Rozwój i ocena Electronic Frailty Index+ (eFI+)

Technologie medyczne w trakcie oceny

eFI+ zostanie opracowany przy użyciu elementów oryginalnego eFI, uzupełnionych o dodatkowe rutynowe dane EHR dotyczące podstawowej opieki zdrowotnej oraz wskazówki dotyczące dodatkowych korzyści wynikających z wdrożenia prostych środków klinicznych w rutynowej praktyce podstawowej opieki zdrowotnej. eFI+ będzie odpowiedni do szybkiego wdrożenia w brytyjskich systemach EHR podstawowej opieki zdrowotnej, w oparciu o istniejące bliskie powiązania z dostawcami systemów (SystmOne/EMISWeb/Vision/Microtest).

Badacze opracują, a następnie wewnętrznie i zewnętrznie zweryfikują eFI+ przy użyciu banku danych SAIL (Secure Anonymised Information Linkage), bazy danych ResearchOne i Leeds Data Model (LDM).

Ponadto badacze przeanalizują dane z badania kohortowego Community Aging Research 75+ (CARE75+) (CI Clegg, n≈1200) jako jedynego krajowego badania kohortowego obejmującego wyniki eFI, aby zbadać, jak proste środki, które można ocenić w podstawowej opiece zdrowotnej, ale nie są dostępne w rutynowych danych EHR (np. prędkość chodu, test „wstań i idź”; czynności życia codziennego; samotność) może poprawić przewidywanie.

Projekt badania

Opracowywanie modeli prognostycznych, walidacja wewnętrzna i walidacja zewnętrzna przy użyciu rutynowych danych z badań podstawowej opieki zdrowotnej (ResearchOne), połączonych zestawów danych (bank danych SAIL i LDM) oraz danych z badań kohortowych (CARE75+), ze zintegrowanym modelowaniem analitycznym decyzji, w tym analizą ekonomiczną zdrowia.

Bazy danych

1. Bezpieczny bank danych powiązań z anonimowymi informacjami (SAIL).

   Anonimowe dane od około 5 milionów osób w Walii, z powiązaną podstawową opieką zdrowotną, obecnością na SOR, przyjęciami do szpitala, danymi ambulatoryjnymi, opieką społeczną, zestawem danych Welsh Care Homes i danymi dotyczącymi śmiertelności ONS. SAIL obejmuje podsumowujące wyniki eFI i poszczególne komponenty.

2. Jedno badanie

   Reprezentatywne dla kraju, pozbawione elementów umożliwiających identyfikację dane z około 6 milionów elektronicznych kart zdrowia podstawowej opieki zdrowotnej w Wielkiej Brytanii w systemie klinicznym TPP SystmOne. ResearchOne zawiera podsumowujące wyniki eFI i poszczególne komponenty.

3. Model danych Leeds (LDM)

   Anonimowe, powiązane dane dotyczące opieki podstawowej, średniej, środowiskowej i społecznej od 810 000 pacjentów ze 108 przychodni w Leeds, w tym podsumowujące wyniki eFI i poszczególne komponenty.

4. Kohorta Community Aging Research 75+ (CARE75+).

Krajowe prospektywne badanie kohortowe (n≈1200) gromadzące szczegółowe informacje socjodemograficzne, miary słabości (w tym wyniki eFI), proste instrumenty odpowiednie do stosowania w podstawowej opiece zdrowotnej (np. prędkość chodu, test „wstań i idź”; czynności życia codziennego; opieka nieformalna; samotność) oraz kluczowe wyniki po 6, 12, 24 i 48 miesiącach. CARE75+ to bardzo bogaty zestaw danych, który zapewnia wysoce wydajną metodę badania, w jaki sposób proste instrumenty mogą zwiększyć wydajność eFI.

Kwalifikująca się populacja

Pacjenci w wieku ≥65 lat z umiarkowaną słabością (wynik eFI od 0,24 do 0,36) lub ciężką (wynik eFI >0,36) zarejestrowani w przychodni ResearchOne, SAIL lub LDM w dniu 1 kwietnia 2018 r.

Kwalifikują się wszyscy uczestnicy CARE75+ z umiarkowaną słabością (wynik eFI od 0,24 do 0,36) lub ciężką (wynik eFI > 0,36).

Wyniki prognozowania ryzyka (wszystkie 12 miesięcy)

• Nowy lub zwiększony pakiet opieki domowej
• Wizyta na SOR/hospitalizacja z upadkiem lub złamaniem
• Przyjęcie do domu opieki
• Śmiertelność z jakiejkolwiek przyczyny

Predyktory

Składniki eFI, uzupełnione zmiennymi dostępnymi w ramach rutynowych danych EHR podstawowej opieki zdrowotnej i środków oceny klinicznej praktycznych do zastosowania w podstawowej opiece zdrowotnej.

Modele prognostyczne

Każdy model prognostyczny zostanie opracowany i zweryfikowany wewnętrznie tylko w jednej z baz danych, a następnie zweryfikowany zewnętrznie w drugiej bazie danych

Wielkość próbki do opracowania modelu prognostycznego

Ekstrakty SAIL i ResearchOne będą obejmowały około 600 000 pacjentów w wieku 65 lat lub starszych, przy czym szacuje się, że 72 000 ma umiarkowaną słabość, a 24 000 ciężką słabość. Ekstrakt LDM obejmie ≈150 000 pacjentów w wieku 65 lat lub starszych, przy czym szacuje się, że 18 000 ma umiarkowaną słabość, a 6 000 ciężką.

Przy opracowywaniu modelu kluczowym wskaźnikiem efektywnej wielkości próby jest liczba zdarzeń wynikowych. Wcześniejsze badania wyników będących przedmiotem zainteresowania oraz szacunki wykonalności przy użyciu CARE75+, ResearchOne i SAIL dostarczają szacunków dotyczących przewidywanej liczby zdarzeń w ciągu 12 miesięcy.

• Nowy lub zwiększony pakiet opieki domowej: Przewidywane 15 864 zdarzeń w SAIL, w oparciu o 14,9% 12-miesięcznej częstości występowania w grupie umiarkowanej słabości (10 080 zdarzeń) i 24,1% 12-miesięcznej częstości występowania w grupie ciężkiej słabości (5784 zdarzeń).
• Wizyta na SOR/hospitalizacja z upadkiem lub złamaniem: Przewidywane 8064 zdarzenia w SAIL, na podstawie 7,4% 12-miesięcznej częstości występowania w grupie umiarkowanej słabości (5328 zdarzeń) i 11,4% częstości występowania ciężkiej słabości (2736 zdarzeń).
• Przyjęcie do domu opieki: Przewidywano 2160 zdarzeń w ResearchOne, na podstawie 2,0% 12-miesięcznej częstości występowania w grupie umiarkowanej słabości (1440 zdarzeń) i 3,8% 12-miesięcznej częstości występowania w grupie ciężkiej słabości (720 zdarzeń).
• Śmiertelność z jakiejkolwiek przyczyny: Przewidywano 12 216 zdarzeń w ResearchOne, w oparciu o 10,6% 12-miesięcznej zachorowalności w grupie z umiarkowaną słabością (7 632 zdarzenia) i 19,1% 12-miesięcznej zachorowalności w grupie z ciężką słabością (4 584 zdarzenia).

Dlatego nawet biorąc pod uwagę najniższą liczbę incydentów w ciągu 12 miesięcy (w przypadku przyjęcia do domu opieki), dla każdego wyniku badacze spodziewaliby się co najmniej 2160 zdarzeń w każdym z ResearchOne lub SAIL. Dzięki temu możemy solidnie oszacować model prognostyczny dla każdego wyniku, nawet przy użyciu do 108 parametrów predykcyjnych, odpowiadających 20 zdarzeniom na potencjalny parametr predykcyjny (2160/20). To przekracza zalecenia „praktycznej reguły” dotyczące 10 lub 15 zdarzeń na parametr predyktora.

Co więcej, przy ostrożnym założeniu, że nowe modele będą miały R-kwadrat Nagelkerke'a równy 15%, wzór na wielkość próby Rileya sugeruje, że co najmniej 7,5 zdarzeń dla każdego parametru predyktora zapewni zminimalizowanie nadmiernego dopasowania i optymizmu, gdy proporcja wyników wynosi 3%. Przy zwiększeniu odsetka wyników do 20% (pakiet opieki domowej), 9% (upadek/złamanie) lub 15% (śmiertelność), minimalna wymagana wielkość próby wynosi odpowiednio 18, 11,5 i 15 zdarzeń na parametr predyktora. Badacze przekraczają to wszystko dzięki dużym dostępnym zbiorom danych.

Wielkość próbki do walidacji zewnętrznej

Obecne zalecenia mówią, że do zewnętrznej walidacji modelu prognostycznego wymaganych jest co najmniej 100 zdarzeń i 100 zdarzeń niebędących zdarzeniami (idealnie 200). Nasze szacunki wskazują znacznie więcej, na przykład 2160 zdarzeń dla najmniej rozpowszechnionego wyniku przyjęcia do domu opieki w SAIL i ResearchOne oraz 540 w LDM (które zostaną wykorzystane wyłącznie do zewnętrznej walidacji modeli).

Brakujące dane

Obsługiwane przy użyciu wielu imputacji i reguł Rubina, przy brakującym losowym założeniu, w tym wyniku w modelu imputacji, uwzględniającym grupowanie praktyk.

Plan analizy

i) Modelowanie prognostyczne

Badacze zbudują 4 oddzielne modele prognostyczne w ramach zbiorów danych rozwojowych, aby przewidzieć ryzyko wystąpienia 4 kluczowych wyników u osób, u których punktem wyjścia była umiarkowana lub ciężka słabość.

Dla każdego wyniku, dla osób z umiarkowaną słabością (wynik eFI 0,24 do 0,36) lub ciężką słabością (wynik eFI > 0,36), badacze opracują i wewnętrznie zwalidują model prognostyczny zawierający tylko eFI (jako całość w obecnym stanie), a następnie zawierający składniki eFI (uwzględnione jako predyktory) wraz z dodatkowymi rutynowymi danymi EHR podstawowej opieki zdrowotnej. Model regresji będzie regresją logistyczną lub elastycznym parametrycznym przeżyciem dla wyników binarnych lub czasu do zdarzenia (odpowiednio, gdy badacze obserwują kodowanie i cenzurowanie bazy danych itp.), aby wytworzyć ryzyko wyniku o 12 miesięcy.

Ze względu na dużą wielkość próby oczekuje się, że nadmierne dopasowanie będzie niewielkie, ale badacze dostosują się do niego, stosując karę za pomocą globalnego współczynnika skurczu oszacowanego za pomocą ładowania początkowego. Tam, gdzie wybór zmiennych jest uważany za ważny dla oszczędności, badacze będą raczej stosować penalizację za pomocą elastycznej sieci. Wewnętrzna walidacja będzie wykorzystywać ładowanie początkowe całego zestawu danych rozwojowych oraz skorygowane o optymizm szacunki predykcyjnej wydajności opracowane na potrzeby kalibracji (np. kalibracja-w-dużej skali, nachylenie kalibracji, obserwowane/oczekiwane), dyskryminacja (np. C-statystyka) i ogólnie (np. Nagelkerke R2) wykonanie przewidywanych ryzyk. Zmienne ciągłe nie będą kategoryzowane, a potencjalne efekty nieliniowe badane za pomocą splajnów lub wielomianów ułamkowych. Nieproporcjonalne hazardy dla predyktorów zostaną również zbadane za pomocą terminów interakcji z czasem.

Wszystkie modele zostaną zweryfikowane zewnętrznie w innej bazie danych. Statystyki predykcyjne dotyczące wydajności będą uzyskiwane w sposób opisany powyżej (np. C-statistic, nachylenie kalibracji), wraz z wykresami kalibracji pokazującymi zgodność między obserwowanym i przewidywanym ryzykiem, w całym spektrum przewidywanych zagrożeń, przy użyciu lessowego wygładzania nieparametrowego.

Oddzielnie badacze wykorzystają zestaw danych CARE75+ do zbadania dodatkowej mocy predykcyjnej środków oceny klinicznej czynników prognostycznych zidentyfikowanych na podstawie przeglądów, które są praktyczne w rutynowej podstawowej opiece zdrowotnej.

ii) Modelowanie decyzji

Modele prognostyczne zostaną przełożone na ramy ułatwiające podejmowanie decyzji klinicznych poprzez identyfikację odpowiednich progów przewidywanego ryzyka, powyżej których uzasadnione jest wdrożenie naszych określonych interwencji. Umożliwi nam to wygenerowanie analitycznego modelu decyzyjnego (DAM), który zostanie zbadany przy użyciu krzywych decyzyjnych i korzyści netto w zewnętrznych zbiorach danych walidacyjnych.

iii) ekonomiczna ocena zdrowia

Ekonomiczna ocena zdrowia zostanie przeprowadzona w dwóch etapach. Celem pierwszego etapu jest krótkookresowe, 12-miesięczne porównanie opłacalności wskazanych przez RDN scenariuszy. W drugim etapie badacze rozszerzą naszą analizę o długoterminową ocenę opłacalności tych scenariuszy.