Разработка и оценка электронного индекса хрупкости+ (eFI+)

Технологии здравоохранения оцениваются

eFI+ будет разработан с использованием компонентов оригинального eFI, дополненных дополнительными данными EHR для рутинной первичной помощи и рекомендациями по дополнительным преимуществам внедрения простых клинических мер в рутинную практику первичной медико-санитарной помощи. eFI+ можно будет быстро внедрить в системы EHR первичной медико-санитарной помощи Великобритании, опираясь на существующие тесные связи с поставщиками систем (SystmOne/EMISWeb/Vision/Microtest).

Исследователи разработают, а затем проведут внутреннюю и внешнюю проверку eFI+ с использованием банка данных Secure Anonymized Information Linkage (SAIL), базы данных ResearchOne и модели данных Leeds (LDM).

Кроме того, исследователи проанализируют данные когортного исследования Community Aging Research 75+ (CARE75+) (CI Clegg, n≈1200) как единственного национального когортного исследования, включающего баллы eFI, чтобы выяснить, как простые меры, которые можно оценить в первичной медико-санитарной помощи, но недоступны в рутинных данных ЭУЗ (например, скорость ходьбы, тест на время вставай и иди; ежедневные занятия; одиночество) может улучшить предсказание.

Дизайн исследования

Разработка прогностической модели, внутренняя проверка и внешняя проверка с использованием данных рутинных исследований первичной медико-санитарной помощи (ResearchOne), связанных наборов данных (банк данных SAIL и LDM) и данных когортных исследований (CARE75+) с интегрированным аналитическим моделированием принятия решений, включая экономический анализ здравоохранения.

Базы данных

1. Банк данных защищенной анонимной информационной связи (SAIL)

   Анонимные записи примерно 5 миллионов человек в Уэльсе со связанными первичной медико-санитарной помощью, посещаемостью неотложной помощи, госпитализацией, амбулаторными данными, социальным обслуживанием, набором данных Welsh Care Homes и данными о смертности ONS. SAIL включает в себя сводные баллы eFI и отдельные компоненты.

2. ResearchOne

   Репрезентативные на национальном уровне обезличенные данные из примерно 6 миллионов электронных медицинских карт первичной медико-санитарной помощи Великобритании в клинической системе TPP SystmOne. ResearchOne включает сводные баллы eFI и отдельные компоненты.

3. Модель данных Лидса (LDM)

   Анонимные, связанные первичные, вторичные, общественные и социальные данные о 810 000 пациентов в 108 клиниках в Лидсе, включая сводные баллы eFI и отдельные компоненты.

4. Группа исследований старения сообщества 75+ (CARE75+)

Национальное проспективное когортное исследование (n≈1200), собирающее подробную социально-демографическую информацию, показатели слабости (включая баллы eFI), простые инструменты, подходящие для использования в первичной медико-санитарной помощи (например, скорость ходьбы, тест на время вставай и иди; ежедневные занятия; неформальный уход; одиночество) и основные результаты через шесть, 12, 24 и 48 месяцев. CARE75+ — это очень богатый набор данных, который обеспечивает высокоэффективный метод исследования того, как простые инструменты могут повысить производительность eFI.

Соответствующее население

Пациенты ≥65 лет с умеренной слабостью (оценка eFI от 0,24 до 0,36) или тяжелой слабостью (оценка eFI >0,36), зарегистрированные в клиниках ResearchOne, SAIL или LDM 1 апреля 2018 г.

Все участники CARE75+ с умеренной слабостью (оценка eFI от 0,24 до 0,36) или тяжелой слабостью (оценка eFI > 0,36) будут иметь право на участие.

Результаты для прогнозирования риска (все 12 месяцев)

• Новый или увеличенный пакет услуг по уходу на дому
• Посещение отделения неотложной помощи/госпитализация в связи с падением или переломом
• Прием в дом престарелых
• Смертность от всех причин

предикторы

Компоненты eFI, дополненные переменными, доступными в рутинных данных EHR первичной помощи, и показатели клинической оценки, практически применимые для использования в первичной медико-санитарной помощи.

Прогностические модели

Каждая прогностическая модель будет разработана и проверена внутри только в одной из баз данных, а затем проверена снаружи во второй базе данных.

Размер выборки для разработки прогностической модели

Экстракты SAIL и ResearchOne будут включать по ≈600 000 пациентов в возрасте 65 лет и старше, из которых примерно 72 000 имеют умеренную слабость, а 24 000 — тяжелую слабость. Экстракт LDM будет включать ≈150 000 пациентов в возрасте 65 лет и старше, из которых примерно 18 000 имеют умеренную слабость и 6000 — тяжелую слабость.

Для разработки модели ключевым показателем эффективного размера выборки является количество исходных событий. Предыдущие исследования интересующих результатов и оценки осуществимости с использованием CARE75+, ResearchOne и SAIL дают информацию для оценок ожидаемого количества событий в течение 12 месяцев.

• Новый или расширенный пакет ухода на дому: Ожидается 15 864 события в SAIL, исходя из 14,9% 12-месячной заболеваемости в группе умеренной слабости (10 080 событий) и 24,1% 12-месячной заболеваемости в группе тяжелой слабости (5784 события).
• Посещение отделения неотложной помощи/госпитализация в связи с падением или переломом: Ожидается 8064 события в SAIL, исходя из 7,4% 12-месячной заболеваемости в группе умеренной слабости (5328 событий) и 11,4% заболеваемости тяжелой дряхлостью (2736 событий).
• Госпитализация в дом престарелых: Предполагалось 2160 событий в ResearchOne, исходя из 2,0% 12-месячной заболеваемости в группе умеренной слабости (1440 событий) и 3,8% 12-месячной заболеваемости в группе тяжелой слабости (720 событий).
• Смертность от всех причин: в ResearchOne предполагалось 12 216 событий, исходя из 10,6% 12-месячной заболеваемости в группе умеренной слабости (7632 события) и 19,1% 12-месячной заболеваемости в группе тяжелой слабости (4584 события).

Следовательно, даже при наименьшей оценке инцидентов за 12 месяцев (для госпитализации в дома престарелых) для каждого исхода исследователи ожидают не менее 2160 событий в каждом из ResearchOne или SAIL. Это позволяет нам надежно оценить прогностическую модель для каждого исхода даже с использованием до 108 предикторов, что соответствует 20 событиям на потенциальный предиктор (2160/20). Это превышает рекомендации «эмпирического правила» 10 или 15 событий на параметр предиктора.

Кроме того, консервативно предполагая, что новые модели будут иметь R-квадрат Нагелькерке 15%, формула размера выборки Райли предполагает, что по крайней мере 7,5 событий для каждого предикторного параметра обеспечат минимизацию переобучения и оптимизма, когда доля результатов составляет 3%. При увеличении доли результатов до 20 % (уход на дому), 9 % (падение/перелом) или 15 % (смертность) минимальный требуемый размер выборки составляет 18, 11,5 и 15 событий на прогностический параметр соответственно. Исследователи превышают все это из-за наличия больших наборов данных.

Размер выборки для внешней проверки

Текущие рекомендации заключаются в том, что для внешней проверки прогностической модели требуется не менее 100 событий и 100 несобытий (в идеале 200). Наши оценки показывают гораздо больше, чем это, например, 2160 событий для наименее распространенного результата госпитализации в дома престарелых в SAIL и ResearchOne и 540 в LDM (которые будут использоваться только для внешней проверки моделей).

Потерянная информация

Обработано с использованием множественного вменения и правил Рубина при случайном отсутствующем допущении, включая результат в модели вменения с учетом практической кластеризации.

План анализа

и) прогностическое моделирование

Исследователи создадут 4 отдельные прогностические модели в наборах данных для разработки, чтобы предсказать риск наших 4 ключевых заявленных результатов у людей с умеренной или тяжелой слабостью в качестве отправной точки.

Для каждого исхода, для пациентов с умеренной слабостью (оценка eFI от 0,24 до 0,36) или тяжелой слабостью (оценка eFI > 0,36), исследователи разработают и внутренне проверят прогностическую модель, содержащую только eFI (в целом в ее нынешнем виде), а затем содержащую компоненты eFI (включенные в качестве предикторов) вместе с дополнительными рутинными данными EHR первичной медико-санитарной помощи. Модель регрессии будет представлять собой логистическую регрессию или гибкую параметрическую выживаемость для бинарных результатов или результатов, зависящих от времени до события (в зависимости от ситуации, когда исследователи наблюдают за кодированием и цензурированием базы данных и т. д.), чтобы создать риски результатов к 12 месяцам.

Из-за большого размера выборки ожидается, что переобучение будет небольшим, но исследователи будут корректировать его, используя штраф через глобальный коэффициент сжатия, оцениваемый с помощью начальной загрузки. Там, где выбор переменных считается важным для экономии, исследователи скорее будут использовать наказание через эластичную сетку. Внутренняя проверка будет использовать начальную загрузку всего набора данных разработки и скорректированные на оптимизм оценки прогностической эффективности, полученные для калибровки (например, калибровка в целом, наклон калибровки, наблюдаемое/ожидаемое), различение (например, C-статистика) и в целом (например, Nagelkerke R2) выполнение прогнозируемых рисков. Непрерывные переменные не будут классифицироваться, а потенциальные нелинейные эффекты будут изучаться с использованием сплайнов или дробных полиномов. Непропорциональные опасности для предикторов также будут рассмотрены с точки зрения взаимодействия со временем.

Все модели будут проходить внешнюю проверку в другой базе данных. Прогностическая статистика производительности будет получена, как описано выше (например, C-статистика, калибровочный наклон), наряду с калибровочными графиками, показывающими соответствие между наблюдаемыми и прогнозируемыми рисками по всему спектру прогнозируемых рисков с использованием непараметрического сглаживания лесса.

Отдельно исследователи будут использовать набор данных CARE75+ для изучения дополнительной прогностической способности мер клинической оценки прогностических факторов, выявленных в обзорах, которые можно использовать в рутинной первичной медико-санитарной помощи.

ii) Моделирование решений

Прогностические модели будут преобразованы в основу для принятия клинических решений путем определения соответствующих порогов прогнозируемого риска, выше которых оправдано выполнение заявленных нами вмешательств. Это позволит нам создать аналитическую модель принятия решений (DAM), которая будет проверяться с использованием кривых принятия решений и чистой выгоды в наборах данных внешней проверки.

iii) Экономическая оценка здравоохранения

Экономическая оценка здравоохранения будет проводиться в два этапа. Целью первого этапа является проведение краткосрочного 12-месячного сравнения экономической эффективности сценариев, определенных с помощью DAM. На втором этапе исследователи расширит наш анализ до долгосрочной оценки рентабельности этих сценариев.