Jednodniowe badanie rozpowszechnienia urazów odleżynowych na oddziałach intensywnej terapii (DecubICUs)

Celem jest przedstawienie aktualnego, międzynarodowego „globalnego” obrazu zakresu i wzorców odleżyn na oddziałach intensywnej terapii. W związku z tym planuje się przeprowadzenie jednodniowego, prospektywnego, wieloośrodkowego badania rozpowszechnienia punktowego. Duża skala projektu powinna pozwolić na dokładne analizy epidemiologiczne. Dokładniej badanie pozwoli zidentyfikować:

• główne czynniki ryzyka rozwoju odleżyn;
• środki zapobiegawcze stosowane w różnych populacjach i krajach OIOM;
• braki w dostępności opartych na dowodach środków zapobiegania odleżynom;
• profilaktyka odleżyn związanych z błędami w sztuce lekarskiej w określonych regionach lub krajach;
• wskaźniki występowania odleżyn z/bez dokładnego dostosowania do profilu ryzyka i podjętych środków zapobiegawczych;
• analiza porównawcza między regionami/krajami; wyniki kliniczne związane z odleżynami (zaburzenia głównych narządów i śmiertelność);
• wyniki ekonomiczne związane z odleżynami (długość pobytu na OIOM) i powiązanie tych wyników z lokalną praktyką w zakresie zastosowanych/dostępnych środków zapobiegawczych.
• krajowe i regionalne różnice w występowaniu odleżyn i wynikach leczenia.

Stopnie odleżyn będą oceniane zgodnie z systemem klasyfikacji opracowanym wspólnie przez Krajowy Panel Doradczy ds. Odleżyn i Europejski Panel Doradczy ds. Odleżyn.

Dane, które należy rejestrować, obejmują dane demograficzne pacjentów, dane dotyczące nasilenia choroby podstawowej i ostrej choroby, niewydolności narządów, odleżyn, głównych czynników ryzyka odleżyn oraz środków podjętych w celu zapobiegania odleżynom.

Plan statystyczny

Obliczanie mocy. Aby czynnik ryzyka z rozpowszechnieniem w badanej kohorcie wynoszącym zaledwie 10% (na przykład pacjenci z BMI <20) i różnicą wyników wynoszącą zaledwie 5% był istotny statystycznie (15% vs. 20% w częstości występowania odleżyn), wymagana jest wielkość próby 5255 pacjentów (478 pacjentów z indeksowanym czynnikiem ryzyka i 4777 bez) (alfa=0,05; Beta>0,80).

Czyszczenie danych i brakujące dane. Wyjątkowe wartości będą śledzone za pomocą wykresów rozkładu. W przypadku wątpliwości skontaktujemy się z poszczególnymi badaczami. Brakujące dane będą obsługiwane przez imputację (1, 2). Przeprowadzane będą kontrole jakości danych, takie jak kontrole kompletności, spójności, poprawności i niepowtarzalności.

opisowe. Na koniec badania planowana jest pojedyncza analiza końcowa; nie planuje się analiz pośrednich. Charakterystyka kohorty badania socjodemograficznego zostanie opisana jako proporcje dla zmiennych kategorialnych, a dla zmiennych ciągłych jako średnia i odchylenie standardowe, jeśli rozkład normalny lub mediana i rozstęp międzykwartylowy, jeśli rozkład nie jest normalny (zgodnie z testem normalności Kołmogorowa-Smirnowa).

Odsetek pacjentów z odleżynami (procent, % i ich 95% przedział ufności) zostanie podany ogółem i zgodnie z regionem geograficznym (kontynentem), klasyfikacją kraju według dochodu zgodnie z definicją Banku Światowego (wysoki, średni, wyższy, średni, krajów o niższym średnim i niskim dochodzie), odsetek produktu krajowego brutto wydanego na opiekę zdrowotną (uzyskany ze Światowej Organizacji Zdrowia) oraz zgodnie z Raportem o rozwoju społecznym w dziedzinie edukacji i zdrowia Programu Narodów Zjednoczonych ds. Rozwoju. Następnie potencjalne różnice w rozpowszechnieniu mogą dać możliwość oceny różnic w środkach zapobiegawczych na dużą skalę.

Modelowanie. Współzmienne, które zostaną ocenione pod kątem ich związku z obecnością odleżyn, obejmują różne aspekty organizacyjne OIOM (np. stosunek liczby pielęgniarek do liczby pacjentów), środki zapobiegania odleżynom (np. rodzaju zastosowanych materacy) oraz charakterystyki specyficznej dla pacjenta (np. wiek, choroby podstawowe, ciężkość ostrej choroby, morfologia ciała, BMI, długość pobytu na OIT itp.). Zmienne towarzyszące zostaną uwzględnione w analizie skorygowanej, jeśli mają związek z odleżynami na poziomie statystycznym <0,25 w analizie nieskorygowanej (jednoczynnikowej) lub ze względu na ich znaczenie kliniczne. W celu wyeliminowania warunków z modelu regresji zostanie zastosowane podejście krokowe; p<0,15 lub p<0,10 zostanie ustalone jako granica zachowania współzmiennych w modelu.

Relacje z binarnymi zmiennymi wynikowymi (np. odleżyny, śmiertelność) zostaną ocenione za pomocą nieskorygowanych testów statystycznych i wielowymiarowej regresji logistycznej. Oceniona zostanie wartość dodatkowej korekty oceny skłonności w modelu regresji. Wielomianowa regresja logistyczna zostanie przeprowadzona w celu oceny niezależnych relacji ze stadiami odleżyn. Podobnie, liniowe modelowanie efektów mieszanych zostanie wykorzystane do oceny nieskorygowanych i skorygowanych relacji z ciągłymi zmiennymi wynikowymi (np. długość pobytu na OIT i długość hospitalizacji). Wyniki regresji logistycznej zostaną przedstawione jako skorygowane ilorazy szans z 95% przedziałami ufności.

Aby opracować model przewidywania odleżyn dla różnych populacji oddziałów intensywnej terapii (np. pacjentów urazowych, chirurgicznych lub medycznych), modele zostaną zbudowane przy użyciu technik uczenia maszynowego (np. losowy las, maszyna wzmacniająca gradienty). W procesie zastosowane zostaną różne techniki w celu uzyskania optymalnej dokładności. Aby uzyskać wgląd w korelację między predyktorami a zmiennymi, zastosowane zostaną techniki regresji, jak podano powyżej.

W celu walidacji naszych modeli kohorta badawcza zostanie podzielona na zestaw treningowy, testowy i walidacyjny. Daje to rzetelną interpretację wyników. Alternatywnie można zastosować dziesięciokrotną walidację krzyżową, aby zapobiec nadmiernemu dopasowaniu.

Benchmarking dla poszczególnych ośrodków w oparciu o decubitus zostanie przeprowadzony poprzez dostarczenie bezpośrednio lub pośrednio wystandaryzowanych ryzyk opartych na efektach stałych ośrodków w modelu regresji logistycznej (3, 4). Oprócz obecności binarnego wyniku jakości (tj. odleżyn) i kod centrum, model ten obejmuje również współzmienne bazowe specyficzne dla pacjenta, aby dostosować je do zróżnicowanej mieszanki przypadków. Korekta Firtha zostanie zastosowana do modelu regresji logistycznej w celu utrzymania zbieżności w obecności bardzo małych centrów (5).

Analiza statystyczna zostanie przeprowadzona przy użyciu SPSS i R. Główny badacz (SB) jest odpowiedzialny za całą analizę statystyczną. Zaawansowane metody statystyczne będą realizowane przez MiekeDeschepper (Komórka ds. Polityki Strategicznej w Szpitalu Uniwersyteckim w Gandawie).