Método de medição de comorbidade para prever o resultado após terapia intensiva (AA)

Neste estudo, os investigadores validarão o impacto da comorbidade na readmissão à unidade de terapia intensiva (UTI) e na mortalidade após a UTI e qual método de medição da comorbidade e em que momento é mais preditivo.

A população do estudo inclui todos os registros de pacientes de terapia intensiva no registro sueco de terapia intensiva (SIR) durante os anos de 2005 a 2012 com número de identidade pessoal válido. O SIR entrega a população ao Statistics Sweden diretamente ou por meio do cliente para posterior entrega ao Statistics Sweden. Para todos os indivíduos da população, os dados são coletados dos registros do Statistics Sweden. O Statistics Sweden fornece números de seguridade social e números de série ao National Board of Health para posterior coleta de dados. O Conselho Nacional de Saúde e Bem-Estar entrega a amostra de dados ao cliente, que a envia ao Statistics Sweden para colaboração e anonimato. Todo o material de dados é armazenado sem identificação no banco de dados do MONA, onde apenas pessoas ligadas ao projeto têm acesso ao material.

O conjunto de dados contém 293.342 observações e 223.495 indivíduos únicos. As observações que são totalmente cobertas no tempo por outra observação são excluídas. Duas observações consecutivas com menos de 24 horas entre elas são consideradas como a mesma visita. O conjunto final de datas consiste em 273.741 observações (223.495 indivíduos).

Os pacientes com internações recorrentes na UTI durante o período do estudo foram considerados como eventos recorrentes que não são independentes entre si. O intervalo entre a alta da UTI e a readmissão foi utilizado tanto como variável de desfecho quanto para caracterização do paciente no momento da admissão. Nas análises, a dependência entre múltiplas internações para o mesmo indivíduo foi tratada usando um estimador sanduíche robusto. Cada permanência na UTI foi incluída no estudo, mas tratada como uma exposição atualizada no tempo.

Será analisado um resultado composto de morte e reinternação. Óbito e reinternação também serão analisados ​​separadamente. O acompanhamento começa na admissão. Uma variável binária de status (não/sim) é criada refletindo se o resultado aconteceu ou não junto com uma variável de tempo correspondente. Para cada admissão, o acompanhamento termina com readmissão, morte ou fim do estudo (2016-12-31), o que ocorrer primeiro.

Os diagnósticos de alta hospitalar de cinco anos anteriores à data índice para a admissão na UTI foram extraídos do Conselho Nacional de Saúde e Bem-Estar e vinculados aos dados do SIR usando a vinculação exata com base na pessoa. O índice de comorbidade de Charlson foi calculado com base nessas informações. Uma categorização diferente da comorbidade também foi realizada modificada com base na categorização proposta por Elixhauser. Para cada uma das 36 categorias de comorbidade definidas, o número de internações com diagnóstico primário, o número de internações com diagnóstico secundário, o tempo total de internação com diagnóstico primário e o intervalo desde a última internação com a condição de comorbidade como diagnóstico primário , foram calculados.

A condição subjacente que causou a internação na UTI foi categorizada de acordo com o diagnóstico e o departamento de internação.

Análises com regressão de riscos proporcionais de Cox, tempo até o evento, no conjunto de dados de treinamento ano 2005-2010 Índice de comorbidade de Charlson (CCI) categórico 0, 1, 2, 3-5, 6-9, 10-17 Elixhauser 36 categorias

1. Número de diagnóstico primário (contagem)
2. Número de diagnóstico secundário (contagem)
3. Diagnóstico primário do tempo total de atendimento (contagem)
4. Intervalo de tempo desde o último diagnóstico primário (ausente, contagem)

análises

A Idade + sexo B A + CCI C A + a D A + a + b E A + a + b + c F A + a + b + c + d

Por definição, não havia dados perdidos nas variáveis ​​de comorbidade. A falta de informações sobre idade e sexo foi mínima e não exigiu imputação. A suposição de riscos proporcionais foi verificada usando as curvas de Kaplan-Meier.

A população do estudo será dividida em um conjunto de dados de treinamento (2005-10) e um conjunto de dados de teste (2011-12) para validar nosso modelo de prognóstico. A capacidade preditiva no conjunto de dados de teste foi avaliada com base na discriminação, área sob a curva (AUC) (índice C), calibração e pontuação de Brier.