Predyktory wyniku po udarze okołooperacyjnym

TŁO

Udar mózgu w okresie okołooperacyjnym jest wyniszczającym powikłaniem chirurgicznym, które jest obecnie słabo scharakteryzowane przy ograniczonych narzędziach klinicznych dostępnych do wykrywania i zapobiegania jego wystąpieniu. Udar okołooperacyjny jest zdarzeniem naczyniowo-mózgowym, które występuje po zabiegu chirurgicznym i dotyka od 0,1 do 1,9% pacjentów poddawanych niekardiologicznym, nieneurologicznym zabiegom chirurgicznym. Okołooperacyjny udar mózgu jest stosunkowo słabo zbadany w porównaniu z powikłaniami pooperacyjnymi o podobnej częstości występowania i ciężkości, takimi jak powikłania sercowe. W ciągu ostatnich kilkudziesięciu lat podjęto znaczące wysiłki w celu zmniejszenia ryzyka okołooperacyjnego zawału mięśnia sercowego, co doprowadziło do zmniejszenia częstości występowania w czasie dzięki postępowi w stratyfikacji ryzyka i zarządzaniu okołooperacyjnym. Chociaż częstość udaru mózgu w okresie okołooperacyjnym jest podobna lub większa niż zawału mięśnia sercowego w okresie okołooperacyjnym, ryzyko tego powikłania wzrasta z czasem, a udar okołooperacyjny pozostaje stosunkowo zaniedbany. Aktualne piśmiennictwo wykazało, że pacjenci, u których wystąpił udar mózgu po operacji, mają wyższy wskaźnik śmiertelności, długości pobytu i wypisu do placówki, ale biorąc pod uwagę rzadki charakter tego powikłania, stosunkowo niewiele wiadomo o tym, które czynniki przewidują te wyniki wśród tych, którzy doznać okołooperacyjnego udaru mózgu.

CELE

KONKRETNE CELE

1. Opracuj i zewnętrznie zweryfikuj modele prognozowania ryzyka dla śmiertelności (pierwotny wynik), niekorzystnego wypisu, wykorzystania OIOM, tracheostomii/PEG/kraniektomii oraz długości pobytu po udarze w okresie okołooperacyjnym.
2. Opisać czasowe trendy śmiertelności po udarze mózgu w okresie okołooperacyjnym w latach 2005-2020.
3. Zbadaj mediatory ryzyka zgonu po udarze mózgu w okresie okołooperacyjnym.

METODY

Niniejsze badanie jest retrospektywną analizą zebranej prospektywnie bazy danych American College of Surgeons National Surgical Quality Improvement Program w latach 2004-2020.

Kohorta derywacyjna zostanie wyodrębniona z bazy danych NSQIP. Najnowszy rok zbioru danych (2020) zawiera dane dotyczące ponad miliona przypadków z 708 witryn. Kohorta do walidacji zostanie wyodrębniona z Population Data BC, zbioru połączonych prowincjonalnych baz danych dostarczających anonimowych danych na poziomie indywidualnym dotyczących wszystkich mieszkańców BC (populacja 5,1 miliona). Wybrano zakres dat od 1 stycznia 2002 r. do 31 grudnia 2020 r., aby odzwierciedlić współczesne praktyki leczenia udaru mózgu (np. EVT) oraz konsekwentne stosowanie kodowania ICD-10-CA od 2002 r.

Badana populacja

Kohorta derywacji NSQIP: Pacjenci z okołooperacyjnym udarem w bazie danych NSQIP w latach 2004-2017 zostaną uwzględnieni. Wykluczymy zabiegi neurochirurgiczne (w tym endarterektomię tętnicy szyjnej) i radiologii interwencyjnej. Populacje kardiochirurgiczne i niekardiochirurgiczne będą analizowane oddzielnie, biorąc pod uwagę ich unikalny profil ryzyka udaru mózgu.

Kohorta walidacyjna PopDataBC: pacjenci z AIS będą identyfikowani za pomocą kodów diagnostycznych I63.0-163.9 z Międzynarodowej Klasyfikacji Chorób (ICD), dziesiąta wersja, Kanada (ICD-10-CA), która dokładnie i niezawodnie identyfikuje AIS w dużych zbiorach danych administracyjnych, z dodatnią wartością predykcyjną i czułością większą niż 97%. Pacjenci, u których wystąpiła diagnoza wstępna ICD-10-CA (górne 3 pozycje) AIS w ciągu 30 dni od przyjęcia na operację lub jako diagnoza wypisu z indeksowej hospitalizacji chirurgicznej. Pacjenci w okresie okołooperacyjnym będą dalej wyodrębniani z całej kohorty AIS, jeśli otrzymali chirurgiczny kod rozliczeniowy w ciągu 30 dni przed przyjęciem z powodu udaru.

Zmienne wyniku: Głównym wynikiem jest śmiertelność w ciągu 30 dni; drugorzędnymi wynikami są wykorzystanie OIOM, długość pobytu w szpitalu, markery ciężkiego wyniku udaru (tracheostomia, PEG, hemikraniektomia z powodu obrzęku mózgu) oraz niepożądany wypis (placówka poza domem lub zgon).

Kandydaci na zmienne predykcyjne: Wynik po udarze w okresie okołooperacyjnym jest potencjalnie związany z pacjentem, czynnikami chirurgicznymi i anestezjologicznymi, a także charakterystyką udaru. Kandydaci na zmienne prognostyczne będą obejmować charakterystykę pacjenta (wiek, płeć, choroby współistniejące, w tym historię udaru), charakterystykę chirurgiczną (specjalność, złożoność, rodzaj, stan nagły), technikę znieczulenia (ogólne vs regionalne/neurasjalne) oraz charakterystykę udaru (czas w stosunku do operacji) , ponowna hospitalizacja z powodu udaru vs udar szpitalny). Zmienne ciągłe będą brane pod uwagę przy transformacji przy użyciu wielomianów ułamkowych, aby umożliwić ciągłe powiązanie nieliniowe.

ANALIZA STATYSTYCZNA

Cel 1: Wyprowadzenie i walidacja modeli przewidywania ryzyka. Wielowymiarowe modele do przewidywania 30-dniowej śmiertelności po udarze okołooperacyjnym zostaną stworzone oddzielnie dla kardiochirurgii i niekardiochirurgii, biorąc pod uwagę ich unikalne mechanizmy udaru. Aby uniknąć nadmiernego dopasowania, zastosujemy strategię redukcji danych i wykluczymy zmienne z ponad 10% brakującymi danymi lub mniej niż 20 obserwacjami. W przypadku braku danych >1%, ale <10%, rozważymy imputację wielokrotną lub średnią; zmienne z brakującymi danymi <1% zostaną przeanalizowane w ramach pełnej analizy przypadku.

Wstępnie określone zmienne predykcyjne zostaną użyte do skonstruowania modelu regresji logistycznej, w którym współczynniki zostaną zmniejszone przy użyciu elastycznej penalizacji netto. Ta metoda selekcji i penalizacji zmiennych została wybrana, ponieważ przewidujemy możliwość wystąpienia dużej liczby potencjalnych predyktorów w stosunku do liczby wyników oraz że kilka ważnych predyktorów będzie współliniowych. Korzystając z elastycznej regularyzacji sieci, możemy zastosować równowagę między najmniejszym bezwzględnym skurczem a penalizacją operatora selektora (LASSO) i regresją RIDGE. Regresja RIDGE'a pozwoli nam zachować ważne predyktory współliniowości, ale zmniejszyć ich współczynniki (które mogą być zawyżone ze względu na współliniowość). Metody LASSO pozwolą na zerowanie współczynników niektórych predyktorów nieskładkowych, eliminując je tym samym z modelu. Uwzględnione zmienne zostaną ocenione pod kątem interakcji i rozważenia dodatkowych terminów w celu poprawy wydajności modelu w razie potrzeby. W szczególności zbadamy a priori następujące interakcje: wiek*płeć, złożoność chirurgiczna (WRVU)*wiek, specjalność WRVU* i specjalność*technika anestezjologiczna. Dyskryminacja modelu zostanie oceniona na podstawie pola pod krzywą charakterystyki pracy odbiornika (c-statystyka). Kalibracja modelu zostanie oceniona za pomocą wygładzonego lessu wykresu ryzyka obserwowanego i przewidywanego w całym spektrum ryzyka. Podobna analiza zostanie wykorzystana do stworzenia modelu prognozowania długości pobytu (który będzie logarytmicznie przekształconym modelem liniowym). Ponieważ śmierć jest konkurencyjnym wynikiem dla dyspozycji wypisu, wypis niekorzystny będzie modelowany jako wynik porządkowy (dom, wypis poza domem lub śmierć).

Wewnętrzna walidacja: Po wyprowadzeniu 5000 próbek metodą bootstrap zostanie wykorzystanych do wewnętrznej walidacji i wygenerowania szacunkowego optymizmu. Analizy czułości będą testować wydajność modelu w różnych epokach czasowych, aby ocenić wpływ roku operacji (np. okresy 2-3-letnie, w zależności od liczby obserwacji dostępnych w każdym roku). Po wyprowadzeniu ostatecznego modelu do przewidywania śmiertelności, uzyskamy uproszczony wskaźnik predykcyjny, przekształcając współczynniki regresji na punkty, które odzwierciedlają ich względne wagi. Dokładność predykcyjna otrzymanego narzędzia zostanie oceniona w podobny sposób jak powyżej.

Walidacja zewnętrzna: Ostateczny model logistyczny zostanie zweryfikowany zewnętrznie w odrębnym zbiorze danych uzyskanym z PopDataBC po zmapowaniu elementów danych NSQIP do bazy danych PopDataBC. Współczynniki regresji zostaną zastosowane do PopDataBC z modelu pochodzącego z NSQIP w celu obliczenia prawdopodobieństwa oczekiwanych wyników i porównania wyników przewidywanych z obserwowanymi. Dyskryminacja i kalibracja zostaną zmierzone, przy czym obszar pod krzywą charakterystyki działania odbiornika >0,70 zostanie uznany za akceptowalną dyskryminację modelu, a test Hosmera-Lemeshow'a z p>0,05 wskazujący na akceptowalną dobroć dopasowania.

Cel 2: Temporalne trendy śmiertelności. Przeprowadzimy eksploracyjny nieskorygowany model regresji zwykłych najmniejszych kwadratów z roczną śmiertelnością po udarze okołooperacyjnym jako zmienną zależną i rokiem jako predyktorem do oszacowania rocznej zmiany śmiertelności w czasie. Określony zostanie wielowymiarowy model regresji liniowej, uwzględniający ważne predyktory.

Cel 3: Mediatory ryzyka zgonu. Aby zbadać możliwą modyfikację efektu ryzyka śmiertelności przed udarem przez zdarzenia poudarowe, określimy serię modeli regresji logistycznej ze śmiercią jako zmienną zależną i prawdopodobieństwem śmierci z naszego głównego modelu jako predyktorem liniowym. Następnie dodamy wstępnie określone predyktory (powyżej), każdy jako dodatkową zmienną, aby zbadać, czy prawdopodobieństwo śmierci wzrasta, czy maleje w oparciu o dodanie postulowanej zmiennej modyfikującej efekt.

Analiza płci/płci: Zbadamy związek między płcią a wynikami po udarze okołooperacyjnym, przeprowadzając analizy podgrup kobiet i mężczyzn oraz charakteryzując i porównując wyjściowe cechy i wyniki tych dwóch populacji. Następnie uwzględnimy płeć a priori jako predyktor w skorygowanym modelu i zbadamy interakcje z innymi zmiennymi. Nie jesteśmy w stanie zbadać płci niebinarnej, ponieważ NSQIP zapewnia tylko „mężczyzna”, „kobieta” lub „nieznany”.

Wielkość i moc próby: Wykorzystaliśmy metody Rileya i wsp. do oszacowania wymaganej wielkości próby w celu uzyskania stabilnego modelu regresji logistycznej, który minimalizuje nadmierne dopasowanie. Korzystając z 30 parametrów modelu i szacowanej częstości występowania śmiertelności wynoszącej 25% u osób z udarem3, oszacowaliśmy wymagane minimalne rozmiary próby w oparciu o potencjalną dyskryminację modelu (statystyka c) i wyjaśnioną wariancję (R2 Coxa-Snella). Jeśli nasz model osiągnie statystykę c 0,7 (R2 0,09), potrzebujemy 2754 uczestników. Silniejsza dyskryminacja (statystyka c 0,8, R2 0,2) zmniejszyłaby wymaganą wielkość próby do 1145. Baza danych NSQIP 2004-2017 zawiera 6,6 miliona pacjentów, a na podstawie naszej wstępnej analizy zbioru danych z 2015 roku, 99,5% to operacje niekardiochirurgiczne z częstością udaru 0,19%, a 0,5% to operacje kardiochirurgiczne z częstością 1,76%. udaru. W związku z tym szacujemy łącznie co najmniej 12 434 i 5 808 udarów niezwiązanych z sercem i udarów serca w okresie okołooperacyjnym.

Wartość p <0,05 zostanie uznana za istotną dla wszystkich analiz, a wszystkie analizy danych zostaną przeprowadzone przy użyciu STATA 17 (StataCorp, Teksas, USA).