임상적 악화 조기 경보 시스템 점수 (CDEWS)

1단계. 예측 모델 도출 2017년 참여 센터에 입원한 환자의 데이터는 OBI 전자의무기록 및 검사실 데이터 관리 시스템에서 추출됩니다. 이 프로젝트에서 계약한 데이터 분석가는 건강 관리 부서 및 연구 부서의 임상 협력자와 함께 데이터를 정리하고 예측 모델의 생성 및 내부 검증을 담당합니다.

2단계: 전자 의료 기록의 구현: 모델과 위험 규모가 생성되면 참여 센터의 Osabide Global에서 경보 시스템으로 구현됩니다. 이를 위해 HGU의 UGS에서 행동 지침을 작성하고, 이를 검증한 후 다른 두 센터로 내보낼 것입니다. 시스템은 활력 징후와 관련된 RIC 요소를 기반으로 작동하며 프로세스를 통해 전문가를 안내하므로 의사는 위험을 계산하는 데 필요한 것으로 입증된 분석 데이터를 볼 수 있습니다. 환자에게 특정 실험실 테스트를 요청하지 않았으며 추출 권장 사항. 시스템에 모든 데이터가 포함되면 위험 척도, 경미함-보통-심각 위험 범주의 결과와 조치 권장 사항이 포함된 보고서가 포함된 경고가 화면에 나타납니다. 의사가 ViEWS 척도를 기반으로 한 권장 사항 지속적인 모니터링 시작 시 담당 간호사에게 알리고 담당 주치의가 15분 이내에 방문하여 ICU 의사에게 환자를 모니터링하고 조치를 취할 병동으로 이송하도록 알립니다. 부록 1에 나와 있다. 경보 시스템은 임상 협력자, GSU ​​및 데이터 분석가에 의해 HGU에 표시됩니다. 데이터 분석가는 공동 연구원과 함께 경보 시스템 생성을 담당하고 센터에서 발표되는 회의에 참여하며 이후 사용 및 준수에 대한 지속적인 조사를 수행합니다. 시스템 구현으로 인해 발생할 수 있는 의심과 문제를 수집하고 위험 규모 구현에 대한 책임도 집니다.

3단계: 예측 모델의 외부 검증. 임상 결과 비교: 예측 모델은 센터당 100건의 사건이 발생하면 검증될 것입니다(약 8000명의 환자가 입원하면). 이 기간 동안 시행 전후에 관찰된 임상적 악화를 비교하기 위해 시행 중과 시행 후에 데이터가 수집됩니다. 데이터 분석가는 나중에 해당 통계 분석을 수행할 수 있도록 정보를 추출하고 정렬하고 정리합니다.

통계적 분석

본 프로젝트의 데이터 처리 절차는 다음 단계에 따라 두 부분으로 나누어 설정됩니다.

A) 임상적 악화, 중환자실로의 이송, 심폐정지 또는 입원 중 사망에 대한 예측 모델의 개발 및 검증.

후향적 코호트의 3개 참여 센터의 환자로 구성된 모델 파생/내부 검증 코호트에 대한 설명 분석. 연구에 기록된 변수의 손실에 대한 정보가 수집됩니다. 제외된 환자에 대한 정보도 수집됩니다. 기록된 변수의 누락된 데이터에 대치 기술을 적용할 가능성이 평가됩니다.

2.- 예측 모델 생성을 위해 다음 사항을 따를 것입니다: a. 수집된 샘플은 두 개의 하위 샘플로 나누어져야 합니다: 파생 그룹 1: 전체 샘플은 주요 결과 변수인 임상 악화에 대한 예측 모델의 파생을 위해 60%로 나누어집니다. 예측 규칙 검증 그룹 2: 이 샘플(샘플의 40%)에서 모델이 검증됩니다. 또한 성별에 따라 분석이 수행됩니다. 비. 그룹 1에서는 임상적 악화에 대한 위험 요소뿐만 아니라 중환자실로의 이송, 심폐 정지 또는 입원 중 사망에 대한 위험 요소가 식별됩니다. 가능한 예측변수 중 어떤 것이 각 결과 매개변수와 관련되어 있는지 연구하기 위해 이변량 분석이 수행됩니다. p-값이 0.20 미만인 변수는 다수준 다변량 로지스틱 회귀 모델에 입력할 잠재적인 예측 변수로 식별됩니다. 통계적으로 유의미한 변수가 최종 척도로 선택됩니다. 이 모델의 변수 범주에는 해당 다변량 모델에서 얻은 매개변수 β와 관련하여 점수가 할당됩니다. 이러한 방식으로 총점과 ROC 곡선이 얻어집니다. 이 규모에서 X개의 위험 범주가 생성됩니다.

3.- 적합도 및 개발된 예측 모델의 비교. 2장에서 개발한 예측모델의 판별능력과 교정능력을 평가하기 위한 매개변수를 구한다. 한편, 이분형 종속변수의 경우 ROC 곡선하 면적(AUC, 판별능력)을 계산한다. 0.80보다 큰 값이 강력한 예측 모델이 됩니다. AUC 외에도 Hosmer-Lemeshow 테스트(p-값 ≥0.05에 대한 우수한 보정)를 통해 모델 보정이 추정됩니다.

4.- 예측 모델의 내부 검증 예측 모델의 검증은 검증 그룹 2에서 수행됩니다. 예측 모델과 척도는 파생 샘플(그룹 1)에서 얻은 예측 값을 사용하여 이 그룹에서 검증됩니다. . 민감도, 특이도 및 곡선 아래 면적은 파생 샘플에서 얻은 결과와 비교하여 얻습니다. 모델의 교정 능력은 Hosmer-Lemeshow 테스트로 평가하고 ROC 곡선으로 판별 능력을 평가합니다. 추가적인 내부 검증의 형태로 부트스트래핑 방식에 의한 검증이 수행됩니다.

5.-예측 모델의 외부 검증 회고적 코호트에서 개발된 모델의 외부 검증이 전향적 코호트에 적용될 것입니다. 선형 예측 변수(LP)는 원래 모델에서 얻은 회귀 계수를 고려하여 나머지 코호트에서 먼저 발견됩니다. 로지스틱 회귀 모델이 개발됩니다. 이러한 모델의 외부 검증을 위해 모델 적합성, 차별 및 보정이라는 세 가지 주요 절차가 고려됩니다. 먼저, 모델 적합성을 검증하기 위해 LP를 베타 회귀 계수를 추정하기 위한 공변량으로 고려하여 나머지 코호트에 대한 로지스틱 회귀 모델을 개발할 것입니다. 기울기의 베타 회귀 계수가 1이면 적합한 것으로 간주됩니다. 둘째, 모델의 차별성을 평가하기 위해 부트스트래핑 및 교차 검증 방법을 통해 AUC를 계산합니다. AUC 값 >0.80은 강력한 예측 모델로 간주됩니다. 세 번째로, 교정은 전체 교정, 교정 기울기(둘 다 교정 플롯에서 파생됨) 및 Hosmer-Lemeshow 테스트를 계산하여 평가됩니다.

B) 임상 장애에 대한 EWS 평가 6.- 결과 비교: 경보 시스템 시행 후 결과 비교를 위해 HGU 시행 전후 임상 악화를 겪는 환자의 비율을 비교합니다. 경보 시스템이 구현될 HGU에 나타나는 백분율과 이 평가 기간 동안 일반적인 관행을 계속할 HUD 및 HUA 사이의 비율입니다. 코호트 구성 시 편향이 발생할 가능성을 평가하기 위해 관찰 및 설명된 독립변수를 조건으로 하나(HGU 환자) 또는 다른 코호트(HUD+HUA)에 할당될 확률을 설명하는 성향 점수를 계산합니다. "노출 변수"섹션에서. 이 성향 점수는 노출과 함께 최종 모델의 복제에서 독립 변수로 입력되며 두 경우 모두에서 얻은 계수가 비교됩니다.