Прогностическая эффективность шкалы комы Глазго в зависимости от времени

Фон

Травма является серьезной глобальной проблемой общественного здравоохранения, и число смертельных случаев в результате травм продолжает расти во всем мире. В 2016 году более 4,6 миллиона смертей были результатом травмы, что сделало ее восьмой по значимости причиной смерти. В исследовании «Глобальное бремя и болезни» (GBD) на травматические повреждения приходится почти одна десятая всех смертей, больше, чем на малярию, туберкулез, ВИЧ/СПИД и материнские состояния вместе взятые.

ЧМТ определяется как повреждение головного мозга, вызванное травмой, а травма определяется как повреждение, нанесенное телу как прямой или косвенный результат внешней силы, с нарушением структурной непрерывности или без него. Черепно-мозговая травма (ЧМТ) является ведущей причиной заболеваемости и смертности во всем мире. Это самая большая причина смерти от травм в мире, при этом уровень смертности в три раза выше, чем при травмах без сопутствующей ЧМТ. По оценкам, ЧМТ ежегодно поражает более 10 миллионов человек.

Для руководства врачами в диагностике и режимах реанимации большое значение имеют прогностические модели, предсказывающие тяжесть и исход ЧМТ. Шкала комы Глазго (ШКГ) — одна из наиболее широко используемых прогностических моделей. Это неврологическая шкала, разработанная для оценки реакции на раздражители у пациентов с черепно-мозговыми травмами по трем параметрам; открытие глаз, вербальная реакция и двигательная реакция. Он использовался для оценки уровня сознания как в клинической практике, так и в исследованиях нейротравм. Оценка GCS, сумма трех параметров, используемых в GCS, используется для оценки тяжести, в диапазоне от легкой, средней до тяжелой.

В нескольких исследованиях изучалась прогностическая ценность ШКГ и прогностическая ценность отдельных компонентов ШКГ, но мало известно о том, как взаимосвязь времени между травмой и первой ШКГ влияет на прогностическую ценность ШКГ. Исследования показали, что GCS, измеренный при поступлении в травматологию, является более прогностическим, чем GCS, измеренный на месте травмы, и что медиана GCS при поступлении выше, чем медиана GCS на месте травмы, но влияет ли и как время на баллы GCS, не изучалось. .

Цель

Целью данного исследования является оценка того, как время измерения GCS влияет на его прогностическую ценность после черепно-мозговой травмы (ЧМТ) у взрослых пациентов. Первая цель состоит в том, чтобы оценить, улучшится ли прогностическая эффективность GCS, если скорректировать время от травмы до момента ее регистрации. Вторая цель состоит в том, чтобы оценить, меняется ли прогностическая эффективность GCS в зависимости от того, когда она была зарегистрирована.

Дизайн исследования

Это ретроспективный анализ когортного исследования «На пути к улучшению результатов лечения травм в Индии» (TITCO).

Параметр

Будет использоваться деидентифицированная когорта TITCO. Эта когорта включает 16 000 пациентов, зарегистрированных в период с июля 2013 г. по декабрь 2015 г. из четырех университетских больниц в Индии. Сотрудники проекта, имеющие степень магистра медицинских наук, проспективно собирали данные о госпитализации в каждом учреждении путем непосредственного наблюдения за отделением неотложной помощи и заполнения стандартизированной формы. Сотрудники проекта работали сменными восьмичасовыми сменами (утром, вечером, ночью). Данные также были извлечены ретроспективно из историй болезни пациентов, поступивших вне наблюдаемых смен.

Источник и метод отбора участников

Сотрудник проекта в одном месте включал пациентов из участвующих больниц либо путем проспективного наблюдения, либо путем ретроспективного извлечения данных из историй болезни пациентов.

Объясняющие переменные Двумя представляющими интерес переменными будут GCS и время между травмой и записью GCS в часах, далее называемое временем до GCS. GCS была извлечена из историй болезни пациентов, как и дата и время первой зарегистрированной GCS. Если дата и время первой записи GCS отсутствуют, вместо нее будет использоваться время прибытия в участвующий центр. Дата и время травмы были извлечены из историй болезни пациентов или непосредственно сообщались участниками. Данные и время первой записи GCS или прибытия в участвующий центр были извлечены из историй болезни пациентов.

Ковариаты Переменные: возраст, пол, механизм травмы, был ли пациент переведен из другого медицинского учреждения, а также тяжесть анатомической травмы, определяемая количественно с использованием шкалы тяжести травмы (ISS), будут представлены для характеристики исследуемой выборки. Возраст, пол, механизм травмы и статус перевода были либо взяты из историй болезни пациентов, либо сообщались участниками. ISS был рассчитан одним аккредитованным кодировщиком на основе текстовых описаний травм.

Предвзятость

Чтобы учесть человеческие ошибки при записи GCS, наблюдатели за сбором данных Aal были обладателями степеней магистра медицинских наук и постоянно обучались и находились под наблюдением в течение всего периода сбора данных.

Количественные переменные

GCS будет рассматриваться как линейный термин и как порядковая переменная с 12 уровнями. Непроверяемые уровни вербального и зрительного компонентов будут рассматриваться как 1. Время между травмой и зарегистрированным GCS будет рассматриваться как непрерывная переменная и категориальная переменная. При рассмотрении как непрерывного времени между травмой и GCS будет разрешено иметь нелинейную связь со смертностью путем моделирования ее с использованием ограниченных кубических сплайнов с тремя узлами, размещенными на равном расстоянии друг от друга. Если рассматривать его как категорический, он будет разделен на блоки по два часа.

Статистические методы

Все анализы будут проводиться на статистическом языке и в среде программирования R. Сначала выборка будет временно разделена на обучающую и проверочную выборки, как указано в разделе о размере исследования ниже. Каждая выборка затем будет охарактеризована с использованием медиан и межквартильных диапазонов (IQR) для представления количественных переменных и подсчетов и процентов для представления качественных переменных.

В обучающей выборке будут подобраны четыре простые модели прогнозирования с использованием логистической регрессии со смертностью в качестве результата. Первая модель будет включать только ОСК как линейный член, вторая ОСК как линейный член и время до ОСК, смоделированное с использованием ограниченных кубических сплайнов, третья только ОСК как порядковая переменная, а четвертая модель ОСК как порядковая переменная и время до GCS моделируется с использованием ограниченных кубических сплайнов. Чтобы избежать переобучения, коэффициент усадки будет оцениваться с использованием процедуры начальной загрузки, которая затем будет применена к коэффициентам модели.

Затем четыре модели будут применяться в проверочной выборке, а их прогностическая эффективность оценивается и сравнивается. Прогностические характеристики каждой модели будут оцениваться с использованием площади под кривой рабочих характеристик приемника (AUROCC), положительных и отрицательных прогностических значений. Различия в прогностической эффективности между моделями и соответствующими 95% доверительными интервалами будут оцениваться с использованием начальной загрузки.

Затем каждая обучающая и проверочная выборка будет разделена на подвыборки в зависимости от времени до GCS, так что первая подвыборка включает пациентов со временем до GCS < 2 часов, а вторая подвыборка включает пациентов со временем до GCS от двух до четырех часов и т. д. блоками по два часа. В каждой из обучающих подвыборок будет использоваться простая логистическая модель, включающая GCS в качестве линейного члена в качестве единственной независимой переменной. Коэффициент GCS в каждой модели будет уменьшен.

Модель, разработанная в первой обучающей подвыборке, затем будет применена к первой проверочной подвыборке и так далее. Производительность модели в каждой проверочной подвыборке будет оцениваться с использованием AUROCC и среднеквадратичной ошибки. Тенденция этих показателей по подвыборкам проверки будет затем количественно определена с использованием простой обобщенной линейной модели с данными измерения производительности в качестве переменной результата и нелинейного преобразования номера индекса блока с использованием ограниченных кубических сплайнов с тремя узлами в качестве единственной независимой переменной.

Стратегия обработки недостающих данных

Если требуемый размер выборки достигнут, если включены только пациенты с полными данными об исходе, объясняющей переменной и ковариатах, тогда будет проведен полный анализ случая. Если нет, то отсутствующие данные будут обработаны множественным вменением с использованием цепных уравнений. Количество вмененных наборов данных будет равно проценту неполных наблюдений. Анализ будет проводиться отдельно в каждом наборе импутированных данных, а основные результаты будут представлены в виде медианы с IQR по импутациям. Для доверительных интервалов будут представлены самые экстремальные значения объединенных верхних и нижних границ.

Размер исследования

Наиболее интенсивный анализ данных, вероятно, будет соответствовать модели с GCS в качестве порядковой переменной и временем для GCS в виде ограниченных кубических сплайнов, и поэтому размер исследования оценивается с учетом этого анализа. Исследования моделирования показывают, что модели логистической регрессии требуют не менее десяти событий или наблюдений с результатом для каждого включенного параметра для получения надежных оценок коэффициентов. Моделирование GCS как порядковой переменной будет включать оценку коэффициентов для одиннадцати параметров, а включение времени в GCS добавляет два дополнительных параметра. Общее количество параметров равно 13, что указывает на необходимость не менее 130 событий. Предполагая, что распространенность результатов составляет 20% на основе предыдущих исследований, обучающая выборка должна включать не менее 650 наблюдений. Если это число меньше половины полной выборки, то обучающая и проверочная выборки будут созданы путем разделения полной выборки на две части одинакового размера. Если полная выборка включает менее 1300 наблюдений, первые 650 наблюдений будут включены в обучающую выборку, а остальные наблюдения будут включены в проверочную выборку. В любом случае выборки будут создаваться таким образом, чтобы относительный вклад каждого центра был примерно одинаковым в обеих выборках.