICU 집단(예: 외상, 수술 또는 내과 환자)에 대한 욕창 예측 모델을 개발하기 위해 모델은 기계 학습 기술(예: 랜덤 포레스트, 그래디언트 부스팅 머신). 이 과정에서 최적의 정확도를 얻기 위해 다양한 기술이 적용됩니다. 예측 변수와 변수 간의 상관 관계에 대한 통찰력을 얻기 위해 위의 상태와 같이 회귀 기술이 적용됩니다.

모델 검증을 위해 연구 코호트는 훈련, 테스트 및 검증 세트로 분할됩니다. 따라서 이것은 결과에 대한 공정한 해석을 제공합니다. 또는 오버피팅을 방지하기 위해 10배 교차 검증을 적용할 수 있습니다.

로지스틱 회귀 모델(3, 4)에서 고정된 중심 효과를 기반으로 직간접적으로 표준화된 위험을 제공하여 욕창에 기반한 개별 센터에 대한 벤치마킹을 수행합니다. 이진 품질 결과(즉, decubitus) 및 센터 코드와 함께, 이 모델에는 차등 사례 혼합을 조정하기 위해 환자별 기준선 공변량도 포함됩니다. Firth 보정은 로지스틱 회귀 모델에 적용되어 매우 작은 중심이 있는 경우 수렴을 유지합니다(5).

통계 분석은 SPSS와 R을 사용하여 수행됩니다. 수석 조사관(SB)은 모든 통계 분석을 담당합니다. 고급 통계 방법은 Mieke Deschepper(Ghent University Hospital의 전략 정책 셀)가 실행합니다.