Optimalisatie van de toewijzing van middelen via voorspelling van resultaten voor Covid-19

Achtergrond.

Relatief eenvoudige klinische risicoscores op basis van gemakkelijk beschikbare klinische informatie kunnen een grote hulp zijn bij de triage van patiënten naar vroegtijdig ontslag of snellere en intensievere interventie. Een voorbeeld hiervan is bij bloedingen in het bovenste deel van het maagdarmkanaal waarbij meerdere van dergelijke scores (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) hebben een veilig vroegtijdig ontslag mogelijk gemaakt, waardoor de druk op ziekenhuizen wordt verlicht. De onderzoekers zijn van mening dat vergelijkbare resultaten mogelijk kunnen worden behaald met gegevens die routinematig in ons vertrouwen worden verzameld over patiënten met bewezen of vermoede Covid-19.

Doelstellingen

De onderzoekers willen de volgende vragen beantwoorden

1. Welk patroon van klinische geschiedenis en symptomen, observaties, bloed en andere onderzoeksmarkers voorspelt het beste dat een patiënt die verdacht wordt van Covid-19 of waarvan bewezen is dat hij het heeft, beademing nodig zal krijgen?
2. Welk patroon van klinische geschiedenis en symptomen, observaties, bloed en andere onderzoeksmarkers voorspelt het beste dat een patiënt die verdacht wordt van Covid-19 of waarvan bewezen is dat hij het heeft, zal overlijden tijdens zijn ziekte?
3. Welk patroon van klinische geschiedenis en symptomen, observaties, bloed en andere onderzoeksmarkers voorspelt het beste dat een patiënt die verdacht wordt van Covid-19 of waarvan bewezen is dat hij het heeft, volledig zal herstellen zonder aanvullende zuurstof nodig te hebben?

methoden

De onderzoekers stellen twee hoofdbenaderingen voor de eerste twee van de bovenstaande doelen voor.

Een standaardbenadering die basiskenmerken beoordeelt om een ​​slecht resultaat te voorspellen, vergelijkbaar met andere lopende onderzoeken zoals ISARIC en PRIEST, maar profiteert van een onbevooroordeelde steekproef van patiënten, aangezien er geen aanvullende monsters of gegevens hoeven te worden verzameld en daarom zijn de onderzoekers van mening dat dit ethisch aanvaardbaar zal zijn onder voorbehoud van de nodige aandacht voor vertrouwelijkheid om alle aanwezige patiënten te analyseren en niet alleen degenen die bereid en in staat zijn om toestemming te geven.

Een modelleringsbenadering op meerdere niveaus die gebruikmaakt van de rijke herhaalde dagelijkse laboratorium- en klinische metingen om het dagelijkse risico van een volgende verslechtering te voorspellen.

Deze tweede benadering vormt een aanvulling op andere lopende onderzoeken zoals ISARIC en PRIEST, aangezien het alleen haalbaar is binnen een enkele instelling zoals NUH, aangezien het gedetailleerde longitudinaal gekoppelde elektronische gezondheidsgegevens vereist. Bovendien is het een efficiënt, goedkoop onderzoeksontwerp dat geen handmatige gegevensverzameling vereist.

De onderzoekers zullen de gegevens in de elektronische systemen van Nottingham University Hospitals (NUH) NHS Trust gebruiken om alle patiënten te identificeren die verdacht worden van een Covid-19-infectie of bij wie de diagnose uiteindelijk wordt bevestigd. Dit zal vanaf het begin van de pandemie met terugwerkende kracht worden uitgevoerd en vervolgens prospectief in een doorlopend programma om de beschikbare gegevens te maximaliseren.

Voor deze patiënten zullen de onderzoekers alle relevante gegevens verzamelen over diagnoses (comorbiditeiten), dagelijkse klinische observaties en dagelijkse laboratoriumparameters, zowel bij presentatie als voortschrijdend vanaf dat moment tot het moment van overlijden of ontslag. Deze gegevens omvatten onder meer herhaalde metingen van temperatuur, hartslag, zuurstofverzadiging in het bloed, ingeademde zuurstofconcentratie, ademhalingsfrequentie, C-reactief proteïne en aantal witte bloedcellen.

Gegevens zullen worden geanalyseerd en de resultaten zullen worden gemodelleerd binnen het Nottingham University Hospitals Trust-netwerk om ervoor te zorgen dat de vertrouwelijkheid wordt gehandhaafd.

Analyse

Kenmerken van patiënten die doorgaan met intuberen De onderzoekers zullen de associatie beoordelen van alle basislijnparameters en demografische gegevens van patiënten die beademing nodig hebben in vergelijking met degenen die dat niet doen door basislijnparameters met beademing te vergelijken en aangepaste verbanden te berekenen met behulp van een logistisch regressiemodel. De onderzoekers zullen ook het dagelijkse risico op intubatie onderzoeken met behulp van een random effects-model met de herhaalde dagelijkse metingen. Om het potentieel voor een gemakkelijk berekenbare klinische risicoscore te onderzoeken, zullen logistieke modellen worden opgesteld, maar continue variabelen als continu behouden (om het behoud van bruikbare voorspellende gegevens te maximaliseren) en ze terugbrengen tot categorische gegevens (voor het gemak van klinische berekening). De onderzoekers zullen voorspellers voor het model selecteren met behulp van achterwaartse eliminatie met het Akaike-informatiecriterium en alfa = 0,05. Voor kandidaat-modellen zullen de onderzoekers de C-index en de werkingscurven van de ontvanger berekenen en de kalibratie beoordelen met behulp van de Hosmer-Lemeshow-test. Bootstrapping en kruisvalidatie zullen worden gebruikt om overfitting te voorkomen en de prestaties van het model te beoordelen.

Analyse van tijdtrends om markers te identificeren die tot intubatie leiden. De onderzoekers zullen de gegevens onderzoeken op trends in de loop van de tijd in herhaalde metingen, indien beschikbaar, en deze beschrijven aan de hand van geschikte samenvattende statistieken. Als er genoeg herhaalde metingen zijn, wordt elke covariabele beoordeeld met een JoinPoint-analyse om te beoordelen of er een duidelijke verbuiging in de tijd is die wijst op een verandering in het klinische beeld die wijst op een afname in de richting van beademing. Dit proces zal bijdragen aan de rationele keuze van categorieën voor categorische weergave van de gegevens.

Voorspellers bij intubatie die de dood suggereren De onderzoekers zullen de associatie beoordelen van alle parameters en demografische gegevens van beademde patiënten die overlijden in vergelijking met degenen die dat niet doen door parameters op het moment van beademing met overlijden te vergelijken en aangepaste verbanden te berekenen met behulp van een logistisch regressiemodel. De onderzoekers zullen ook het dagelijkse risico op overlijden onderzoeken met behulp van een random effects-model met de herhaalde dagelijkse metingen. Om het potentieel voor een gemakkelijk berekenbare klinische risicoscore te onderzoeken, zullen logistieke modellen worden opgesteld, maar continue variabelen als continu behouden (om het behoud van bruikbare voorspellende gegevens te maximaliseren) en ze terugbrengen tot categorische gegevens (voor het gemak van klinische berekening). De onderzoekers zullen voorspellers voor het model selecteren met behulp van achterwaartse eliminatie met het Akaike-informatiecriterium en alfa = 0,05. Voor kandidaat-modellen zullen de onderzoekers de c-index en de bedrijfscurven van de ontvanger berekenen en de kalibratie beoordelen met behulp van de Hosmer-Lemeshow-test. Bootstrapping en kruisvalidatie zullen worden gebruikt om overfitting te voorkomen en de prestaties van het model te beoordelen.

Analyse van tijdtrends om markers te identificeren die tot overlijden leiden We zullen de gegevens onderzoeken op trends in de loop van de tijd in herhaalde metingen, indien beschikbaar, en deze beschrijven met behulp van geschikte samenvattende statistieken. Als er voldoende herhaalde metingen zijn, wordt elke covariabele beoordeeld met een JoinPoint-analyse om te beoordelen of er een duidelijke buiging in de tijd is om een ​​verandering in het klinische beeld aan te geven die een achteruitgang in de richting van de dood markeert. zal de associatie beoordelen van alle basislijnparameters en demografische gegevens van patiënten die zonder aanvullende zuurstof worden ontslagen in vergelijking met degenen die dat niet zijn door basislijnparameters met beademing te vergelijken en aangepaste associaties te berekenen met behulp van een logistisch regressiemodel. Om het potentieel voor een gemakkelijk berekenbare klinische risicoscore te onderzoeken, zullen logistieke modellen worden opgesteld, maar continue variabelen als continu behouden (om het behoud van bruikbare voorspellende gegevens te maximaliseren) en ze terugbrengen tot categorische gegevens (voor het gemak van klinische berekening). De onderzoekers zullen voorspellers voor het model selecteren met behulp van achterwaartse eliminatie met het Akaike-informatiecriterium en alfa = 0,05. Voor kandidaat-modellen zullen de onderzoekers de c-index en de bedrijfscurven van de ontvanger berekenen en de kalibratie beoordelen met behulp van de Hosmer-Lemeshow-test. Elk van deze stappen wordt herhaald in 10 willekeurig geselecteerde subsamples van 20% van de dataset.

Gestratificeerde aanvullende analyses Om verschillende patiëntengroepen te identificeren die het risico lopen op slechte resultaten, zullen interacties met elk risicomodel worden beoordeeld om te bepalen of stratificatie nodig is op basis van leeftijdsgroepen, geslacht, eerdere comorbiditeiten en baselinefactoren zoals lymfopenie, CRP enz.

Alle analyses worden herhaald voor groepen van PCR-bewezen Covid-19-patiënten en degenen die alleen worden verdacht.

Voor de analyse van ontslag zonder aanvullende zuurstof zullen de onderzoekers het risico van heropname onderzoeken voor degenen die zo zijn ontslagen en de analyse alleen herhalen voor degenen die vervolgens niet opnieuw worden opgenomen.

Geschiktheidscriteria

Inclusiecriteria • Alle patiënten die zijn opgenomen in de Nottingham University Hospitals Trust, waarvan wordt vermoed dat ze een Covid-19-infectie hebben of bij wie de diagnose uiteindelijk wordt bevestigd en die ouder zijn dan 18 jaar

Uitsluitingscriteria

• Onder de 18 jaar.