Optymalizacja alokacji zasobów poprzez przewidywanie wyników dla Covid-19

Tło.

Stosunkowo proste oceny ryzyka klinicznego oparte na łatwo dostępnych informacjach klinicznych mogą znacznie pomóc w segregacji pacjentów do wcześniejszego wypisu lub szybszej i bardziej intensywnej interwencji. Jednym z przykładów jest krwawienie z górnego odcinka przewodu pokarmowego, gdzie kilka takich wyników (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) umożliwiły bezpieczne wcześniejsze wypisy, odciążając w ten sposób szpitale. Badacze uważają, że podobne wyniki można potencjalnie osiągnąć na podstawie danych rutynowo gromadzonych w naszym zaufaniu na temat pacjentów z potwierdzonym lub podejrzewanym Covid-19.

Cele

Badacze starają się odpowiedzieć na następujące pytania

1. Jaki wzorzec historii klinicznej i objawów, obserwacji, krwi i innych markerów badawczych najlepiej przewiduje, że pacjent z podejrzeniem Covid-19 lub u którego udowodniono, że będzie wymagał wentylacji?
2. Jaki wzorzec historii klinicznej i objawów, obserwacji, krwi i innych markerów badawczych najlepiej przewiduje, że pacjent podejrzany o Covid-19 lub udowodniony, że umrze podczas swojej choroby?
3. Jaki wzór historii klinicznej i objawów, obserwacji, krwi i innych markerów badawczych najlepiej przewiduje, że pacjent z podejrzeniem Covid-19 lub udowodnionym, że w pełni wyzdrowieje bez konieczności podawania dodatkowego tlenu?

Metody

Badacze proponują dwa główne podejścia do dwóch pierwszych z powyższych celów.

Standardowe podejście oceniające charakterystykę wyjściową w celu przewidywania złego wyniku, podobne do innych trwających badań, takich jak ISARIC i PRIEST, ale korzystające z bezstronnej próby pacjentów, ponieważ nie ma potrzeby zbierania dodatkowych próbek ani danych, więc badacze uważają, że będzie to etycznie dopuszczalne z należytą dbałością o zachowanie poufności w celu przeanalizowania wszystkich zgłaszających się pacjentów, a nie tylko tych, którzy chcą i są w stanie wyrazić zgodę.

Wielopoziomowe podejście do modelowania, które wykorzystuje bogate, powtarzane codzienne pomiary laboratoryjne i kliniczne do przewidywania codziennego ryzyka późniejszego pogorszenia.

To drugie podejście uzupełnia inne trwające badania, takie jak ISARIC i PRIEST, ponieważ może być zrealizowane tylko w ramach jednej instytucji, takiej jak NUH, ponieważ wymaga szczegółowych, połączonych w czasie, elektronicznych danych dotyczących zdrowia. Ponadto jest to wydajny, tani projekt badania, który nie wymaga ręcznego zbierania danych.

Badacze wykorzystają dane przechowywane w systemach elektronicznych Nottingham University Hospitals (NUH) NHS Trust, aby zidentyfikować wszystkich pacjentów podejrzanych o zakażenie Covid-19 lub u których ostatecznie potwierdzono diagnozę. Zostanie to przeprowadzone od początku pandemii retrospektywnie, a następnie w ramach programu kroczącego prospektywnie, aby zmaksymalizować dostępne dane.

W przypadku tych pacjentów badacze zbiorą wszystkie istotne dane dotyczące rozpoznań (chorób współistniejących), codziennych obserwacji klinicznych i codziennych parametrów laboratoryjnych, zarówno w momencie zgłoszenia, jak i w sposób ciągły, począwszy od momentu zgonu lub wypisu ze szpitala. Dane te będą obejmować między innymi powtarzane pomiary temperatury, tętna, nasycenia krwi tlenem, stężenia tlenu wdychanego, częstości oddechów, białka C-reaktywnego i liczby białych krwinek.

Dane zostaną przeanalizowane, a wyniki modelowane w sieci Nottingham University Hospitals Trust, aby zapewnić zachowanie poufności.

Analiza

Charakterystyka pacjentów, którzy przejdą do intubacji Badacze ocenią powiązania wszelkich parametrów wyjściowych i danych demograficznych pacjentów wymagających wentylacji w porównaniu z tymi, którzy tego nie robią, porównując parametry wyjściowe z wentylacją i obliczając skorygowane powiązania przy użyciu modelu regresji logistycznej. Badacze zbadają również codzienne ryzyko intubacji za pomocą modelu efektów losowych z powtarzanymi codziennymi pomiarami. W celu zbadania możliwości uzyskania łatwej do obliczenia oceny ryzyka klinicznego zostaną przygotowane modele logistyczne, przy czym zmienne ciągłe będą zachowywane jako ciągłe (w celu maksymalizacji zachowania użytecznych danych prognostycznych) i zredukowane do danych kategorycznych (w celu ułatwienia obliczeń klinicznych). Badacze dobiorą predyktory do modelu metodą eliminacji wstecznej z kryterium informacyjnym Akaike i alfa = 0,05. W przypadku modeli kandydujących badacze obliczą wskaźnik C i krzywe działania odbiornika oraz ocenią kalibrację za pomocą testu Hosmera-Lemeshow. Bootstrapping i walidacja krzyżowa zostaną wykorzystane w celu uniknięcia nadmiernego dopasowania i oceny wydajności modelu.

Analiza trendów czasowych w celu identyfikacji markerów prowadzących do intubacji Badacze zbadają dane pod kątem trendów w czasie w powtarzanych pomiarach, jeśli są dostępne, i opisują je za pomocą odpowiednich statystyk podsumowujących. Jeśli istnieje wystarczająca liczba powtarzanych pomiarów, wówczas każda zmienna towarzysząca zostanie oceniona za pomocą analizy JoinPoint, aby ocenić, czy istnieje oczywiste przegięcie w czasie wskazujące na zmianę obrazu klinicznego, która oznacza spadek w kierunku wentylacji. Proces ten przyczyni się do racjonalnego wyboru kategorii do kategorycznej reprezentacji danych.

Predyktory przy intubacji sugerujące zgon Badacze ocenią powiązanie wszelkich parametrów i danych demograficznych wentylowanych pacjentów, którzy zmarli, w porównaniu z tymi, którzy nie zmarli, porównując parametry w punkcie wentylacji ze zgonem i obliczając skorygowane powiązania przy użyciu modelu regresji logistycznej. Badacze zbadają również codzienne ryzyko zgonu za pomocą modelu efektów losowych z powtarzanymi codziennymi pomiarami. W celu zbadania możliwości uzyskania łatwej do obliczenia oceny ryzyka klinicznego zostaną przygotowane modele logistyczne, przy czym zmienne ciągłe będą zachowywane jako ciągłe (w celu maksymalizacji zachowania użytecznych danych prognostycznych) i zredukowane do danych kategorycznych (w celu ułatwienia obliczeń klinicznych). Badacze dobiorą predyktory do modelu metodą eliminacji wstecznej z kryterium informacyjnym Akaike i alfa = 0,05. W przypadku modeli kandydujących badacze obliczą wskaźnik c i krzywe działania odbiornika oraz ocenią kalibrację za pomocą testu Hosmera-Lemeshow. Bootstrapping i walidacja krzyżowa zostaną wykorzystane w celu uniknięcia nadmiernego dopasowania i oceny wydajności modelu.

Analiza trendów czasowych w celu identyfikacji markerów prowadzących do śmierci Zbadamy dane pod kątem trendów w czasie w powtarzanych pomiarach, jeśli są dostępne, i opiszemy je za pomocą odpowiednich statystyk podsumowujących. Jeśli istnieje wystarczająca liczba powtórzonych pomiarów, wówczas każda zmienna towarzysząca zostanie oceniona za pomocą analizy JoinPoint, aby ocenić, czy istnieje oczywiste przegięcie w czasie wskazujące na zmianę w obrazie klinicznym, która oznacza spadek w kierunku zgonu Wyjściowa charakterystyka pacjentów wypisywanych bez dodatkowego tlenu Mamy oceni powiązanie wszelkich parametrów wyjściowych i danych demograficznych pacjentów, którzy zostali wypisani bez dodatkowego tlenu, w porównaniu z tymi, którzy nie zostali wypisani, poprzez zestawienie krzyżowe parametrów wyjściowych z wentylacją i obliczenie skorygowanych powiązań przy użyciu modelu regresji logistycznej. W celu zbadania możliwości uzyskania łatwej do obliczenia oceny ryzyka klinicznego zostaną przygotowane modele logistyczne, przy czym zmienne ciągłe będą zachowywane jako ciągłe (w celu maksymalizacji zachowania użytecznych danych prognostycznych) i zredukowane do danych kategorycznych (w celu ułatwienia obliczeń klinicznych). Badacze dobiorą predyktory do modelu metodą eliminacji wstecznej z kryterium informacyjnym Akaike i alfa = 0,05. W przypadku modeli kandydujących badacze obliczą wskaźnik c i krzywe działania odbiornika oraz ocenią kalibrację za pomocą testu Hosmera-Lemeshow. Każdy z tych kroków zostanie powtórzony w 10 losowo wybranych 20% podpróbkach zbioru danych.

Stratyfikowane analizy uzupełniające W celu zidentyfikowania różnych grup pacjentów zagrożonych złymi wynikami, zostaną ocenione interakcje z każdym modelem ryzyka w celu określenia, czy konieczna jest stratyfikacja według przedziałów wiekowych, płci, wcześniejszych chorób współistniejących i czynników wyjściowych, takich jak limfopenia, CRP itp.

Wszystkie analizy zostaną powtórzone dla grup pacjentów z Covid-19 potwierdzonym metodą PCR i tych, którzy są tylko podejrzani.

W przypadku analizy wypisu bez dodatkowego tlenu śledczy zbadają ryzyko readmisji dla osób w ten sposób wypisanych i powtórzą analizę tylko dla tych, którzy nie zostali następnie ponownie przyjęci.

Kryteria kwalifikacji

Kryteria włączenia • Wszyscy pacjenci przyjęci do Nottingham University Hospitals Trust z podejrzeniem zakażenia Covid-19 lub u których ostatecznie potwierdzono rozpoznanie i którzy ukończyli 18 lat

Kryteria wyłączenia

• W wieku poniżej 18 lat.