Estudo de Prevalência de um Dia em Lesões por Pressão em Unidades de Terapia Intensiva (DecubICUs)

O objetivo é fornecer uma imagem "global" internacional atualizada da extensão e dos padrões de lesões por pressão em UTIs. Para tanto, o plano é realizar um estudo de prevalência pontual multicêntrico, prospectivo, de 1 dia. A grande escala do projeto deve permitir análises epidemiológicas completas. Mais precisamente o estudo permitirá identificar:

• principais fatores de risco para desenvolvimento de úlcera por pressão;
• medidas preventivas utilizadas em diferentes populações de UTI e países;
• escassez na disponibilidade de medidas baseadas em evidências para prevenir úlceras de pressão;
• prevenção de úlceras de pressão por negligência em regiões ou países específicos;
• taxas de ocorrência de úlceras por pressão com/sem ajuste preciso para perfil de risco e medidas preventivas tomadas;
• benchmarking entre regiões/países; desfechos clínicos associados a úlceras por pressão (alterações de órgãos importantes e mortalidade);
• resultados econômicos associados às úlceras por pressão (tempo de internação na UTI) e relacionar esses resultados com a prática local em relação às medidas de prevenção aplicadas/disponíveis.
• diferenças regionais e nacionais na prevalência de úlceras por pressão e resultados.

Os estágios das úlceras por pressão serão classificados de acordo com o sistema de classificação desenvolvido em conjunto pelo National Pressure Ulcer Advisory Panel e pelo European Pressure Ulcer Advisory Panel.

Os dados a serem registrados incluem dados demográficos do paciente, dados sobre a gravidade da doença subjacente e doença aguda, falência de órgãos, úlceras de pressão, principais fatores de risco para úlceras de pressão e medidas tomadas para prevenir úlceras de pressão.

Plano Estatístico

Cálculo de Potência. Para um fator de risco com uma prevalência na coorte de estudo de apenas 10% (por exemplo, pacientes com IMC <20) e uma diferença de resultado de apenas 5% ser estatisticamente significativa (15% vs. 20% na taxa de ocorrência de decúbito), é necessário um tamanho de amostra de 5.255 pacientes (478 pacientes com o fator de risco índice e 4.777 sem) (alfa=0,05; Beta>0,80).

Limpeza de dados e dados ausentes. Valores excepcionais serão rastreados por meio de plotagem de distribuição. Em caso de dúvidas, os investigadores individuais serão contatados. Os dados ausentes serão tratados por imputação (1, 2). Serão realizadas verificações de qualidade de dados, como verificações de integridade, consistência, correção e exclusividade.

Descritivos. Uma única análise final é planejada ao final do estudo; nenhuma análise intermediária está planejada. As características sociodemográficas da coorte do estudo serão descritas como proporções para variáveis ​​categóricas e para variáveis ​​contínuas como média e desvio padrão se normalmente distribuídas ou mediana e intervalo interquartil se não forem normalmente distribuídas (de acordo com o teste de Kolmogorov-Smirnov para normalidade).

A proporção de pacientes com decúbito (porcentagem, % e seus intervalos de confiança de 95%) será relatada em geral e de acordo com a região geográfica (continente), classificação do país por renda conforme definido pelo Banco Mundial (alta, média alta, países de renda média-baixa e baixa), percentual do produto interno bruto gasto em saúde (obtido da Organização Mundial da Saúde) e de acordo com o Relatório de Desenvolvimento Humano em Educação e Saúde do Programa das Nações Unidas para o Desenvolvimento. Posteriormente, diferenças potenciais na prevalência podem oferecer a oportunidade de avaliar as variações nas medidas de prevenção em grande escala.

Modelagem. As covariáveis ​​que serão avaliadas em sua relação com a presença de decúbito abrangem vários aspectos organizacionais da UTI (por exemplo, proporção enfermeira-paciente), medidas de prevenção de decúbito (por exemplo, tipo de colchões usados) e características específicas do paciente (p. idade, condições subjacentes, gravidade da doença aguda, morfologia corporal, IMC, tempo de internação na UTI, etc.). As covariáveis ​​serão consideradas para análise ajustada quando tiverem associação com lesões por pressão em nível estatístico <0,25 na análise não ajustada (univariada) ou por sua relevância clínica. Uma abordagem passo a passo será usada para eliminar termos do modelo de regressão; p<0,15 ou p<0,10 será definido como o limite para manter as covariáveis ​​no modelo.

Relacionamentos com variáveis ​​binárias de resultado (por exemplo, decúbito, mortalidade) serão avaliados por meio de testes estatísticos não ajustados e regressão logística multivariada. O valor da correção adicional do escore de propensão no modelo de regressão será avaliado. A regressão logística multinomial será realizada para avaliar as relações independentes com os estágios de decúbito. Da mesma forma, a modelagem linear de efeito misto será usada para avaliar relações não ajustadas e ajustadas com variáveis ​​de resultado contínuas (por exemplo, tempo de permanência na UTI e tempo de internação). Os resultados da regressão logística serão relatados como razões de chances ajustadas com intervalos de confiança de 95%.

Para desenvolver um modelo de previsão de decúbito para populações distintas de UTI (por exemplo, trauma, pacientes cirúrgicos ou médicos), os modelos serão construídos usando técnicas de aprendizado de máquina (por exemplo, Floresta aleatória, máquina de aumento de gradiente). No processo, diferentes técnicas serão aplicadas para obter a precisão ideal. A fim de obter informações sobre a correlação entre preditores e variáveis, serão aplicadas técnicas de regressão, conforme descrito acima.

Para validação de nossos modelos, a coorte de estudo será dividida em um conjunto de treinamento, teste e validação. Como tal, isso dá uma interpretação justa dos resultados. Alternativamente, a validação cruzada de dez vezes pode ser aplicada para evitar o overfitting.

O benchmarking para centros individuais com base no decúbito será realizado fornecendo riscos padronizados direta ou indiretamente com base nos efeitos do centro fixo em um modelo de regressão logística (3, 4). Além da presença do resultado de qualidade binária (i.e. decubitus) e o código do centro, este modelo também inclui covariáveis ​​de linha de base específicas do paciente para ajustar o case-mix diferencial. A correção de Firth será aplicada ao modelo de regressão logística para manter a convergência na presença de centros muito pequenos (5).

A análise estatística será realizada usando SPSS e R. O investigador principal (SB) é responsável por toda a análise estatística. Métodos estatísticos avançados serão executados por Mieke Deschepper (Célula de Política Estratégica do Hospital Universitário de Ghent).