Otimizando a alocação de recursos por meio da previsão de resultados para a Covid-19

Fundo.

Pontuações de risco clínico relativamente simples baseadas em informações clínicas facilmente disponíveis podem ajudar muito na triagem de pacientes para alta precoce ou intervenção mais rápida e intensiva. Um exemplo disso é o sangramento gastrointestinal superior, onde vários desses escores (https://www.mdcalc.com/glasgow-blatchford-bleeding-score-gbs4 5; https://www.mdcalc.com/rockall-score-upper-gi-bleeding-complete6) permitiram alta precoce segura, aliviando assim a pressão sobre os hospitais. Os investigadores acreditam que resultados semelhantes podem ser obtidos a partir de dados coletados rotineiramente em nossa confiança em pacientes com Covid-19 comprovada ou suspeita.

Objetivos

Os investigadores pretendem responder às seguintes questões

1. Qual padrão de história clínica e sintomas, observações, sangue e outros marcadores investigativos melhor predizem que um paciente com suspeita de Covid-19 ou comprovadamente irá progredir para a necessidade de ventilação?
2. Qual padrão de história clínica e sintomas, observações, sangue e outros marcadores investigativos melhor predizem que um paciente com suspeita de Covid-19 ou comprovadamente irá morrer durante a doença?
3. Qual padrão de história clínica e sintomas, observações, sangue e outros marcadores investigativos melhor predizem que um paciente com suspeita de Covid-19 ou comprovadamente terá uma recuperação completa sem a necessidade de oxigênio suplementar?

Métodos

Os investigadores propõem duas abordagens principais para os dois primeiros objetivos acima.

Uma abordagem padrão que avalia as características basais para prever resultados ruins, semelhante a outros estudos em andamento, como ISARIC e PRIEST, mas beneficiando-se de uma amostra imparcial de pacientes, pois nenhuma amostra ou dados adicionais devem ser coletados e, portanto, os investigadores acreditam que será eticamente aceitável sujeito à devida atenção à confidencialidade para analisar todos os pacientes que se apresentam e não apenas aqueles dispostos e capazes de consentir.

Uma abordagem de modelagem multinível que usa as ricas medições clínicas e laboratoriais repetidas diariamente para prever o risco diário de uma deterioração subsequente.

Esta segunda abordagem complementa outros estudos em andamento, como ISARIC e PRIEST, pois só pode ser entregue dentro de uma única instituição como o NUH, pois requer dados eletrônicos de saúde vinculados longitudinais detalhados. Além disso, é um desenho de estudo eficiente e de baixo custo que não requer coleta manual de dados.

Os investigadores utilizarão os dados mantidos nos sistemas eletrônicos do Nottingham University Hospitals (NUH) NHS Trust, para identificar todos os pacientes com suspeita de infecção por Covid-19 ou nos quais o diagnóstico seja eventualmente confirmado. Isso será realizado desde o início da pandemia retrospectivamente e, em seguida, em um programa contínuo prospectivamente para maximizar os dados disponíveis.

Para esses pacientes, os investigadores reunirão todos os dados relevantes sobre diagnósticos (comorbidades), observações clínicas diárias e parâmetros laboratoriais diários, tanto na apresentação quanto em uma base contínua até o momento da morte ou alta. Esses dados incluirão medições repetidas de temperatura, pulso, saturação de oxigênio no sangue, concentração inspirada de oxigênio, frequência respiratória, proteína C reativa e contagem de glóbulos brancos, entre outros.

Os dados serão analisados ​​e os resultados modelados dentro da rede Nottingham University Hospitals Trust para garantir que a confidencialidade seja mantida.

Análise

Características dos pacientes que seguem para intubação Os investigadores avaliarão a associação de quaisquer parâmetros basais e dados demográficos de pacientes que requerem ventilação em comparação com aqueles que não requerem tabulação cruzada de parâmetros basais com ventilação e cálculo de associações ajustadas usando um modelo de regressão logística. Os investigadores também examinarão o risco diário de intubação usando um modelo de efeitos aleatórios com as medições diárias repetidas. Para examinar o potencial de um escore de risco clínico facilmente calculável, serão preparados modelos logísticos, mas mantendo as variáveis ​​contínuas como contínuas (para maximizar a retenção de dados preditivos úteis) e reduzindo-as a dados categóricos (para facilitar o cálculo clínico). Os investigadores selecionarão preditores para o modelo usando eliminação retrógrada com o critério de informação de Akaike e alfa = 0,05. Para os modelos candidatos, os investigadores calcularão o índice C e as curvas operacionais do receptor e avaliarão a calibração usando o teste de Hosmer-Lemeshow. Bootstrapping e validação cruzada serão usados ​​para evitar overfitting e avaliar o desempenho do modelo.

Análise de tendências de tempo para identificar marcadores que levam à intubação Os investigadores examinarão os dados para tendências ao longo do tempo em medições repetidas quando disponíveis e as descreverão usando estatísticas resumidas apropriadas. Se houver medições repetidas suficientes, cada covariável será avaliada com uma análise JoinPoint para avaliar se há uma inflexão óbvia no tempo para indicar uma mudança no quadro clínico que marca um declínio para a ventilação. Esse processo alimentará a escolha racional de categorias para representação categórica dos dados.

Preditores na intubação sugerindo morte Os investigadores avaliarão a associação de quaisquer parâmetros e dados demográficos de pacientes ventilados que morrem em comparação com aqueles que não falecem tabulando parâmetros no ponto de ventilação com morte e calculando associações ajustadas usando um modelo de regressão logística. Os investigadores também examinarão o risco diário de morte usando um modelo de efeitos aleatórios com medições diárias repetidas. Para examinar o potencial de um escore de risco clínico facilmente calculável, serão preparados modelos logísticos, mas mantendo as variáveis ​​contínuas como contínuas (para maximizar a retenção de dados preditivos úteis) e reduzindo-as a dados categóricos (para facilitar o cálculo clínico). Os investigadores selecionarão preditores para o modelo usando eliminação retrógrada com o critério de informação de Akaike e alfa = 0,05. Para os modelos candidatos, os investigadores calcularão o índice c e as curvas operacionais do receptor e avaliarão a calibração usando o teste de Hosmer-Lemeshow. Bootstrapping e validação cruzada serão usados ​​para evitar overfitting e avaliar o desempenho do modelo.

Análise de tendências temporais para identificar marcadores que levam à morte Examinaremos os dados para tendências ao longo do tempo em medições repetidas quando disponíveis e as descreveremos usando estatísticas resumidas apropriadas. Se houver medições repetidas suficientes, cada covariável será avaliada com uma análise JoinPoint para avaliar se há uma inflexão óbvia no tempo para indicar uma mudança no quadro clínico que marca um declínio em direção à morte Características basais de pacientes que receberam alta sem oxigênio suplementar Nós avaliará a associação de quaisquer parâmetros basais e dados demográficos de pacientes que receberam alta sem oxigênio suplementar em comparação com aqueles que não receberam tabulação cruzada dos parâmetros basais com ventilação e cálculo de associações ajustadas usando um modelo de regressão logística. Para examinar o potencial de um escore de risco clínico facilmente calculável, serão preparados modelos logísticos, mas mantendo as variáveis ​​contínuas como contínuas (para maximizar a retenção de dados preditivos úteis) e reduzindo-as a dados categóricos (para facilitar o cálculo clínico). Os investigadores selecionarão preditores para o modelo usando eliminação retrógrada com o critério de informação de Akaike e alfa = 0,05. Para os modelos candidatos, os investigadores calcularão o índice c e as curvas operacionais do receptor e avaliarão a calibração usando o teste de Hosmer-Lemeshow. Cada uma dessas etapas será repetida em 10 subamostras de 20% selecionadas aleatoriamente do conjunto de dados.

Análises suplementares estratificadas Para identificar diferentes grupos de pacientes em risco de resultados ruins, as interações com cada modelo de risco serão avaliadas para identificar se a estratificação é necessária por faixas etárias, sexo, comorbidades anteriores e fatores basais, como linfopenia, PCR, etc.

Todas as análises serão repetidas para grupos de pacientes com Covid-19 comprovados por PCR e apenas suspeitos.

Para a análise da alta sem oxigênio suplementar, os investigadores examinarão o risco de readmissão para aqueles que receberam alta e repetirão a análise apenas para aqueles que não forem readmitidos posteriormente.

Critério de eleição

Critérios de inclusão • Todos os pacientes internados no Nottingham University Hospitals Trust com suspeita de infecção por Covid-19 ou nos quais o diagnóstico seja finalmente confirmado e com idade superior a 18 anos

Critério de exclusão

• Menores de 18 anos.