EFI+(Electronic Frailty Index+) 개발 및 평가

평가 중인 의료 기술

eFI+는 원래 eFI의 구성 요소를 사용하여 개발될 예정이며 추가 일상적인 일차 진료 EHR 데이터 및 일상적인 일차 진료 실습에서 간단한 임상 조치를 구현하는 추가 이점에 대한 지침이 추가됩니다. eFI+는 시스템 공급업체(SystmOne/EMISWeb/Vision/Microtest)와의 기존 긴밀한 연결을 기반으로 영국 일차 진료 EHR 시스템의 신속한 구현에 적합합니다.

조사관은 SAIL(Secure Anonymised Information Linkage) 데이터뱅크, ResearchOne 데이터베이스 및 LDM(Leeds Data Model)을 사용하여 eFI+를 개발한 다음 내부 및 외부에서 검증합니다.

또한 조사관은 eFI 점수를 포함하는 유일한 국가 코호트 연구인 Community Aging Research 75+(CARE75+) 코호트 연구 데이터(CI Clegg, n≈1,200)를 분석하여 1차 진료에서 얼마나 간단한 측정을 평가할 수 있는지 조사할 예정입니다. 그러나 일상적인 EHR 데이터(예: 보행 속도, 시간 제한 테스트; 일상생활 활동; 외로움) 예측을 향상시킬 수 있습니다.

연구 설계

예후 모델 개발, 일상적인 1차 진료 연구 데이터(ResearchOne), 연결된 데이터 세트(SAIL 데이터뱅크 및 LDM) 및 코호트 연구 데이터(CARE75+)를 사용하여 건강 경제 분석을 포함한 통합 결정 분석 모델링과 함께 내부 검증 및 외부 검증.

데이터베이스

1. SAIL(Secure Anonymised Information Linkage) 데이터뱅크

   1차 진료, 응급실 출석, 병원 입원, 외래 환자 데이터, 사회 복지, Welsh Care Homes Dataset 및 ONS 사망 데이터와 연결된 웨일즈의 약 500만 명의 익명 기록. SAIL에는 eFI 요약 점수와 개별 구성 요소가 포함됩니다.

2. 리서치원

   TPP SystmOne 임상 시스템에 있는 약 600만 건의 영국 1차 의료 전자 건강 기록의 전국 대표 비식별 데이터. ResearchOne에는 eFI 요약 점수와 개별 구성 요소가 포함됩니다.

3. 리즈 데이터 모델(LDM)

   eFI 요약 점수 및 개별 구성 요소를 포함하여 Leeds의 108개 진료에 걸쳐 810,000명의 환자로부터 익명으로 연결된 1차, 2차, 지역 사회 및 사회 의료 데이터.

4. Community Aging Research 75+(CARE75+) 코호트

상세한 사회인구학적 정보, 노쇠 측정(eFI 점수 포함), 1차 진료에 사용하기에 적합한 간단한 도구(예: 보행 속도, 시간 제한 테스트; 일상생활 활동; 비공식적 돌봄; 외로움), 6개월, 12개월, 24개월 및 48개월의 주요 결과. CARE75+는 간단한 기기가 eFI 성능을 어떻게 향상시킬 수 있는지 조사하는 매우 효율적인 방법을 제공하는 매우 풍부한 데이터 세트입니다.

적격 인구

중등도 노쇠(eFI 점수 0.24~0.36) 또는 중증 노쇠(eFI 점수 >0.36)가 있고 2018년 4월 1일에 ResearchOne, SAIL 또는 LDM 진료에 등록된 65세 이상의 환자.

중등도 노쇠(eFI 점수 0.24~0.36) 또는 중증 노쇠(eFI 점수 >0.36)가 있는 모든 CARE75+ 참가자는 자격이 있습니다.

위험 예측 결과(전체 12개월)

• 신규 또는 증가된 홈 케어 패키지
• 넘어지거나 골절된 응급실 출석/입원
• 요양원 입학
• 모든 원인으로 인한 사망

예측 변수

일상적인 1차 진료 EHR 데이터 및 1차 진료에서 사용하기에 실용적인 임상 평가 측정 내에서 사용할 수 있는 변수로 보완된 eFI의 구성 요소.

예후 모델

각 예후 모델은 데이터베이스 중 하나에서만 개발되고 내부적으로 검증된 다음 두 번째 데이터베이스에서 외부적으로 검증됩니다.

예후 모델 개발을 위한 샘플 크기

SAIL 및 ResearchOne 추출물에는 각각 약 600,000명의 65세 이상의 환자가 포함되며, 약 72,000명은 중등도 노쇠, 24,000명은 중증 노쇠를 보입니다. LDM 추출물에는 약 150,000명의 65세 이상 환자가 포함되며 약 18,000명은 중등도 노쇠, 6,000명은 중증 노쇠가 있습니다.

모델 개발의 경우 효과적인 샘플 크기의 핵심 지표는 결과 이벤트의 수입니다. 관심 결과에 대한 이전 연구와 CARE75+, ResearchOne 및 SAIL을 사용한 타당성 추정치는 12개월 이내에 예상되는 이벤트 수에 대한 추정치를 알려줍니다.

• 신규 또는 증가된 홈 케어 패키지: 중등도 허약 그룹의 12개월 발생률 14.9%(10,080건) 및 중증 노쇠 그룹의 12개월 발생률 24.1%(5,784건)를 기준으로 SAIL에서 예상되는 15,864건의 사건.
• 낙상 또는 골절을 동반한 응급실 출석/입원: SAIL에서 예상되는 8,064건의 사건은 중등도 허약 그룹의 12개월 발생률 7.4%(5,328건) 및 중증 허약 그룹의 발생률 11.4%(2,736건)를 기준으로 합니다.
• 요양원 입원: 중등도 노쇠 그룹의 12개월 발생률 2.0%(1,440건) 및 중증 노쇠 그룹의 12개월 발생률 3.8%(720건)를 기반으로 ResearchOne에서 예상되는 2,160건의 사건.
• 모든 원인으로 인한 사망: 중등도 노쇠 그룹의 10.6% 12개월 발생률(7,632건)과 12개월 발생 중증 노쇠 그룹의 19.1%(4,584건)를 기반으로 ResearchOne에서 예상되는 12,216건의 사건.

따라서 12개월(요양원 입원의 경우)까지 사건 사건의 최저 추정치를 취하더라도 조사관은 각 결과에 대해 ResearchOne 또는 SAIL 각각에서 최소 2,160건의 사건을 예상할 것입니다. 이를 통해 잠재적 예측 매개변수(2160/20)당 20개의 이벤트에 해당하는 최대 108개의 예측 매개변수가 있는 경우에도 각 결과에 대한 예후 모델을 견고하게 추정할 수 있습니다. 이는 예측 변수당 10개 또는 15개의 이벤트에 대한 '어림칙' 권장 사항을 초과합니다.

또한 새 모델의 Nagelkerke R-제곱이 15%라고 보수적으로 가정하면 Riley의 샘플 크기 공식은 각 예측 변수에 대해 최소 7.5개의 이벤트가 결과 비율이 3%일 때 과적합 및 낙관주의가 최소화되도록 보장할 것이라고 제안합니다. 결과 비율을 20%(홈 케어 패키지), 9%(낙상/골절) 또는 15%(사망)로 증가시킬 때 필요한 최소 샘플 크기는 각각 예측 변수당 18, 11.5 및 15개의 이벤트입니다. 사용 가능한 대규모 데이터 세트로 인해 조사자는 이 모든 것을 능가합니다.

외부 검증을 위한 샘플 크기

현재 권장 사항은 최소 100개의 이벤트와 100개의 비 이벤트(이상적으로는 200개)가 예후 모델 외부 검증에 필요하다는 것입니다. 우리의 추정치는 SAIL 및 ResearchOne에서 요양원 입원의 가장 덜 일반적인 결과에 대한 2160개의 이벤트와 LDM(모델의 외부 검증에만 사용됨)에서 540개 이벤트와 같이 이보다 훨씬 더 많은 것을 나타냅니다.

누락된 데이터

연습 클러스터링을 설명하는 대치 모델의 결과를 포함하여 누락된 무작위 가정 하에서 다중 대치 및 Rubin의 규칙을 사용하여 처리됩니다.

분석 계획

i) 예후 모델링

조사관은 개발 데이터 세트 내에서 4개의 개별 예후 모델을 구축하여 출발점으로 중등도 또는 중증 노쇠가 있는 개인의 4가지 주요 명시된 결과의 위험을 예측합니다.

각 결과에 대해 중등도 노쇠(eFI 점수 0.24 ~ 0.36) 또는 중증 노쇠(eFI 점수 >0.36)가 있는 사람에 대해 조사관은 eFI(현재 상태로 전체적으로)만 포함하고 다음을 포함하는 예후 모델을 개발하고 내부적으로 검증합니다. 추가 정기 1차 진료 EHR 데이터와 함께 eFI의 구성 요소(예측 변수로 포함됨). 회귀 모델은 12개월까지 결과 위험을 생성하기 위해 바이너리 또는 사건 발생 시간 결과(조사관이 데이터베이스 코딩 및 검열 등을 관찰할 때 적절하게)에 대한 로지스틱 회귀 또는 유연한 매개변수 생존이 될 것입니다.

표본 크기가 크기 때문에 과대적합은 작을 것으로 예상되지만 조사관은 부트스트래핑을 통해 추정된 글로벌 축소 요인을 통해 벌점을 사용하여 이를 조정할 것입니다. 절약을 위해 변수 선택이 중요하다고 생각되는 경우, 조사관은 탄성망을 통한 페널티를 사용합니다. 내부 검증에서는 전체 개발 데이터 세트의 부트스트래핑과 보정을 위해 생성된 예측 성능의 낙관론 조정 추정치를 사용합니다(예: 대규모 교정, 교정 기울기, 관찰/예상), 식별(예: C-statistic) 및 전체(예: Nagelkerke R2) 예측된 위험의 성능. 연속 변수는 분류되지 않으며 스플라인 또는 분수 다항식을 사용하여 잠재적인 비선형 효과를 조사합니다. 예측 변수에 대한 비비례적 위험도 시간에 따른 상호 작용 용어로 조사됩니다.

모든 모델은 다른 데이터베이스에서 외부적으로 검증됩니다. 예측 성능 통계는 위에서 설명한 대로 파생됩니다(예: C-통계량, 보정 기울기), 황토 비매개변수 스무더를 사용하여 예측된 위험의 스펙트럼에 걸쳐 관찰된 위험과 예측된 위험 사이의 일치를 보여주는 보정 도표와 함께.

이와는 별도로 조사관은 CARE75+ 데이터 세트를 사용하여 일상적인 1차 진료에 실용적인 검토에서 식별된 예후 인자의 임상 평가 측정의 추가 예측력을 조사합니다.

ii) 결정 모델링

예후 모델은 예측된 위험의 관련 임계값을 식별하여 임상 의사 결정을 안내하는 프레임워크로 변환되며, 그 이상에서는 명시된 개입의 구현이 보증됩니다. 이를 통해 외부 유효성 검사 데이터 세트의 결정 곡선과 순 이익을 사용하여 검사할 의사 결정 분석 모델(DAM)을 생성할 수 있습니다.

iii) 건강 경제성 평가

건강경제성 평가는 2단계로 진행된다. 첫 번째 단계의 목적은 DAM에서 식별한 시나리오의 비용 효율성에 대한 단기 12개월 비교를 제공하는 것입니다. 두 번째 단계에서 조사관은 분석을 이러한 시나리오의 장기 비용 효율성 평가로 확장할 것입니다.