Risicomodellering voor kwaliteitsverbetering bij ernstig zieken: optimaal gebruik maken van routinematig beschikbare gegevens

Doel: Het verbeteren van risicomodellen die worden gebruikt ter ondersteuning van nationale klinische audits voor algemene kritieke zorg voor volwassenen, cardiothoracale kritieke zorg en hartstilstand in het ziekenhuis door middel van gegevenskoppeling met andere routinematig verzamelde gegevensbronnen.

Specifieke doelstellingen zijn:

1. Risicomodellen voor algemene kritieke zorg voor volwassenen verbeteren door: (1a) risicomodellen te ontwikkelen voor mortaliteit op vaste tijdstippen en tijd tot gebeurtenisuitkomsten (door gegevenskoppeling tussen het CMP en overlijdensregistraties van ONS); het ontwikkelen van risicomodellen voor chronische gezondheidsuitkomsten op langere termijn van (1b) diabetes (door gegevenskoppeling tussen de CMP en de National Diabetes Audit) en (1c) terminale nierziekte (door gegevenskoppeling tussen de CMP en de UK Renal Registry); en (1d) het ontwikkelen van risicomodellen voor het latere zorggebruik en kosten (door datakoppeling tussen het CMP en HES)
2. Het verbeteren van risicomodellen voor cardiothoracale kritieke zorg door: (2a) gegevens over risicofactoren te verbeteren (door gegevenskoppeling met de National Adult Cardiac Surgery Database); (2b) het ontwikkelen van risicomodellen voor sterfte op langere termijn (door datakoppeling tussen het CMP en overlijdensregistraties van ONS); en (2c) het ontwikkelen van risicomodellen voor het latere zorggebruik en de kosten (door datakoppeling tussen het CMP en HES)
3. .Het verbeteren van risicomodellen voor hartstilstand in het ziekenhuis door: (3a) gegevens over risicofactoren te verbeteren (door gegevenskoppeling tussen NCAA en HES); (3b) het ontwikkelen van risicomodellen voor sterfte op langere termijn, gebruik van gezondheidszorg en kosten (door gegevenskoppeling tussen NCAA en ONS); (3c) het ontwikkelen van risicomodellen voor later gebruik van kritieke zorg (door gegevenskoppeling tussen NCAA en CMP); en (3d) het ontwikkelen van risicomodellen voor het latere zorggebruik en de kosten (door datakoppeling tussen NCAA, ONS en HES)
4. Onmiddellijke vertaling van de verbeterde risicomodellen naar de praktijk door: (4a) opname in routinematige vergelijkende resultaatrapportage voor de nationale klinische audits; en (4b) communicatie van onderzoeksoutput aan aanbieders, managers, commissarissen, beleidsmakers en academici in kritieke zorg

Gegevensverzameling: het project maakt gebruik van hoogwaardige klinische gegevens die zijn verzameld voor het Case Mix Program (CMP) en de National Cardiac Arrest Audit (NCAA) - de nationale klinische audits voor volwassen kritieke zorg en hartstilstand in het ziekenhuis. Deze gegevens worden gekoppeld aan gegevens van de National Diabetes Audit, UK Renal Registry en National Adult Cardiac Surgery Audit, routinematige administratieve gegevens van Hospital Episode Statistics (HES) en overlijdensregistraties van het Office for National Statistics (ONS).

De gegevenskoppeling wordt uitgevoerd door de HSCIC Data Linkage and Extract Service (DLES), die optreedt als een vertrouwde derde partij. Identificatiegegevens (zonder bijbehorende klinische gegevens) zullen van elke nationale klinische audit worden geüpload naar beveiligde servers bij HSCIC. DLES voert de gegevenskoppeling uit en retourneert een gemeenschappelijke sleutel die kan worden gebruikt om alle records van dezelfde patiënt over de gegevenssets heen te koppelen. De drie nationale klinische audits buiten ICNARC zullen een overeengekomen, gepseudonimiseerde dataset extraheren voor gekoppelde records en DLES zal data extraheren uit HES en ONS en deze datasets zullen worden doorgegeven aan ICNARC. ICNARC zal gepseudonimiseerde data-extracten van de CMP en NCAA produceren en deze zullen met behulp van de gemeenschappelijke sleutel worden gekoppeld aan de datasets van de nationale klinische audits en DLES. Op deze manier worden alleen gepseudonimiseerde gegevens gekoppeld tussen de meerdere gegevensbronnen.

Gegevensanalyse: De volgende benaderingen voor modelontwikkeling zullen worden toegepast, afhankelijk van het resultaat en de doelstellingen van de analyse:

• Modellering van sterfte op vaste tijdstippen (30 dagen, 90 dagen, 1 jaar) met behulp van logistische regressie.
• Modellering van time-to-event-uitkomsten met behulp van standaard overlevingsregressiemethoden zoals Weibull- en Cox-regressie.
• Om interval-gecensureerde gegevens te verwerken: Cox-modellen met proportionele gevaren, complementaire log-log-modellen die gebruik maken van gedeeltelijke waarschijnlijkheidsschatting (om intervalcensurering mogelijk te maken) en discrete-time gevarenmodellen.
• Om rekening te houden met zowel intervalcensurering van de tijd tot aanvang als competitie met overlijden: Oorzaakspecifieke Cox-modellen voor proportionele risico's en ziekte-doodmodellen zullen worden overwogen.
• Voor Doelstelling 3, terugkeer van spontane circulatie (ROSC) gedurende meer dan 20 minuten en overleving tot ontslag uit het ziekenhuis, wordt logistische regressie op meerdere niveaus met willekeurige ziekenhuiseffecten toegepast.
• Voor het modelleren van het gebruik van ziekenhuismiddelen en de kosten van postkritieke zorg: regressiemodel op meerdere niveaus en log lineair regressiemodel.

Risicovoorspellingsmodellen zullen worden gevalideerd op hun discriminatie, kalibratie en algehele fit met behulp van een reeks maatregelen, waaronder: c index; percelen van waargenomen tegen voorspeld risico; Hosmer-Leme laat de statistiek van de goedheid van de fit zien; Cox's kalibratieregressie; Shapiro's R, Brier's score en bijbehorende geschatte R2-metingen; en herindeling.