Предикторы исхода после периоперационного инсульта

ФОН

Периоперационный инсульт является разрушительным осложнением хирургического вмешательства, которое в настоящее время плохо охарактеризовано из-за ограниченных клинических инструментов, доступных для выявления и предотвращения его возникновения. Периоперационный инсульт представляет собой цереброваскулярное событие, которое возникает после операции и поражает от 0,1 до 1,9% пациентов, перенесших некардиологическое, не неврологическое хирургическое вмешательство. Периоперационный инсульт относительно мало изучен по сравнению с послеоперационными осложнениями аналогичной частоты и тяжести, такими как сердечные осложнения. За последние несколько десятилетий были предприняты значительные усилия для снижения риска периоперационного инфаркта миокарда, что привело к снижению заболеваемости с течением времени благодаря достижениям в стратификации риска и периоперационном ведении. Хотя частота периоперационного инсульта такая же или выше, чем частота периоперационного инфаркта миокарда, риск этого осложнения со временем увеличивается, и периоперационный инсульт остается относительно незамеченным. В современной литературе установлено, что пациенты, перенесшие инсульт после операции, имеют более высокий уровень смертности, продолжительность пребывания в стационаре и выписки из учреждения, но, учитывая редкий характер этого осложнения, относительно мало известно о том, какие факторы предсказывают эти исходы среди тех, кто перенес инсульт. пережить периоперационный инсульт.

ЦЕЛИ

КОНКРЕТНЫЕ ЦЕЛИ

1. Разработайте и внешне подтвердите модели прогнозирования риска смертности (основной исход), неблагоприятной выписки, использования ОИТ, трахеостомии/ЧЭГ/краниэктомии и продолжительности пребывания в стационаре после периоперационного инсульта.
2. Опишите временные тенденции смертности после периоперационного инсульта в период с 2005 по 2020 год.
3. Изучить медиаторы риска смертности после периоперационного инсульта.

МЕТОДЫ

Это исследование представляет собой ретроспективный анализ проспективно собранной базы данных Национальной программы повышения качества хирургии Американского колледжа хирургов в период с 2004 по 2020 год.

Производная когорта будет извлечена из базы данных NSQIP. Набор данных за последний год (2020 г.) включает данные о более чем одном миллионе случаев из 708 мест. Когорта проверки будет извлечена из данных о населении Британской Колумбии, набора связанных провинциальных баз данных, предоставляющих обезличенные данные на индивидуальном уровне обо всех жителях Британской Колумбии (население 5,1 миллиона человек). Диапазон дат с 1 января 2002 г. по 31 декабря 2020 г. был выбран, чтобы отразить современные методы лечения инсульта (например, EVT) и последовательное использование кодирования МКБ-10-CA с 2002 г.

Исследуемая популяция

Когорта производных NSQIP: будут включены пациенты с периоперационным инсультом в базе данных NSQIP в период с 2004 по 2017 год. Мы исключаем нейрохирургические (включая каротидную эндартерэктомию) и интервенционные радиологические процедуры. Кардио- и некардиохирургические популяции будут проанализированы отдельно, учитывая их уникальный профиль риска инсульта.

Когорта проверки PopDataBC: пациенты с AIS будут идентифицированы с использованием диагностических кодов I63.0-163.9. из Международной классификации болезней (МКБ), Десятого пересмотра, Канада (МКБ-10-СА), которая точно и надежно идентифицирует АИС в больших наборах административных данных с положительной прогностической ценностью и чувствительностью более 97%. Пациенты с диагнозом AIS при поступлении в МКБ-10-CA (верхние 3 позиции) в течение 30 дней после поступления на операцию или в качестве диагноза при выписке из индексной хирургической госпитализации. Периоперационные пациенты будут дополнительно исключены из общей когорты AIS, если они получили хирургический код счета за 30 дней до госпитализации по поводу инсульта.

Переменные исхода: первичный исход — 30-дневная смертность; вторичными исходами являются использование ОИТ, продолжительность пребывания в стационаре, маркеры исхода тяжелого инсульта (трахеостомия, ЧЭГ, гемикраниэктомия по поводу отека мозга) и неблагоприятная выписка (недомашнее учреждение или смерть).

Переменные-кандидаты-предикторы: Исход после периоперационного инсульта потенциально связан с пациентом, хирургическими и анестезиологическими факторами, а также с характеристиками инсульта. Переменные-кандидаты-предикторы будут включать характеристики пациента (возраст, пол, сопутствующие заболевания, включая инсульт в анамнезе), хирургические характеристики (специальность, сложность, тип, состояние неотложной помощи), технику анестезии (общая или регионарная/нейроаксиальная) и характеристики инсульта (время относительно операции). , повторная госпитализация по поводу инсульта по сравнению с инсультом в стационаре). Непрерывные переменные будут рассматриваться для преобразования с использованием дробных полиномов, чтобы обеспечить непрерывную нелинейную связь.

СТАТИСТИЧЕСКИЙ АНАЛИЗ

Задача 1: Разработка и проверка моделей прогнозирования риска. Многовариантные модели для прогнозирования 30-дневной смертности после периоперационного инсульта будут созданы отдельно для операций на сердце и вне сердца, учитывая их уникальные механизмы инсульта. Чтобы избежать переобучения, мы предпримем стратегию сокращения данных и исключим переменные с более чем 10% отсутствующих данных или менее 20 наблюдений. Если >1%, но <10% данных отсутствуют, мы будем рассматривать множественное или среднее вменение; переменные с <1% отсутствующих данных будут обработаны посредством полного анализа случая.

Предварительно заданные переменные-предикторы будут использоваться для построения модели логистической регрессии, в которой коэффициенты будут уменьшены с использованием эластичного штрафа. Этот метод для выбора переменных и штрафных санкций был выбран, потому что мы ожидаем возможности большого количества потенциальных предикторов по отношению к количеству результатов и того, что несколько важных предикторов будут коллинеарными. Используя регуляризацию эластичной сети, мы можем использовать баланс между наименьшим абсолютным сокращением и штрафом оператора селектора (LASSO) и регрессией RIDGE. Регрессия RIDGE позволит нам сохранить важные коллинеарные предикторы, но уменьшить их коэффициенты (которые могут быть завышены из-за коллинеарности). Методы LASSO позволяют обнулить коэффициенты некоторых не вносящих вклад предикторов, тем самым исключая их из модели. Включенные переменные будут оцениваться на предмет взаимодействий, а дополнительные условия будут учитываться для улучшения производительности модели по мере необходимости. В частности, мы априори рассмотрим следующие взаимодействия: возраст*пол, хирургическая сложность (ОЗРВ)*возраст, ОЗРВ*специальность и специальность*техника анестезии. Дискриминация модели будет оцениваться с использованием площади под кривой рабочей характеристики приемника (c-статистика). Калибровка модели будет оцениваться с помощью сглаженного лёссом графика наблюдаемых и прогнозируемых рисков по всему спектру рисков. Аналогичный анализ будет использоваться для создания модели прогнозирования продолжительности пребывания (которая будет представлять собой линейную модель с логарифмическим преобразованием). Поскольку смерть является конкурирующим исходом для решения о выписке, неблагоприятная выписка будет моделироваться как порядковый исход (выписка на дому, выписка вне дома или смерть).

Внутренняя проверка: после вывода 5000 образцов начальной загрузки будут использоваться для внутренней проверки и для получения оценочного оптимизма. Анализ чувствительности позволит протестировать производительность модели в разные периоды времени, чтобы оценить влияние года операции (например, периоды от 2 до 3 лет, в зависимости от количества наблюдений, доступных в каждом году). После получения окончательной модели для прогнозирования смертности мы получим упрощенный прогностический индекс путем преобразования коэффициентов регрессии в баллы, отражающие их относительные веса. Прогностическая точность результирующего инструмента будет оцениваться способом, аналогичным описанному выше.

Внешняя проверка: окончательная логистическая модель будет проверена внешним образом в отдельном наборе данных, полученном от PopDataBC, после сопоставления элементов данных NSQIP с базой данных PopDataBC. Коэффициенты регрессии будут применяться к PopDataBC из модели, полученной из NSQIP, для расчета вероятностей ожидаемых результатов и сравнения прогнозируемых результатов с наблюдаемыми. Дискриминация и калибровка будут измеряться, при этом площадь под кривой рабочей характеристики приемника >0,70 считается приемлемой дискриминацией модели, а критерий Хосмера-Лемешоу с p>0,05 указывает на приемлемое качество соответствия.

Задача 2: Временные тенденции смертности. Мы выполним исследовательскую нескорректированную модель обычной регрессии наименьших квадратов с годовым уровнем смертности после периоперационного инсульта в качестве зависимой переменной и годом в качестве предиктора для оценки годового изменения уровня смертности с течением времени. Будет указана модель многомерной линейной регрессии с поправкой на важные предикторы.

Задача 3: Медиаторы риска смертности. Чтобы изучить возможную модификацию риска смертности до инсульта постинсультными событиями, мы укажем серию моделей логистической регрессии со смертью в качестве зависимой переменной и вероятностью смерти из нашей первичной модели в качестве линейного предиктора. Затем мы добавим предопределенные предикторы (выше), каждый в качестве дополнительной переменной, чтобы выяснить, увеличивается или уменьшается вероятность смерти на основе добавления переменной, модифицирующей постулируемый эффект.

Гендерный/половой анализ: мы изучим взаимосвязь между полом и исходами после периоперационного инсульта, выполнив анализ подгрупп женщин и мужчин, а также охарактеризовав и сравнив исходные характеристики и исходы этих двух групп населения. Далее мы включим пол априори в качестве предиктора в скорректированную модель и изучим взаимодействие с другими переменными. Мы не можем исследовать небинарный пол, поскольку NSQIP предоставляет только «мужской», «женский» или «неизвестный».

Размер и мощность выборки: мы использовали методы Райли и др., чтобы оценить необходимый размер выборки для получения стабильной модели логистической регрессии, минимизирующей переоснащение. Используя 30 параметров модели и расчетную исходную распространенность 25% смертности у людей с инсультом,3 мы оценили необходимый минимальный размер выборки на основе потенциальной дискриминации модели (c-статистика) и объясненной дисперсии (Cox-Snell R2). Если наша модель достигает c-статистики 0,7 (R2 0,09), нам требуется 2754 участника. Более сильная дискриминация (c-статистика 0,8, R2 0,2) уменьшила бы требуемый размер выборки до 1145. База данных NSQIP за 2004–2017 годы содержит данные о 6,6 миллионах пациентов, и, исходя из нашего предварительного анализа набора данных за 2015 год, 99,5% будут внесердечными операциями с частотой инсульта 0,19%, а 0,5% будут кардиохирургическими операциями с частотой 1,76%. инсульта. Таким образом, мы оцениваем в общей сложности не менее 12 434 и 5 808 несердечных и сердечных периоперационных инсультов соответственно.

Значение p <0,05 будет считаться значимым для всех анализов, и весь анализ данных будет выполняться с использованием STATA 17 (StataCorp, Техас, США).