Ontwikkeling en evaluatie van de Electronic Frailty Index+ (eFI+)

Gezondheidstechnologieën worden beoordeeld

De eFI+ zal worden ontwikkeld met behulp van componenten van de oorspronkelijke eFI, aangevuld met aanvullende routinematige EPD-gegevens in de eerstelijnszorg en begeleiding bij de extra voordelen van het implementeren van eenvoudige klinische maatregelen in de routinematige eerstelijnszorgpraktijk. De eFI+ zal geschikt zijn voor snelle implementatie in EPD-systemen in de eerstelijnszorg in het VK, voortbouwend op bestaande nauwe banden met systeemleveranciers (SystmOne/EMISWeb/Vision/Microtest).

De onderzoekers zullen de eFI+ ontwikkelen en vervolgens intern en extern valideren met behulp van de Secure Anonymised Information Linkage (SAIL) databank, de ResearchOne-database en het Leeds Data Model (LDM).

Daarnaast zullen de onderzoekers de gegevens van het Community Aging Research 75+ (CARE75+) cohortonderzoek (CI Clegg, n≈1.200) analyseren als het enige nationale cohortonderzoek waarin eFI-scores zijn opgenomen, om te onderzoeken hoe eenvoudige maatregelen die kunnen worden beoordeeld in de eerstelijnszorg, maar zijn niet beschikbaar in routine EPD-gegevens (bijv. loopsnelheid, getimede up-and-go-test; activiteiten van het dagelijks leven; eenzaamheid) kan de voorspelling verbeteren.

Studie ontwerp

Ontwikkeling van prognostische modellen, interne validatie en externe validatie met behulp van routinematige eerstelijnsonderzoeksgegevens (ResearchOne), gekoppelde datasets (SAIL-databank en LDM) en cohortonderzoeksgegevens (CARE75+), met geïntegreerde Decision Analytic Modelling, inclusief gezondheidseconomische analyse.

Databanken

1. Veilige Geanonimiseerde Informatie Linkage (SAIL) databank

   Geanonimiseerde dossiers van ongeveer 5 miljoen mensen in Wales, met gekoppelde eerstelijnszorg, SEH-bezoek, ziekenhuisopnames, ambulante gegevens, sociale zorg, Welsh Care Homes Dataset en ONS-mortaliteitsgegevens. SAIL omvat eFI-samenvattingsscores en individuele componenten.

2. OnderzoekEen

   Nationaal representatieve, geanonimiseerde gegevens van ongeveer 6 miljoen Britse eerstelijnszorg elektronische medische dossiers op het TPP SystmOne klinische systeem. ResearchOne bevat eFI-samenvattingsscores en individuele componenten.

3. Leeds-gegevensmodel (LDM)

   Geanonimiseerde, gekoppelde primaire, secundaire, gemeenschaps- en sociale zorggegevens van 810.000 patiënten in 108 praktijken in Leeds, inclusief eFI-samenvattingsscores en individuele componenten.

4. Community Ageing Research 75+ (CARE75+) cohort

Nationale prospectieve cohortstudie (n≈1.200) waarbij gedetailleerde sociodemografische informatie, kwetsbaarheidsmetingen (inclusief eFI-scores), eenvoudige instrumenten die geschikt zijn voor gebruik in de eerste lijn (bijv. loopsnelheid, getimede up-and-go-test; activiteiten van het dagelijks leven; informele zorg; eenzaamheid) en de belangrijkste uitkomsten na zes, 12, 24 en 48 maanden. CARE75+ is een zeer rijke dataset die een zeer efficiënte methode biedt om te onderzoeken hoe eenvoudige instrumenten de eFI-prestaties kunnen verbeteren.

In aanmerking komende bevolking

Patiënten ≥65 jaar met matige kwetsbaarheid (eFI-score 0,24 tot 0,36) of ernstige kwetsbaarheid (eFI-score >0,36) en geregistreerd bij een ResearchOne-, SAIL- of LDM-praktijk op 1 april 2018.

Alle CARE75+ deelnemers met matige kwetsbaarheid (eFI-score 0,24 tot 0,36) of ernstige kwetsbaarheid (eFI-score >0,36) komen in aanmerking.

Uitkomsten voor risicovoorspelling (alle 12 maanden)

• Nieuw of uitgebreid thuiszorgpakket
• SEH-bezoek/hospitalisatie met val of breuk
• Opname verpleeghuis
• Sterfte door alle oorzaken

Voorspellers

Componenten van de eFI, aangevuld met variabelen die beschikbaar zijn in de routinematige EPD-gegevens van de eerstelijnszorg en klinische beoordelingsmaatregelen die praktisch zijn voor gebruik in de eerstelijnszorg.

Prognostische modellen

Elk prognostisch model wordt ontwikkeld en intern gevalideerd in slechts één van de databases, en vervolgens extern gevalideerd in een tweede database

Steekproefomvang voor prognostische modelontwikkeling

SAIL- en ResearchOne-extracten zullen elk ongeveer 600.000 patiënten van 65 jaar of ouder bevatten, met naar schatting 72.000 met matige kwetsbaarheid en 24.000 met ernstige kwetsbaarheid. LDM-extract zal ≈150.000 patiënten van 65 jaar of ouder omvatten, met naar schatting 18.000 met matige kwetsbaarheid en 6.000 met ernstige kwetsbaarheid.

Voor modelontwikkeling is een belangrijke indicator van de effectieve steekproefomvang het aantal uitkomstgebeurtenissen. Eerder onderzoek naar de uitkomsten van interesse en haalbaarheidsschattingen met behulp van CARE75+, ResearchOne en SAIL, geven schattingen voor het verwachte aantal evenementen binnen 12 maanden.

• Nieuw of uitgebreid thuiszorgpakket: verwachte 15.864 gebeurtenissen in SAIL, gebaseerd op 14,9% incidentie na 12 maanden in de groep met matige kwetsbaarheid (10.080 gebeurtenissen) en 24,1% incidentie na 12 maanden in de groep met ernstige kwetsbaarheid (5.784 gebeurtenissen).
• SEH-bezoek/hospitalisatie met val of breuk: verwachte 8.064 gebeurtenissen in SAIL, gebaseerd op 7,4% incidentie over 12 maanden in de groep met matige kwetsbaarheid (5.328 gebeurtenissen) en 11,4% incidentie in ernstige kwetsbaarheid (2.736 gebeurtenissen).
• Verpleeghuisopname: verwachte 2.160 gebeurtenissen in ResearchOne, gebaseerd op 2,0% incidentie na 12 maanden in de groep met matige kwetsbaarheid (1.440 gebeurtenissen) en 3,8% incidentie na 12 maanden in de groep met ernstige kwetsbaarheid (720 gebeurtenissen).
• Mortaliteit door alle oorzaken: verwachte 12.216 gebeurtenissen in ResearchOne, gebaseerd op 10,6% incidentie na 12 maanden in de groep met matige kwetsbaarheid (7.632 gebeurtenissen) en 19,1% incidentie na 12 maanden in de groep met ernstige kwetsbaarheid (4.584 gebeurtenissen).

Daarom zouden de onderzoekers, zelfs bij het nemen van de laagste schatting van incidentgebeurtenissen op 12 maanden (voor opname in een verpleeghuis), voor elke uitkomst ten minste 2.160 gebeurtenissen verwachten in zowel ResearchOne als SAIL. Dit stelt ons in staat om een ​​prognostisch model robuust te schatten voor elke uitkomst, zelfs met maximaal 108 voorspellende parameters, overeenkomend met 20 gebeurtenissen per potentiële voorspellende parameter (2160/20). Dit overschrijdt de 'vuistregel'-aanbevelingen van 10 of 15 gebeurtenissen per voorspellende parameter.

Bovendien, conservatief aannemend dat de nieuwe modellen een Nagelkerke R-kwadraat van 15% zullen hebben, suggereert Riley's steekproefgrootteformule dat ten minste 7,5 gebeurtenissen voor elke voorspellende parameter ervoor zorgen dat overfitting en optimisme worden geminimaliseerd, wanneer het uitkomstpercentage 3% is. Bij verhoging van het uitkomstpercentage tot 20% (thuiszorgpakket), 9% (vallen/breuk) of 15% (mortaliteit), is de minimale vereiste steekproefomvang respectievelijk 18, 11,5 en 15 gebeurtenissen per voorspellende parameter. De onderzoekers overtreffen al deze, vanwege de grote datasets die beschikbaar zijn.

Steekproefomvang voor externe validatie

De huidige aanbevelingen zijn dat ten minste 100 gebeurtenissen en 100 niet-gebeurtenissen (idealiter 200) vereist zijn voor externe validatie van het prognostische model. Onze schattingen geven aanzienlijk meer aan, zoals 2160 gebeurtenissen voor de minst voorkomende uitkomst van opname in een verpleeghuis in SAIL en ResearchOne, en 540 in LDM (die alleen zullen worden gebruikt voor externe validatie van modellen).

Ontbrekende gegevens

Behandeld met behulp van meervoudige imputatie en de regels van Rubin, onder een ontbrekende willekeurige aanname, inclusief resultaat in het imputatiemodel, rekening houdend met praktijkclustering.

Analyse plan

i) Prognostische modellering

De onderzoekers zullen 4 afzonderlijke prognostische modellen bouwen binnen de ontwikkelingsdatasets om het risico van onze 4 belangrijkste vermelde uitkomsten te voorspellen bij personen met matige of ernstige kwetsbaarheid als uitgangspunt.

Voor elke uitkomst zullen de onderzoekers voor degenen met matige kwetsbaarheid (eFI-score 0,24 tot 0,36) of ernstige kwetsbaarheid (eFI-score >0,36) een prognostisch model ontwikkelen en intern valideren dat alleen eFI bevat (als geheel zoals het er nu uitziet) en vervolgens componenten van eFI (opgenomen als voorspellers) samen met aanvullende routinematige eerstelijns EPD-gegevens. Het regressiemodel zal logistische regressie of flexibele parametrische overleving zijn, voor binaire of tijd-tot-gebeurtenis-uitkomsten (indien van toepassing wanneer de onderzoekers de databasecodering en censurering enz. observeren), om uitkomstrisico's met 12 maanden te produceren.

Vanwege de grote steekproefomvang zal overfitting naar verwachting klein zijn, maar de onderzoekers zullen hiervoor corrigeren door middel van bestraffing via een globale krimpfactor die wordt geschat via bootstrap. Waar variabele selectie belangrijk wordt geacht voor spaarzaamheid, zullen de onderzoekers liever straffen via een elastisch net. Bij interne validatie wordt gebruik gemaakt van bootstrapping van de volledige ontwikkelingsdataset en voor optimisme aangepaste schattingen van voorspellende prestaties die worden geproduceerd voor kalibratie (bijv. kalibratie-in-the-large, kalibratiehelling, Waargenomen/Verwacht), discriminatie (bijv. C-statistiek) en totaal (bijv. Nagelkerke R2) prestatie van voorspelde risico's. Continue variabelen worden niet gecategoriseerd en mogelijke niet-lineaire effecten worden onderzocht met behulp van splines of fractionele polynomen. Niet-proportionele risico's voor voorspellers zullen ook worden onderzocht met interactietermen met tijd.

Alle modellen worden extern gevalideerd in een andere database. Voorspellende prestatiestatistieken zullen worden afgeleid zoals hierboven beschreven (bijv. C-statistiek, kalibratiehelling), naast kalibratieplots die overeenstemming tonen tussen waargenomen en voorspelde risico's, over het hele spectrum van voorspelde risico's, met behulp van een losser die geen parameter is.

Afzonderlijk zullen de onderzoekers de CARE75+-dataset gebruiken om de aanvullende voorspellende kracht te onderzoeken van klinische beoordelingsmetingen van prognostische factoren die uit de beoordelingen zijn geïdentificeerd en die praktisch zijn voor gebruik in de routinematige eerstelijnszorg.

ii) Beslissingsmodellering

Prognostische modellen zullen worden vertaald in een raamwerk om klinische besluitvorming te begeleiden door relevante drempels van voorspeld risico te identificeren, waarboven implementatie van onze vermelde interventies gerechtvaardigd is. Dit zal ons in staat stellen een beslissingsanalytisch model (DAM) te genereren, dat zal worden onderzocht met behulp van beslissingscurven en netto voordeel in de externe validatiedatasets.

iii) Gezondheidseconomische evaluatie

De gezondheidseconomische evaluatie zal in twee fasen worden uitgevoerd. Het doel van de eerste fase is om op korte termijn, gedurende 12 maanden, een vergelijking te maken van de kosteneffectiviteit van de door de DAM geïdentificeerde scenario's. Voor de tweede fase zullen de onderzoekers onze analyse uitbreiden tot een langetermijnevaluatie van de kosteneffectiviteit van deze scenario's.