Desenvolvimento e Avaliação do Índice Eletrônico de Fragilidade+ (eFI+)

Tecnologias de saúde em avaliação

O eFI+ será desenvolvido usando componentes do eFI original, complementado com dados EHR de cuidados primários de rotina adicionais e orientações sobre os benefícios adicionais da implementação de medidas clínicas simples na prática de cuidados primários de rotina. O eFI+ será adequado para implementação rápida em sistemas EHR de cuidados primários do Reino Unido, com base em vínculos estreitos existentes com fornecedores de sistemas (SystmOne/EMISWeb/Vision/Microtest).

Os investigadores desenvolverão e validarão interna e externamente o eFI+ usando o banco de dados Secure Anonymised Information Linkage (SAIL), o banco de dados ResearchOne e o Leeds Data Model (LDM).

Além disso, os investigadores analisarão os dados do estudo de coorte Community Aging Research 75+ (CARE75+) (CI Clegg, n≈1.200) como o único estudo de coorte nacional a incluir pontuações eFI, para investigar como medidas simples que podem ser avaliadas na atenção primária, mas não estão disponíveis em dados EHR de rotina (por exemplo, velocidade de marcha, teste timed-up-and-go; atividades do dia a dia; solidão) pode melhorar a previsão.

Design de estudo

Desenvolvimento de modelo prognóstico, validação interna e validação externa usando dados de pesquisa de cuidados primários de rotina (ResearchOne), conjuntos de dados vinculados (banco de dados SAIL e LDM) e dados de estudo de coorte (CARE75+), com Modelagem Analítica de Decisão integrada, incluindo análise econômica de saúde.

bancos de dados

1. Banco de dados Secure Anonymised Information Linkage (SAIL)

   Registros anônimos de cerca de 5 milhões de pessoas no País de Gales, com cuidados primários vinculados, atendimento no pronto-socorro, internações hospitalares, dados ambulatoriais, assistência social, conjunto de dados de casas de repouso galesas e dados de mortalidade do ONS. O SAIL inclui pontuações resumidas eFI e componentes individuais.

2. ResearchOne

   Dados nacionalmente representativos e não identificados de cerca de 6 milhões de registros eletrônicos de saúde de cuidados primários do Reino Unido no sistema clínico TPP SystmOne. ResearchOne inclui pontuações resumidas eFI e componentes individuais.

3. Modelo de dados de Leeds (LDM)

   Dados primários, secundários, comunitários e de assistência social anonimizados e vinculados de 810.000 pacientes em 108 consultórios em Leeds, incluindo pontuações resumidas do eFI e componentes individuais.

4. Coorte da Community Aging Research 75+ (CARE75+)

Estudo de coorte prospectivo nacional (n≈1.200) coletando informações sociodemográficas detalhadas, medidas de fragilidade (incluindo pontuações eFI), instrumentos simples adequados para uso na atenção primária (por exemplo, velocidade de marcha, teste timed-up-and-go; atividades do dia a dia; cuidados informais; solidão) e principais resultados aos seis, 12, 24 e 48 meses. O CARE75+ é um conjunto de dados muito rico que fornece um método altamente eficiente para investigar como instrumentos simples podem aumentar o desempenho do eFI.

População elegível

Pacientes ≥65 anos com fragilidade moderada (escore eFI 0,24 a 0,36) ou fragilidade grave (escore eFI > 0,36) e registrados em uma prática ResearchOne, SAIL ou LDM em 1º de abril de 2018.

Todos os participantes do CARE75+ com fragilidade moderada (pontuação eFI 0,24 a 0,36) ou fragilidade grave (pontuação eFI > 0,36) serão elegíveis.

Resultados para previsão de risco (todos os 12 meses)

• Pacote de atendimento domiciliar novo ou aumentado
• Atendimento/hospitalização no pronto-socorro com queda ou fratura
• admissão em casa de repouso
• Mortalidade por todas as causas

Preditores

Componentes do eFI, suplementados com variáveis ​​disponíveis nos dados EHR de cuidados primários de rotina e medidas de avaliação clínica práticas para uso em cuidados primários.

Modelos prognósticos

Cada modelo prognóstico será desenvolvido e validado internamente em apenas uma das bases de dados, e posteriormente validado externamente em uma segunda base de dados

Tamanho da amostra para desenvolvimento de modelo prognóstico

Os extratos SAIL e ResearchOne incluirão cada um ≈600.000 pacientes com 65 anos ou mais, com uma estimativa de 72.000 com fragilidade moderada e 24.000 com fragilidade grave. O extrato LDM incluirá ≈150.000 pacientes com 65 anos ou mais, com uma estimativa de 18.000 com fragilidade moderada e 6.000 com fragilidade grave.

Para o desenvolvimento do modelo, um indicador-chave do tamanho efetivo da amostra é o número de eventos resultantes. Pesquisas anteriores sobre os resultados de interesse e estimativas de viabilidade usando CARE75+, ResearchOne e SAIL fornecem estimativas para o número antecipado de eventos em 12 meses.

• Pacote de atendimento domiciliar novo ou aumentado: 15.864 eventos antecipados no SAIL, com base em 14,9% de incidência de 12 meses no grupo de fragilidade moderada (10.080 eventos) e 24,1% de incidência de 12 meses no grupo de fragilidade grave (5.784 eventos).
• Atendimento/hospitalização no pronto-socorro com queda ou fratura: Antecipação de 8.064 eventos no SAIL, com base em 7,4% de incidência de 12 meses no grupo de fragilidade moderada (5.328 eventos) e 11,4% de incidência em fragilidade grave (2.736 eventos).
• Admissão em casa de repouso: 2.160 eventos antecipados no ResearchOne, com base em 2,0% de incidência de 12 meses no grupo de fragilidade moderada (1.440 eventos) e 3,8% de incidência de 12 meses no grupo de fragilidade grave (720 eventos).
• Mortalidade por todas as causas: 12.216 eventos antecipados no ResearchOne, com base em 10,6% de incidência de 12 meses no grupo de fragilidade moderada (7.632 eventos) e 19,1% de incidência de 12 meses no grupo de fragilidade grave (4.584 eventos).

Portanto, mesmo ao considerar a estimativa mais baixa de eventos incidentes em 12 meses (para internação em casa de repouso), para cada resultado, os investigadores esperariam pelo menos 2.160 eventos em cada ResearchOne ou SAIL. Isso nos permite estimar de forma robusta um modelo prognóstico para cada resultado, mesmo com até 108 parâmetros preditores, correspondendo a 20 eventos por parâmetro preditor potencial (2160/20). Isso excede as recomendações de 'regra de ouro' de 10 ou 15 eventos por parâmetro preditor.

Além disso, assumindo de forma conservadora que os novos modelos terão um Nagelkerke R-quadrado de 15%, a fórmula de tamanho de amostra de Riley sugere que pelo menos 7,5 eventos para cada parâmetro preditor garantirão que o superajuste e o otimismo sejam minimizados, quando a proporção do resultado for de 3%. Ao aumentar a proporção do resultado para 20% (pacote de cuidados domiciliares), 9% (queda/fratura) ou 15% (mortalidade), o tamanho amostral mínimo necessário é de 18, 11,5 e 15 eventos por parâmetro preditor, respectivamente. Os investigadores superam tudo isso, devido aos grandes conjuntos de dados disponíveis.

Tamanho da amostra para validação externa

As recomendações atuais são de que pelo menos 100 eventos e 100 não eventos (idealmente 200) são necessários para a validação externa do modelo prognóstico. Nossas estimativas indicam consideravelmente mais do que isso, como 2.160 eventos para o desfecho menos prevalente de internação domiciliar em SAIL e ResearchOne e 540 em LDM (que serão usados ​​apenas para validação externa de modelos).

dados ausentes

Manipulado usando imputação múltipla e regras de Rubin, sob uma suposição de falta aleatória, incluindo resultado no modelo de imputação, contabilizando clustering de prática.

plano de análise

i) Modelagem prognóstica

Os investigadores construirão 4 modelos de prognóstico separados dentro dos conjuntos de dados de desenvolvimento para prever o risco de nossos 4 principais resultados declarados em indivíduos com fragilidade moderada ou grave como ponto de partida.

Para cada resultado, para aqueles com fragilidade moderada (escore eFI 0,24 a 0,36) ou fragilidade grave (escore eFI > 0,36), os investigadores desenvolverão e validarão internamente um modelo de prognóstico contendo apenas eFI (como um todo como está atualmente) e, em seguida, contendo componentes do eFI (incluídos como preditores) juntamente com dados adicionais de EHR de cuidados primários de rotina. O modelo de regressão será a regressão logística ou sobrevivência paramétrica flexível, para desfechos binários ou de tempo até o evento (conforme apropriado quando os investigadores observarem a codificação e censura do banco de dados, etc.), para produzir riscos de desfecho em 12 meses.

Devido ao grande tamanho da amostra, espera-se que o overfitting seja pequeno, mas os investigadores irão ajustá-lo usando a penalização por meio de um fator de encolhimento global estimado por bootstrap. Onde a seleção de variáveis ​​é considerada importante para a parcimônia, os investigadores usarão a penalização via rede elástica. A validação interna usará a inicialização de todo o conjunto de dados de desenvolvimento e estimativas ajustadas ao otimismo de desempenho preditivo produzidas para calibração (por exemplo, calibração em grande escala, inclinação de calibração, Observado/Esperado), discriminação (por exemplo, estatística C) e geral (por exemplo, Nagelkerke R2) desempenho dos riscos previstos. Variáveis ​​contínuas não serão categorizadas e potenciais efeitos não lineares serão examinados usando splines ou polinômios fracionários. Perigos não proporcionais para preditores também serão examinados com termos de interação com o tempo.

Todos os modelos serão validados externamente em um banco de dados diferente. As estatísticas de desempenho preditivo serão derivadas conforme descrito acima (por exemplo, C-estatística, inclinação de calibração), juntamente com gráficos de calibração mostrando concordância entre os riscos observados e previstos, em todo o espectro de riscos previstos, usando um suavizador sem parâmetros de loess.

Separadamente, os investigadores usarão o conjunto de dados CARE75+ para investigar o poder preditivo adicional das medidas de avaliação clínica de fatores prognósticos identificados nas revisões que são práticas para uso na rotina de cuidados primários.

ii) Modelagem de decisão

Os modelos prognósticos serão traduzidos em uma estrutura para orientar a tomada de decisões clínicas, identificando limites relevantes de risco previsto, acima dos quais a implementação de nossas intervenções declaradas é garantida. Isso nos permitirá gerar um modelo analítico de decisão (DAM), que será examinado usando curvas de decisão e benefício líquido nos conjuntos de dados de validação externa.

iii) Avaliação econômica em saúde

A avaliação econômica em saúde será realizada em duas etapas. O objetivo da primeira etapa é fornecer uma comparação de curto prazo de 12 meses da relação custo-eficácia dos cenários identificados pelo DAM. Para o segundo estágio, os investigadores estenderão nossa análise para uma avaliação de custo-efetividade de longo prazo desses cenários.