Preditores de resultado após AVC perioperatório

FUNDO

O AVC perioperatório é uma complicação devastadora da cirurgia que atualmente é mal caracterizada com ferramentas clínicas limitadas disponíveis para detectar e prevenir sua ocorrência. O AVC perioperatório é um evento cerebrovascular que ocorre após a cirurgia e afeta entre 0,1-1,9% dos pacientes submetidos a cirurgia não cardíaca e não neurológica. O AVC perioperatório é relativamente pouco estudado em comparação com complicações pós-operatórias de incidência e gravidade semelhantes, como complicações cardíacas. Nas últimas décadas, esforços significativos foram realizados para reduzir o risco de infarto do miocárdio perioperatório e levaram a uma diminuição na incidência ao longo do tempo devido a avanços na estratificação de risco e no gerenciamento perioperatório. Embora a incidência de AVC perioperatório seja semelhante ou superior à do infarto do miocárdio perioperatório, o risco dessa complicação vem aumentando ao longo do tempo e o AVC perioperatório permanece relativamente negligenciado. A literatura atual identificou que os pacientes que sofrem um AVC após a cirurgia têm uma maior taxa de mortalidade, tempo de internação e alta para uma instituição, mas, dada a natureza rara dessa complicação, relativamente pouco se sabe sobre quais fatores predizem esses resultados entre aqueles que sofrer um AVC perioperatório.

OBJETIVOS

OBJETIVOS ESPECÍFICOS

1. Derive e valide externamente modelos de previsão de risco para mortalidade (resultado primário), alta adversa, utilização de UTI, traqueostomia/PEG/craniectomia e tempo de internação após AVC perioperatório.
2. Descrever tendências temporais na mortalidade após AVC perioperatório entre 2005 e 2020.
3. Explorar mediadores de risco de mortalidade após AVC perioperatório.

MÉTODOS

Este estudo é uma análise retrospectiva do banco de dados do American College of Surgeons National Surgical Quality Improvement Program entre 2004 e 2020.

A coorte de derivação será extraída do banco de dados NSQIP. O ano mais recente do conjunto de dados (2020) inclui dados sobre mais de um milhão de casos de 708 locais. A coorte de validação será extraída do Population Data BC, uma coleção de bancos de dados provinciais vinculados que fornecem dados de nível individual não identificados sobre todos os residentes de BC (população de 5,1 milhões). Um intervalo de datas de 1º de janeiro de 2002 a 31 de dezembro de 2020 foi escolhido para refletir as práticas contemporâneas de tratamento de AVC (por exemplo, EVT) e o uso consistente da codificação ICD-10-CA desde 2002.

População do estudo

Coorte de derivação do NSQIP: pacientes com AVC perioperatório no banco de dados do NSQIP entre 2004 e 2017 serão incluídos. Excluiremos procedimentos neurocirúrgicos (incluindo endarterectomia carotídea) e radiológicos intervencionistas. As populações de cirurgia cardíaca e não cardíaca serão analisadas separadamente devido ao seu perfil único de risco de AVC.

Coorte de validação PopDataBC: Os pacientes com AIS serão identificados usando os códigos de diagnóstico I63.0-163.9 da Classificação Internacional de Doenças (CID), Décima Revisão, Canadá (CID-10-CA), que identifica com precisão e confiabilidade AIS em grandes conjuntos de dados administrativos, com valor preditivo positivo e sensibilidade superior a 97%. Pacientes que apresentaram um diagnóstico de admissão da CID-10-CA (3 primeiras posições) de AIS dentro de 30 dias após a admissão para cirurgia ou como diagnóstico de alta da hospitalização cirúrgica índice. Os pacientes perioperatórios serão ainda extraídos da coorte geral de AIS se tiverem recebido o código de cobrança cirúrgica nos 30 dias anteriores à admissão por AVC.

Variáveis ​​de desfecho: O desfecho primário é a mortalidade em 30 dias; os desfechos secundários são utilização da UTI, tempo de internação, marcadores de resultado de AVC grave (traqueostomia, PEG, hemicraniectomia para edema cerebral) e alta adversa (instalação fora de casa ou morte).

Variáveis ​​preditoras candidatas: O resultado após AVC perioperatório está potencialmente relacionado a fatores do paciente, cirúrgicos e anestésicos, bem como às características do AVC. As variáveis ​​preditoras candidatas incluirão características do paciente (idade, sexo, comorbidades, incluindo histórico de AVC), características cirúrgicas (especialidade, complexidade, tipo, estado de emergência), técnica anestésica (geral versus regional/neuraxial) e características do AVC (momento relativo à operação , readmissão por AVC vs AVC em paciente internado). Variáveis ​​contínuas serão consideradas para transformação usando polinômios fracionários para permitir uma associação não linear contínua.

ANÁLISE ESTATÍSTICA

Objetivo 1: Derivação e validação de modelos de previsão de risco. Modelos multivariáveis ​​para prever a mortalidade em 30 dias após AVC perioperatório serão criados separadamente para cirurgia cardíaca e não cardíaca, dados seus mecanismos únicos de AVC. Para evitar o ajuste excessivo, adotaremos uma estratégia de redução de dados e excluiremos variáveis ​​com mais de 10% de dados ausentes ou menos de 20 observações. Quando faltarem dados >1% mas <10%, consideraremos imputação múltipla ou média; variáveis ​​com menos de 1% de dados ausentes serão tratadas por meio de análise de caso completa.

Variáveis ​​preditoras pré-especificadas serão usadas para construir um modelo de regressão logística onde os coeficientes serão reduzidos usando penalização líquida elástica. Esse método de seleção e penalização de variáveis ​​foi escolhido porque antecipamos a possibilidade de um grande número de preditores potenciais em relação ao número de resultados e que vários preditores importantes serão colineares. Usando a regularização de rede elástica, podemos empregar um equilíbrio entre menor encolhimento absoluto e penalização do operador seletor (LASSO) e regressão RIDGE. A regressão RIDGE nos permitirá manter importantes preditores colineares, mas encolher seus coeficientes (que podem ser inflados devido à colinearidade). Os métodos LASSO permitirão que os coeficientes de alguns preditores não contributivos sejam zerados, portanto, eliminando-os do modelo. As variáveis ​​incluídas serão avaliadas para interações e termos adicionais considerados para melhorar o desempenho do modelo conforme necessário. Especificamente, examinaremos a priori as seguintes interações: idade*gênero, complexidade cirúrgica (WRVU)*idade, WRVU*especialidade e especialidade*técnica anestésica. A discriminação do modelo será avaliada usando a área sob a curva característica de operação do receptor (c-estatística). A calibração do modelo será avaliada com um gráfico loess-smooth de riscos observados versus riscos previstos no espectro de risco. Uma análise semelhante será usada para criar um modelo de previsão para o tempo de permanência (que será um modelo linear log-transformado). Como a morte é um resultado competitivo para a disposição da alta, a alta adversa será modelada como um resultado ordinal (alta domiciliar, fora de casa ou morte).

Validação interna: Após a derivação, 5.000 amostras bootstrap serão usadas para validação interna e para gerar um otimismo estimado. As análises de sensibilidade testarão o desempenho do modelo em diferentes períodos de tempo para avaliar o impacto do ano da cirurgia (por exemplo, períodos de 2 a 3 anos, dependendo do número de observações disponíveis em cada ano). Após a derivação do modelo final para prever a mortalidade, derivaremos um índice preditivo simplificado convertendo os coeficientes de regressão em pontos que refletem seus pesos relativos. A precisão preditiva da ferramenta resultante será avaliada de maneira semelhante à anterior.

Validação externa: O modelo logístico final será validado externamente no conjunto de dados distinto obtido do PopDataBC após o mapeamento dos elementos de dados NSQIP para o banco de dados PopDataBC. Os coeficientes de regressão serão aplicados ao PopDataBC a partir do modelo derivado do NSQIP para calcular as probabilidades de resultados esperados e comparar os resultados previstos com os observados. Discriminação e calibração serão medidas, com uma área sob a curva característica de operação do receptor >0,70 considerada discriminação de modelo aceitável e teste de Hosmer-Lemeshow com p>0,05 indicando qualidade de ajuste aceitável.

Objetivo 2: Tendências temporais da mortalidade. Executaremos um modelo exploratório de regressão de mínimos quadrados ordinários não ajustados com taxa de mortalidade anual após AVC perioperatório como variável dependente e ano como preditor para estimar a mudança anual na taxa de mortalidade ao longo do tempo. Um modelo de regressão linear multivariável será especificado, ajustando para preditores importantes.

Objetivo 3: Mediadores do risco de mortalidade. Para explorar a possível modificação do efeito do risco de mortalidade pré-AVC por eventos pós-AVC, especificaremos uma série de modelos de regressão logística com a morte como variável dependente e a probabilidade de morte de nosso modelo primário como preditor linear. Em seguida, adicionaremos preditores pré-especificados (acima), cada um como uma variável adicional, para explorar se a probabilidade de morte aumenta ou diminui com base na adição da variável modificadora do efeito postulado.

Análise baseada em gênero/sexo: Exploraremos a relação entre gênero e resultados após AVC perioperatório realizando análises de subgrupos em mulheres e homens e caracterizando e comparando as características e resultados basais dessas duas populações. Incluiremos ainda o gênero a priori como preditor no modelo ajustado e examinaremos as interações com outras variáveis. Não podemos examinar o gênero não binário, pois o NSQIP fornece apenas "masculino", "feminino" ou "desconhecido".

Tamanho e poder da amostra: usamos os métodos de Riley et al para estimar o tamanho da amostra necessário para derivar um modelo de regressão logística estável que minimiza o overfitting. Usando 30 parâmetros de modelo e uma prevalência de resultado estimada de 25% de mortalidade em pessoas com AVC,3 estimamos os tamanhos mínimos de amostra necessários com base na discriminação de modelo potencial (estatística c) e variância explicada (Cox-Snell R2). Se nosso modelo atingir uma estatística c de 0,7 (R2 0,09), precisamos de 2.754 participantes. Uma discriminação mais forte (estatística c 0,8, R2 0,2) reduziria o tamanho amostral necessário para 1.145. O banco de dados NSQIP 2004-2017 contém 6,6 milhões de pacientes e, com base em nossa análise preliminar do conjunto de dados de 2015, 99,5% serão cirurgias não cardíacas com incidência de AVC de 0,19% e 0,5% serão cirurgias cardíacas com incidência de 1,76% de AVC. Portanto, estimamos um total de pelo menos 12.434 e 5.808 AVCs não cardíacos e cardíacos perioperatórios, respectivamente.

Um valor de p < 0,05 será considerado significativo para todas as análises e todas as análises de dados serão realizadas usando o STATA 17 (StataCorp, Texas, EUA).