Исходы черепно-мозговой травмы и внешняя валидация прогностической модели CRASH

Введение Согласно отчету Всемирной организации здравоохранения (ВОЗ) за 2015 г., дорожно-транспортный травматизм является десятой причиной смертности в мире[1]. 90% из них происходят в странах с низким и средним уровнем дохода (СНСД)[2]. Сложное взаимодействие факторов человека, транспортного средства и окружающей среды наряду с отсутствием устойчивых профилактических программ способствовало возникновению этой «тихой эпидемии» травм. Среди травм черепно-мозговая травма является ведущей причиной заболеваемости и смертности.

Наиболее уязвимой группой для получения черепно-мозговой травмы являются молодые работающие мужчины в возрасте 20-40 лет[3]. Около 60% людей с ЧМТ не возобновляют работу[3]. Исследование, проведенное в Дели, Индия, показало, что у пациентов с тяжелой ЧМТ, которые были без сознания при выписке, 50% из них умерли в течение шести месяцев, а еще 30% оставались в вегетативном состоянии [4].

Клиницистам приходится отвечать о прогнозе пострадавшего встревоженным близким как по прибытии, так и на протяжении всего курса лечения. Исследования показали, что прогностические модели — это статистические модели, которые объединяют данные пациентов для прогнозирования исхода, которые, вероятно, будут более точными, чем простые клинические прогнозы [5]. В многоцентровом рандомизированном контролируемом исследовании была опубликована модель прогнозирования для пациентов с черепно-мозговой травмой [6]. В отличие от других моделей прогнозирования, эта модель была основана на данных из стран с высоким уровнем дохода и стран с низким средним уровнем дохода. Однако внешняя проверка этой модели прогнозирования не проводилась на данных по СНСД[7]. Следовательно, чтобы восполнить этот пробел, мы стремимся изучить исход пациентов с черепно-мозговой травмой, а также проверить модель прогнозирования испытания CRASH у пациентов с черепно-мозговой травмой. например Мужчина 45 лет, попал в дорожно-транспортное происшествие с черепно-мозговой травмой. Его шкала комы Глазго была E4V4M5, как реакция зрачков на свет, так и КТ головного мозга свидетельствовали о субдуральной гематоме толщиной примерно 3 мм вдоль левой базифронтальной верхней и средней лобной выпуклостей без значительного лежащего в основе масс-эффекта. Эти детали вставляются в калькулятор АВАРИЙНОЙ ПРОГНОСТИЧЕСКОЙ МОДЕЛИ, как показано ниже. При этом смертность на 14-й день составляет 4,4%, а заболеваемость на 6-м месяце - 12,6%, т.е. неблагоприятный исход.

Сбор данных Сбор данных будет осуществляться резидентом и студентом-медиком одной и той же больницы. Пациенты будут проспективно наблюдаться в палате до выписки или смерти. Информация будет внесена в регистрационную форму на основании файла пациента. Письменное, действительное информированное согласие будет получено для наблюдения за пациентами на 14-й день и через 6 месяцев после даты травмы путем телефонного разговора.

Результаты:

Исходом исследования является смертность на 14-е сутки и смертность и заболеваемость на 6-й месяц после ЧМТ. Эта заболеваемость на 6-м месяце будет измеряться с помощью ШКАЛЫ РЕЗУЛЬТАТОВ ГЛАЗГО по телефону.

Переменные:

Демографические переменные, механизм травмы, статус перевода, жизненно важные параметры при поступлении, такие как систолическое артериальное давление, частота сердечных сокращений, шкала комы Глазго, будут отмечены в истории болезни. Реакция зрачков пациентов будет собираться из истории болезни. Будут отмечены результаты компьютерной томографии и информация о том, был ли пациент прооперирован (нейрохирургия). Другие травмы также будут зафиксированы.

Размер выборки Размер выборки для внешнего валидационного исследования должен включать не менее 100 пациентов с исходом и 100 пациентов без исхода[8,]. Краткосрочным результатом является смертность на 14-й день. Летальность во всех группах ЧМТ составляет 23%. Таким образом, чтобы иметь 100 событий, нам потребуется размер выборки не менее 500 пациентов. Через год будет проведен промежуточный анализ, чтобы увидеть, соответствует ли размер выборки, и будет принято дальнейшее решение о продолжительности исследования.

Данные анализа будут введены в Microsoft Excel 2016, а статистический анализ будет выполнен с использованием SPSS версии 17. Мы оценим производительность моделей в нашем наборе данных с точки зрения дискриминации и калибровки. Дискриминация описывает, насколько хорошо модель различает пациентов с интересующим исходом и без него. Калибровка показывает, насколько точно предсказанные результаты соответствуют наблюдаемым результатам.

Для оценки дискриминации рассчитаем площадь под кривой рабочей характеристики приемника (AUC). AUC, равная 1, означает идеальное различение, тогда как AUC, равная 0,5, означает, что различение модели не лучше случайного.

Чтобы оценить калибровку, мы построим график наблюдаемых и прогнозируемых результатов. Этика Информированное согласие будет получено соисследователем данного исследования от пациента/родственника (законного представителя) после поступления пациента в палату. Информированное согласие будет состоять в том, чтобы следить за пациентом по телефону через 14 дней и 6 месяцев с даты травмы. Во время пребывания в стационаре или при выписке, если пациент находится в сознании и в состоянии дать согласие, повторное согласие будет взято у самого пациента. Если пациент отказывается дать согласие, его / ее данные не будут записаны, и никакое последующее наблюдение не будет проводиться для целей исследования.