리버풀-심장 및 두뇌 프로젝트 뇌졸중 코호트 (L-HARP)

연구 목적과 디자인.

이전에 뇌졸중이 있었던 사람은 심부전, 심방 세동(AF), 재발성 뇌졸중 및 혈관 인지 장애 및 치매를 포함하여 사고로 인한 불리한 심혈관 결과의 위험이 높습니다. 그러나 뇌졸중 후 인구에 특정한 이러한 결과에 대한 근본적인 위험 요소를 명확히 할 필요가 있습니다. 위험 예측 모델 개발을 통해 심혈관 질환의 위험이 높은 개인을 식별하기 위해 광범위한 연구가 수행되었습니다. 이로 인해 환자 중심 치료 및 의사 결정을 개선하기 위해 심혈관 질환 위험 모델을 임상 진료 지침에 통합하게 되었습니다. 이러한 모델에 자주 포함되는 위험 요인에는 연령, 남성 성별, 고혈압, 콜레스테롤, 흡연 및 진성 당뇨병이 포함됩니다. 일부 위험 예측 모델이 뇌졸중 후 사람들의 AF와 같은 심혈관 결과를 조사했지만 이러한 모델을 개선하고 임상 실습에 대한 권장 사항을 만들기 위해서는 추가 연구가 필요합니다. 뇌졸중 후 사람들의 심혈관 질환 및 심혈관 관련 합병증에 대한 정확한 위험 예측 모델을 식별하는 것은 상태(예: AF)에 대한 선별 검사를 목표로 하고 이 인구에 특정한 표적 개입 전략을 개발하는 데 필요합니다.

품질 보증 계획

고유하고 식별할 수 없는 참가자 ID를 사용하는 의사 익명 데이터는 Research Electronic Data Capture(REDCap; https://www.project-redcap.org)를 사용하여 전자 사례 보고서 형식으로 수집됩니다. 각 사이트에서 모집된 처음 20명의 환자에 대해 REDCap에 입력된 데이터는 완전성을 위해 원격으로 확인됩니다. REDCap에 입력된 데이터는 선택된 사이트에서 전자 의료 기록 및 종이 설문지와 비교하여 확인됩니다.

데이터 확인

REDCap의 데이터 필드는 범위 또는 일관성에 대한 사전 정의된 규칙으로 설정되었으며 이러한 규칙을 위반하면 오류 메시지가 표시됩니다.

샘플 크기 평가

연구의 주요 목표 중 하나는 AF에 대한 뇌졸중 후 위험 예측 모델을 조사하는 것이므로 샘플 크기를 결정하는 데 사용될 것입니다. AF의 뇌졸중 후 유병률은 약 24%로 추정되었습니다. 24%를 기준으로 모델의 변수당 필요한 15개의 사례를 보수적으로 추정하면 이전 AF 예측 모델에 포함된 최대 변수 수인 13개 변수 모델에 195개의 사례가 적합합니다. 따라서 815명의 참가자는 모델에 필요한 AF가 발생하는 약 195명의 환자를 제공합니다. 이 연구는 이러한 참가자를 모집하고 후속 조치에 대한 잠재적 손실을 설명하기 위해 추가로 20%를 모집하여 최소 978명의 참가자를 만드는 것을 목표로 합니다.

통계 분석 계획

수집된 모든 데이터는 정량적입니다. 리버풀 심혈관 과학 센터의 연구팀 구성원이 데이터를 분석할 것입니다. 잠재적 교란 요인에 대해 조정된 Cox 비례 위험 모델은 위험 요인과 심혈관 결과 및 사망률 사이의 연관성을 조사하는 데 사용됩니다. L-HARP 뇌졸중 코호트에서는 심방세동 및 심혈관 질환, 신체 기능, 인지 장애 및 치매, 삶의 질, 모든 원인 및 심혈관 사망률을 포함한 심혈관 관련 결과에 대한 이전 연구에서 확인된 위험 모델을 조사할 예정입니다. 수신기 작동 특성 곡선이 구성되고 Harrell C 지수(즉, 곡선 아래 면적)은 모델 성능의 척도로 추정되고 DeLong 테스트를 사용하여 비교됩니다.

위험 예측 모델링에 대한 전통적인 역학 접근법 외에도 기계 학습 방법론도 검토됩니다. 기계 학습은 기존의 심혈관 질환 위험 예측 점수와 비슷한 결과를 생성하는 것으로 나타났지만 편향되지 않은 접근 방식으로 모든 사용 가능한 데이터를 검사하여 데이터 간의 새로운 관계를 발견할 수 있다는 장점이 있습니다. 표본이 많지 않기 때문에 일반적으로 초대형 데이터셋에 적용되는 딥러닝 기법보다는 k-Nearest Neighbours, 랜덤포레스트, 의사결정트리 등 기존 머신러닝 기법을 활용할 예정이다. 데이터의 하위 집합은 모델 교육에 사용되고 나머지 데이터는 모델 평가에 사용됩니다. 기계 학습에서 파생된 모델은 이전 연구에서 설명한 위험 예측 모델과 비교됩니다. 모델의 정확도, 특이성, 민감도, 양성 예측값 및 음성 예측값을 비교합니다.