Wynik systemu wczesnego ostrzegania o pogorszeniu stanu klinicznego (CDEWS)

Faza 1. Wyprowadzenie modelu predykcyjnego Dane pacjentów przyjętych do ośrodków uczestniczących w programie w 2017 roku zostaną pobrane z elektronicznej dokumentacji medycznej OBI oraz laboratoryjnego systemu zarządzania danymi. Analityk danych zatrudniony w tym projekcie wraz ze współpracownikami klinicznymi z jednostki zarządzania zdrowiem i jednostki badawczej będzie odpowiedzialny za czyszczenie i czyszczenie danych oraz za generowanie i wewnętrzną walidację modelu predykcyjnego.

Faza 2: Wdrożenie w elektronicznej dokumentacji medycznej: Po wygenerowaniu modelu i skali ryzyka zostanie on wdrożony jako system alarmowy w Osabide Global w uczestniczących ośrodkach. W tym celu UGS HGU stworzy przewodnik działań, który po zatwierdzeniu zostanie następnie wyeksportowany do pozostałych dwóch ośrodków. System będzie działał w oparciu o elementy RIC związane z parametrami życiowymi i poprowadzi specjalistów przez cały proces, tak aby lekarzowi przedstawiono dane analityczne, które okazały się niezbędne do obliczenia ryzyka, lub w przypadku że pacjent nie został poproszony o wykonanie tego konkretnego badania laboratoryjnego, zalecenia dotyczące ekstrakcji. Gdy system zbierze wszystkie dane, na ekranie pojawi się ostrzeżenie z wynikami skali ryzyka i kategorii ryzyka łagodne-umiarkowane-poważne oraz raport z zaleceniami postępowania.Zalecenia na podstawie skali ViEWS, od lekarza poinformowanie pielęgniarki odpowiedzialnej za rozpoczęcie ciągłego monitorowania i wizytę w czasie krótszym niż 15 minut przez odpowiedzialnego lekarza prowadzącego, który poinformuje również lekarza OIT o przekazaniu pacjenta na oddział, gdzie będzie on monitorowany i podejmowany działania, podano w załączniku 1. System alarmowy zostanie zaprezentowany w HGU przez współpracowników klinicznych, GSU ​​i analityka danych. Analityk danych będzie wraz ze współpracownikami osobą odpowiedzialną za wygenerowanie systemu alarmowego, uczestnictwo w spotkaniach, podczas których będzie on prezentowany w ośrodkach, a następnie będzie prowadził stałą eksplorację jego wykorzystania i przestrzegania skali ryzyka, zbierze wątpliwości i problemy, które mogą wyniknąć w związku z wdrożeniem systemu, a także będzie odpowiedzialny za wdrożenie skali ryzyka.

Faza 3: Zewnętrzna walidacja modelu predykcyjnego. Porównanie wyników klinicznych: Model predykcyjny zostanie zweryfikowany po wystąpieniu 100 zdarzeń w każdym ośrodku (miejmy nadzieję, że po przyjęciu około 8000 pacjentów). W tym czasie zbierane będą dane w trakcie i po wdrożeniu w celu porównania pogorszenia stanu klinicznego zaobserwowanego przed i po wdrożeniu. Analityk danych będzie wydobywał informacje, sortował je i oczyszczał, aby móc później przeprowadzić odpowiednie analizy statystyczne.

ANALIZA STATYSTYCZNA

Procedura przetwarzania danych w niniejszym projekcie zostanie ustalona w oparciu o następujące etapy, podzielone na dwie sekcje:

A) Opracowanie i walidacja modeli predykcyjnych pogorszenia stanu klinicznego, przeniesienia na oddział intensywnej terapii, zatrzymania krążenia i oddechu lub śmierci w trakcie hospitalizacji.

Analiza opisowa kohorty do wyprowadzenia modelu/wewnętrznej walidacji składającej się z pacjentów z trzech ośrodków uczestniczących w kohorcie retrospektywnej. Zbierane będą informacje o stratach zmiennych zarejestrowanych w badaniu. Zbierane będą także informacje o pacjentach wykluczonych. Oceniona zostanie możliwość zastosowania technik imputacji do brakujących danych w zarejestrowanych zmiennych.

2.- Przy tworzeniu modeli predykcyjnych będą przestrzegane następujące punkty: Zebraną próbkę należy podzielić na dwie podpróby: Grupa wyprowadzenia 1: Całkowita próbka zostanie podzielona na 60% w celu uzyskania modeli predykcyjnych dla głównej zmiennej wynikowej – pogorszenia stanu klinicznego; Grupa 2 walidacji reguł predykcyjnych: w tej próbie (40% próby) modele zostaną poddane walidacji. Analizy będą przeprowadzane również w podziale na płeć. B. W grupie 1 zostaną zidentyfikowane czynniki ryzyka pogorszenia stanu klinicznego, a także przeniesienia na oddział intensywnej terapii, zatrzymania krążenia i oddechu lub śmierci w trakcie hospitalizacji. Przeprowadzona zostanie analiza dwuwymiarowa w celu zbadania, które z możliwych zmiennych predykcyjnych są powiązane z każdym parametrem wyniku. Te zmienne o wartości p <0,20 zostaną zidentyfikowane jako potencjalne predyktory, które można wprowadzić do wielopoziomowego wieloczynnikowego modelu regresji logistycznej. Do ostatecznej skali zostaną wybrane te zmienne, które są istotne statystycznie. Kategorie zmiennych w tym modelu otrzymają punktację w odniesieniu do parametru β uzyskanego w tym modelu wielowymiarowym. W ten sposób zostanie dla niego uzyskany wynik całkowity i krzywa ROC. Z tej skali zostanie utworzonych X kategorii ryzyka.

3.- Dopasowanie i porównanie opracowanych modeli predykcyjnych. Znajdą się parametry umożliwiające ocenę zdolności dyskryminacyjnej i kalibracyjnej modeli predykcyjnych opracowanych w rozdziale 2. Z jednej strony, w przypadku dychotomicznych zmiennych zależnych, obliczone zostanie pole pod krzywą ROC (AUC, zdolność dyskryminacyjna) biorąc pod uwagę wartość > 0,80 stanowi solidny model predykcyjny. Oprócz AUC, kalibracja modelu zostanie oszacowana za pomocą testu Hosmera-Lemeshowa (dobra kalibracja dla wartości p ≥0,05).

4.- Wewnętrzna walidacja modeli predykcyjnych Walidacja modelu predykcyjnego zostanie przeprowadzona w grupie walidacyjnej 2. W tej grupie model predykcyjny i skala zostaną poddane walidacji poprzez uwzględnienie przewidywanych wartości uzyskanych w próbie derywacyjnej (grupa 1) . Czułość, swoistość i pole pod krzywą zostaną uzyskane poprzez porównanie ich z wynikami uzyskanymi w próbce wyprowadzającej. Zdolność kalibracyjna modeli zostanie oceniona za pomocą testu Hosmera-Lemeshowa, a zdolność dyskryminacyjna za pomocą krzywych ROC. W ramach dodatkowej walidacji wewnętrznej zostanie przeprowadzona walidacja metodami ładowania początkowego.

5.-Zewnętrzna walidacja modeli predykcyjnych Zewnętrzna walidacja modeli opracowanych w kohorcie retrospektywnej zostanie zastosowana w kohorcie prospektywnej. Predyktor liniowy (LP) zostanie w pierwszej kolejności znaleziony w pozostałych kohortach, poprzez uwzględnienie współczynników regresji uzyskanych w oryginalnych modelach. Opracowane zostaną modele regresji logistycznej. W ramach zewnętrznej walidacji tych modeli zostaną rozważone trzy główne procedury: dopasowanie modelu, dyskryminacja i kalibracja. Po pierwsze, aby zweryfikować dopasowanie modelu, opracujemy model regresji logistycznej dla pozostałych kohort, uznając LP za zmienną towarzyszącą w celu oszacowania współczynnika regresji beta. Jeśli współczynnik regresji beta nachylenia wynosi 1, zostanie to uznane za dobre dopasowanie. Po drugie, aby ocenić dyskryminację modelu, zostanie obliczone AUC za pomocą metod ładowania początkowego i walidacji krzyżowej. Wartość AUC > 0,80 będzie uważana za solidny model predykcyjny. Po trzecie, kalibracja zostanie oceniona poprzez obliczenie ogólnej kalibracji, nachylenia kalibracji (oba uzyskane z wykresów kalibracyjnych) i testu Hosmera-Lemeshowa.

B) Ocena EWS pod kątem upośledzenia klinicznego 6.- Porównanie wyników: W celu porównania wyników po wdrożeniu systemu alarmowego, dokonane zostanie porównanie odsetka pacjentów cierpiących na pogorszenie stanu klinicznego przed i po wdrożeniu HGU, a także pomiędzy wartościami procentowymi pojawiającymi się w HGU, gdzie system alarmowy zostanie wdrożony, a HUD i HUA, gdzie będą kontynuować swoją zwykłą praktykę w okresie oceny. Aby ocenić możliwość wystąpienia błędu systematycznego podczas tworzenia kohort, zostanie obliczony wynik skłonności w celu wyjaśnienia prawdopodobieństwa przypisania do jednej (pacjenci z HGU) lub drugiej kohorty (HUD+HUA) w zależności od zaobserwowanych i wyjaśnionych zmiennych niezależnych w sekcji „Zmienne ekspozycji”. Ten wynik skłonności zostanie wprowadzony jako zmienna niezależna w replikacji ostatecznych modeli wraz z ekspozycją, a współczynniki uzyskane w obu przypadkach zostaną porównane.