Den prediktive ytelsen til Glasgow Coma Scale i forhold til tid

Bakgrunn

Traumer er et kritisk globalt folkehelseproblem, og antallet omkomne som følge av traumer fortsetter å øke globalt. I 2016 var mer enn 4,6 millioner dødsfall et resultat av traumer, noe som gjorde det til den åttende ledende dødsårsaken. I Global Burden and Disease-studien (GBD) utgjør traumatiske skader nesten en tiendedel av alle dødsfall, mer enn malaria, tuberkulose, HIV/AIDS og mors tilstander til sammen.

TBI er definert som hjerneskade forårsaket av traumer, traumer er definert som skade påført kroppen som direkte eller indirekte resultat av en ytre kraft, med eller uten forstyrrelse av strukturell kontinuitet. Traumatisk hjerneskade (TBI) er en ledende årsak til sykelighet og dødelighet globalt. Det er den største bidragsyteren til traumedødsfall i verden, og har tre ganger høyere dødelighet enn traumer uten ledsaget TBI. Det er anslått at TBI påvirker mer enn 10 millioner mennesker årlig.

For å veilede leger i diagnostikk og gjenopplivningsregimer, er prognostiske modeller som forutsier TBI alvorlighetsgrad og utfall av stor betydning. Glasgow Coma Scale (GCS) er en av de mest brukte prognostiske modellene. Det er en nevrologisk skala utviklet for å vurdere responsen på stimuli hos pasienter med kraniocerebrale skader ved å bruke tre parametere; øyeåpning, verbal respons og motorisk respons. Det har blitt brukt til å vurdere bevissthetsnivå i både klinisk praksis og nevrotraumeforskning. GCS-score, summen av de tre parameterne som brukes i GCS, brukes til å vurdere alvorlighetsgraden, alt fra mild, moderat til alvorlig.

Flere studier har forsket på den prognostiske verdien av GCS og den prognostiske verdien av GCS individuelle komponenter, men lite er kjent om hvordan forholdet mellom tid mellom skade og første GCS påvirker den prediktive verdien av GCS. Studier har vist at GCS målt ved innleggelse til traumeomsorg er mer prediktiv enn GCS målt på traumestedet, og at median GCS ved innleggelse er høyere enn median GCS på traumestedet, men om og hvordan tiden påvirker GCS-skårene har ikke blitt studert .

Mål

Målet med denne studien er å vurdere hvordan tidspunktet for måling av GCS påvirker dens prediktive verdi etter traumatisk hjerneskade (TBI) hos voksne pasienter. Det første målet er å vurdere om den prediktive ytelsen til GCS er forbedret hvis den justeres for tiden fra skaden til den ble registrert. Det andre målet er å vurdere om den prediktive ytelsen til GCS varierer avhengig av når den ble registrert.

Studere design

Dette er en retrospektiv analyse av kohortstudien Towards Improved Trauma Care Outcomes in India (TITCO).

Innstilling

Den avidentifiserte TITCO-kohorten vil bli brukt. Denne kohorten inkluderer 16 000 pasienter registrert mellom juli 2013 og desember 2015 fra fire universitetssykehus i India. Prosjektansvarlige, med en helsevitenskapelig mastergrad, samlet inn data prospektivt om innleggelse på hvert sted ved direkte observasjon av legevakten og fylle ut et standardisert skjema. Prosjektansvarlige jobbet i roterende åttetimers skift (morgen, kveld, natt). Data ble også hentet retrospektivt fra pasientjournaler for pasienter innlagt utenfor de observerte turnusene.

Kilde og metode for deltakervalg

One-site prosjektansvarlig inkluderte pasienter fra deltakende sykehus, enten ved prospektiv observasjon eller ved retrospektiv datainnhenting fra pasientjournaler.

Forklaringsvariabler De to forklaringsvariablene av interesse vil være GCS og tid mellom skade og GCS-registrering i timer, heretter referert til som tid til GCS. GCS ble trukket ut fra pasientjournaler, samt dato og klokkeslett for første GCS registrert. Hvis dato og klokkeslett for første GCS-opptak mangler dato, vil ankomsttid til deltakersenteret bli brukt i stedet. Dato og tidspunkt for skaden ble hentet fra pasientjournaler eller direkte rapportert av deltakerne. Data og tidspunkt for første GCS-registrering eller ankomst til deltakende senter ble trukket ut fra pasientjournaler.

Kovariater Variablene alder, kjønn, skademekanisme, om pasienten ble overført fra et annet helseinstitusjon, og anatomisk skades alvorlighetsgrad kvantifisert ved bruk av skadens alvorlighetsgrad (ISS) vil bli rapportert for å karakterisere studieutvalget. Alder, kjønn, skademekanisme og overføringsstatus ble enten hentet fra pasientjournaler eller rapportert av deltakerne. ISS ble beregnet av en enkelt akkreditert koder basert på skadetekstbeskrivelser.

Partiskhet

For å gjøre rede for menneskelige feil ved registrering av GCS, var Aal datainnsamlerobservatører innehavere av helsevitenskapelige mastergrader og ble kontinuerlig opplært og overvåket gjennom datainnsamlingsperioden.

Kvantitative variabler

GCS vil bli behandlet både som et lineært begrep og som en ordinalvariabel med 12 nivåer. De ikke-testbare nivåene av verbale og øyekomponenter vil bli behandlet som 1. Tiden mellom skade og registrert GCS vil bli behandlet både som en kontinuerlig variabel og en kategorisk variabel. Når det behandles som kontinuerlig tid mellom skade og GCS, vil det få lov til å ha en ikke-lineær assosiasjon med dødelighet ved å modellere den ved å bruke begrensede kubiske splines med tre knop plassert med likt fordelte persentiler. Når den behandles som kategorisk vil den bli delt inn i blokker på to timer.

statistiske metoder

Alle analyser vil bli utført i det statistiske språket og programmeringsmiljøet R. Utvalget vil først bli tidsmessig delt inn i trenings- og valideringsprøver som skissert i avsnittet om studiestørrelse nedenfor. Hver prøve vil deretter bli karakterisert ved å bruke medianer og interkvartilområder (IQR) for å presentere kvantitative variabler og tellinger og prosenter for å presentere kvalitative variabler.

I treningsutvalget vil fire enkle prediksjonsmodeller passes ved bruk av logistisk regresjon med dødelighet som utfall. Den første modellen vil inkludere bare GCS som en lineær term, den andre GCS som en lineær term og tid til GCS modellert ved bruk av begrensede kubiske splines, den tredje bare GCS som en ordinal variabel, og den fjerde modellen GCS som en ordinal variabel og tid til GCS modellert ved bruk av begrensede kubiske splines. For å unngå overmontering vil en krympefaktor bli estimert ved hjelp av en bootstrapping-prosedyre som deretter vil bli brukt på modellkoeffisientene.

De fire modellene vil deretter bli brukt i valideringsutvalget og deres prediktive ytelse estimert og sammenlignet. Prediktiv ytelse for hver modell vil bli evaluert ved å bruke arealet under mottakerens driftskarakteristikkkurve (AUROCC), positive og negative prediktive verdier. Forskjeller i prediktiv ytelse mellom modeller og tilhørende 95 % konfidensintervaller vil bli estimert ved bruk av bootstrapping.

Hver av trenings- og valideringsprøvene vil deretter bli delt inn i delprøver basert på tid til GCS, slik at den første delprøven inkluderer pasienter med tid til GCS < 2 timer og den andre delprøven inkluderer pasienter med tid til GCS mellom to og fire timer og så på i blokker på to timer. I hvert av treningsunderprøvene vil en enkel logistisk modell passe, inkludert GCS som en lineær term som den eneste uavhengige variabelen. Koeffisienten til GCS i hver modell vil bli krympet.

Modellen utviklet i det første treningsunderutvalget vil deretter bli brukt på det første valideringsunderutvalget og så videre. Modellytelsen i hver valideringsdelprøve vil bli evaluert ved å bruke AUROCC og root mean square error. Trenden i disse målene på tvers av valideringsdelprøver vil deretter kvantifiseres ved hjelp av en enkel generalisert lineær modell med ytelsesmåldata som utfallsvariabel og en ikke-lineær transformasjon av blokkindeksnummer ved bruk av begrensede kubiske splines med tre knop som eneste uavhengige variabel.

Strategi for å håndtere manglende data

Hvis den nødvendige prøvestørrelsen er nådd hvis bare pasienter med fullstendige data om utfallet, forklaringsvariabler og kovariater er inkludert, vil en fullstendig kasusanalyse bli utført. Hvis ikke, vil manglende data bli håndtert med multiple imputering ved bruk av kjedede ligninger. Antall imputerte datasett vil være lik prosentandelen av ufullstendige observasjoner. Analysen vil bli utført separat i hvert imputert datasett og hovedresultatene presenteres som medianer med IQR på tvers av imputasjoner. For konfidensintervaller vil de mest ekstreme verdiene for sammenslåtte øvre og nedre grenser bli rapportert.

Studiestørrelse

Den mest dataintensive analysen er sannsynligvis å tilpasse modellen med GCS som en ordinær variabel og tid til GCS som begrensede kubiske splines, og derfor er studiestørrelsen estimert for å imøtekomme denne analysen. Simuleringsstudier indikerer at logistiske regresjonsmodeller trenger minst ti hendelser, eller observasjoner med utfall, per inkludert parameter for å generere pålitelige koeffisientestimater. Modellering av GCS som en ordinalvariabel vil innebære å estimere koeffisienter for elleve parametere og inkludere tid til GCS legger til ytterligere to parametere. Det totale antallet parametere er da 13, noe som indikerer et behov for minst 130 hendelser. Forutsatt en resultatprevalens på 20 % basert på tidligere forskning, må treningsutvalget inkludere minst 650 observasjoner. Hvis dette tallet er mindre enn halvparten av hele utvalget, vil trenings- og valideringsprøvene genereres ved å dele hele utvalget i to like store deler. Hvis hele utvalget inkluderer mindre enn 1300 observasjoner, vil de første 650 observasjonene inkluderes i treningsutvalget, og de resterende observasjonene vil inkluderes i valideringsutvalget. Uansett vil prøvene lages på en slik måte at det relative bidraget til hvert senter er omtrent det samme i begge prøvene.