Score for tidlig varslingssystem for klinisk forverring (CDEWS)

Fase 1. Utledning av prediksjonsmodellen Data fra pasienter innlagt på de deltakende sentrene i løpet av 2017 vil bli hentet ut fra OBIs elektroniske journal og laboratoriedatabehandlingssystemet. Dataanalytikeren som er kontrahert i dette prosjektet, vil sammen med kliniske samarbeidspartnere fra helseledelsesenheten og forskningsenheten være ansvarlig for rensing og rensing av dataene og for generering og intern validering av den prediktive modellen.

Fase 2: Implementering i elektronisk journal: Når modellen og risikoskalaen er generert, vil den implementeres som alarmsystem i Osabide Global i de deltakende sentrene. For dette formål vil det bli laget en handlingsguide av HGUs UGS, som, når den er validert, deretter eksporteres til de to andre sentrene. Systemet vil operere på grunnlag av RIC-elementene knyttet til vitale tegn, og vil veilede fagpersoner gjennom prosessen, slik at legen vil få vist de analytiske dataene som har vist seg å være nødvendige for å beregne risikoen, eller evt. at pasienten ikke har blitt spurt om den spesifikke laboratorietesten, anbefalinger for ekstraksjon. Når systemet har alle dataene, vil det dukke opp en advarsel på skjermen med resultatene av risikoskalaen og risikokategorien mild-moderat-alvorlig og en rapport med anbefalinger for tiltak. Anbefalinger basert på ViEWS-skalaen, fra legen informere ansvarlig sykepleier ved oppstart av kontinuerlig overvåking og besøk på mindre enn 15 minutter av ansvarlig behandlende lege som også vil informere ICU-legen om overføring av pasienten til en enhet hvor han/hun vil bli overvåket og handlet på, er gitt i vedlegg 1. Alarmsystemet vil bli presentert i HGU av de kliniske samarbeidspartnerne, GSU ​​og dataanalytiker. Dataanalytikeren vil sammen med medforskerne være den ansvarlige for å generere alarmsystemet, delta i møtene det presenteres i sentrene og deretter gjennomføre en konstant utforskning av bruk og etterlevelse. av risikoskalaen, vil samle tvil og problemer som kan oppstå ved implementeringen av systemet, og vil også være ansvarlig for implementeringen av risikoskalaen.

Fase 3: Ekstern validering av den prediktive modellen. Sammenligning av kliniske utfall: Den prediktive modellen vil bli validert når 100 hendelser per senter har skjedd (forhåpentligvis når ca. 8000 pasienter har blitt innlagt). I løpet av denne tiden vil data samles inn under og etter implementering for å sammenligne kliniske forverringer observert før og etter implementering. Dataanalytikeren skal hente ut informasjonen, sortere og rense den for å kunne utføre tilsvarende statistiske analyser senere.

STATISTISK ANALYSE

Databehandlingsprosedyren for dette prosjektet vil bli etablert etter følgende trinn, delt inn i to seksjoner:

A) Utvikling og validering av prediktive modeller for klinisk forverring, overføring til kritisk avdeling, hjertestans eller død under sykehusinnleggelse.

Deskriptiv analyse av modellavledning/intern valideringskohort bestående av pasienter fra de tre deltakende sentrene i den retrospektive kohorten. Informasjon om tap i variablene registrert i studien vil bli samlet inn. Informasjon om ekskluderte pasienter vil også bli samlet inn. Muligheten for å anvende imputasjonsteknikker på de manglende dataene i de registrerte variablene vil bli vurdert.

2.- Følgende punkter vil bli fulgt for å lage de prediktive modellene: a. Prøven som samles inn skal deles inn i to delprøver: Derivasjonsgruppe 1: Totalutvalget deles inn i 60 % for utledning av de prediktive modellene for hovedutfallsvariabelen - klinisk forverring; Gruppe 2 for validering av de prediktive reglene: modellene vil bli validert i dette utvalget (40 % av utvalget). Analyser vil også bli utført oppdelt etter kjønn. b. I gruppe 1 vil det identifiseres risikofaktorer for klinisk forverring, samt for overføring til kritisk avdeling, hjertestans eller død under innleggelse. En bivariat analyse vil bli utført for å studere hvilke av de mulige prediktorvariablene som er relatert til hver utfallsparameter. Disse variablene med en p-verdi <0,20 vil bli identifisert som potensielle prediktorer som skal legges inn i en multi-level multivariat logistisk regresjonsmodell. De variablene som er statistisk signifikante vil bli valgt for den endelige skalaen. Variablekategoriene i denne modellen vil bli tildelt en skåre i forhold til parameteren β oppnådd i den multivariate modellen. På denne måten vil man få en totalscore og en ROC-kurve for det. Fra denne skalaen vil X risikokategorier bli opprettet.

3.- God passform og sammenligning av de prediktive modellene som er utviklet. Parametre vil bli funnet for å evaluere diskriminerings- og kalibreringskapasiteten til de prediktive modellene utviklet i avsnitt 2. På den ene siden, når det gjelder dikotome avhengige variabler, vil arealet under ROC-kurven (AUC, diskriminerende kapasitet) beregnes, tatt i betraktning en verdi >0,80 for å være en robust prediktiv modell. I tillegg til AUC, vil kalibreringen av modellen bli estimert gjennom Hosmer-Lemeshow-testen (god kalibrering for en p-verdi ≥0,05).

4.- Intern validering av de prediktive modellene Valideringen av den prediktive modellen vil bli utført i valideringsgruppe 2. Den prediktive modellen og skalaen vil bli validert i denne gruppen ved å muse de prediktive verdiene innhentet i utledningsutvalget (gruppe 1) . Sensitivitet, spesifisitet og areal under kurven vil bli oppnådd ved å sammenligne dem med resultatene oppnådd i avledningsprøven. Kalibreringsevnen til modellene vil bli vurdert ved Hosmer-Lemeshow-testen og diskrimineringsevnen ved ROC-kurver. Som en form for ekstra intern validering vil en validering ved bootstrapping-metoder bli utført.

5.-Ekstern validering av prediktive modeller Ekstern validering av modellene utviklet i den retrospektive kohorten vil bli brukt på den prospektive kohorten. Den lineære prediktoren (LP) vil først bli funnet i de resterende kohortene ved å vurdere regresjonskoeffisientene som er oppnådd i de opprinnelige modellene. Logistiske regresjonsmodeller vil bli utviklet. Tre hovedprosedyrer vil bli vurdert for ekstern validering av disse modellene: modelltilpasning, diskriminering og kalibrering. Først, for å verifisere modelltilpasning, vil vi utvikle en logistisk regresjonsmodell på de gjenværende kohortene, og vurderer LP som en kovariat for å estimere dens beta-regresjonskoeffisient. Hvis beta-regresjonskoeffisienten til skråningen er 1, vil den anses som en god passform. For det andre, for å vurdere diskrimineringen av modellen, vil AUC beregnes ved hjelp av bootstrapping og kryssvalideringsmetoder. En AUC-verdi >0,80 vil bli ansett som en robust prediktiv modell. For det tredje vil kalibreringen bli evaluert ved å beregne den totale kalibreringen, kalibreringshellingen (begge utledet fra kalibreringsplottene) og Hosmer-Lemeshow-testen.

B) Evaluering av EWS for klinisk svekkelse 6.- Sammenligning av resultater: For sammenligning av resultater etter implementering av alarmsystemet, vil det bli foretatt en sammenligning av prosentandeler av pasienter som lider av klinisk forverring før og etter implementeringen av HGU og også mellom prosentene som vises i HGU, hvor alarmsystemet skal implementeres og HUD-ene og HUAene hvor de vil fortsette med sin vanlige praksis i denne evalueringsperioden. For å evaluere muligheten for skjevhet som oppstår når kohortene dannes, vil en tilbøyelighetsskåre bli beregnet for å forklare sannsynligheten for å bli tildelt den ene (HGU-pasienter) eller den andre kohorten (HUD+HUA) betinget av de uavhengige variablene som er observert og forklart i avsnittet "Eksponeringsvariabler". Denne tilbøyelighetsskåren vil legges inn som en uavhengig variabel i en replikering av de endelige modellene sammen med eksponering og koeffisientene som er oppnådd i begge tilfeller vil bli sammenlignet.