Metoda pomiaru współwystępowania w celu przewidywania wyniku po intensywnej terapii (AA)

W tym badaniu badacze zweryfikują wpływ chorób współistniejących na ponowne przyjęcie na oddział intensywnej terapii (OIOM) i śmiertelność po OIT oraz która metoda pomiaru współzachorowalności i w jakim punkcie czasowym jest najbardziej predykcyjna.

Badana populacja obejmuje wszystkie rejestry pacjentów intensywnej terapii w szwedzkim rejestrze intensywnej terapii (SIR) w latach 2005-2012 z ważnym osobistym numerem identyfikacyjnym. SIR dostarcza populację do Statistics Sweden bezpośrednio lub za pośrednictwem klienta w celu dalszego dostarczenia do Statistics Sweden. Dla wszystkich osób w populacji dane są zbierane z rejestrów w Statistics Sweden. Szwedzki Urząd Statystyczny przekazuje numery ubezpieczenia społecznego i numery seryjne Krajowej Radzie Zdrowia w celu dalszego gromadzenia danych. Krajowa Rada ds. Zdrowia i Opieki Społecznej dostarcza próbki danych klientowi, który przesyła je do szwedzkiego urzędu statystycznego w celu współpracy i zachowania anonimowości. Wszystkie dane są przechowywane w niezidentyfikowanej bazie danych MONA, do której dostęp mają tylko osoby związane z projektem.

Zbiór danych zawierający 293 342 obserwacje i 223 495 unikalnych osobników. Obserwacje, które są całkowicie objęte w czasie przez inną obserwację, są wykluczone. Dwie następujące po sobie obserwacje, w odstępie krótszym niż 24 godziny, uważa się za tę samą wizytę. Ostateczny zestaw dat składa się z 273 741 obserwacji (223 495 osobników).

Pacjenci z powtarzającymi się pobytami na OIT w okresie badania zostali uznani za zdarzenia powtarzające się, które nie są od siebie niezależne. Przerwa między wypisem z OIOM a ponownym przyjęciem została wykorzystana zarówno jako zmienna wynikowa, jak i do scharakteryzowania pacjenta w momencie przyjęcia. W analizach zależność między wielokrotnymi przyjęciami tej samej osoby została obsłużona za pomocą odpornego estymatora kanapkowego. W badaniu uwzględniono każdy pobyt na OIOM-ie, ale traktowano go jako ekspozycję aktualizowaną w czasie.

Przeanalizowany zostanie złożony wynik śmierci i ponownej hospitalizacji. Śmierć i readmisja będą również analizowane oddzielnie. Obserwacja rozpoczyna się w momencie przyjęcia. Tworzona jest binarna zmienna statusu (nie/tak), odzwierciedlająca, czy wynik się wydarzył, czy nie, wraz z odpowiednią zmienną czasową. W przypadku każdego przyjęcia okres obserwacji kończy się ponownym przyjęciem, śmiercią lub zakończeniem studiów (2016-12-31), w zależności od tego, co nastąpi wcześniej.

Rozpoznania wypisu ze szpitala z pięciu lat poprzedzających datę przyjęcia na OIOM zostały wyodrębnione z Krajowej Rady Zdrowia i Opieki Społecznej i połączone z danymi SIR przy użyciu dokładnego powiązania opartego na osobach. Na podstawie tych informacji obliczono wskaźnik współzachorowalności Charlsona. Dokonano również innej kategoryzacji chorób współistniejących, zmodyfikowanej w oparciu o kategoryzację zaproponowaną przez Elixhausera. Dla każdej z 36 zdefiniowanych kategorii chorób współistniejących liczba przyjęć z rozpoznaniem pierwotnym, liczba przyjęć z rozpoznaniem wtórnym, łączny czas pobytu z rozpoznaniem pierwotnym oraz czas od ostatniego przyjęcia z rozpoznaniem podstawowym , zostały obliczone.

Podstawowy stan powodujący przyjęcie na OIOM został sklasyfikowany zgodnie z rozpoznaniem i oddziałem przyjmującym.

Analizy z regresją proporcjonalnego hazardu Coxa, czas do zdarzenia, na zbiorze danych treningowych z lat 2005-2010 Wskaźnik współwystępowania Charlsona (CCI) kategoryczny 0, 1, 2, 3-5, 6-9, 10-17 Elixhauser 36 kategorii

1. Liczba rozpoznań pierwotnych (liczba)
2. Liczba diagnozy wtórnej (liczba)
3. Całkowity czas opieki podstawowej diagnozy (liczba)
4. Przedział czasu od ostatniej pierwotnej diagnozy (brak, liczba)

Ćwiczenie

A Wiek + płeć B A + CCI C A + a D A + a + b E A + a + b + c F A + a + b + c + d

Z definicji nie było brakujących danych w zmiennych dotyczących współwystępowania. Brakujące informacje dotyczące wieku i płci były minimalne i nie wymagały imputacji. Założenie proporcjonalnego hazardu zostało sprawdzone za pomocą krzywych Kaplana-Meiera.

Badana populacja zostanie podzielona na zestaw danych szkoleniowych (2005-10) i zestaw danych testowych (2011-12) w celu walidacji naszego modelu prognostycznego. Zdolność przewidywania w zbiorze danych testowych oceniono na podstawie dyskryminacji, pola pod krzywą (AUC) (wskaźnik C), kalibracji i wyniku Briera.