Оценка системы раннего предупреждения о клиническом ухудшении ситуации (CDEWS)

Этап 1. Создание прогностической модели. Данные о пациентах, поступивших в участвующие центры в течение 2017 года, будут извлечены из электронной медицинской карты ИОБ и системы управления лабораторными данными. Аналитик данных, нанятый в этом проекте, вместе с клиническими сотрудниками из отдела управления здравоохранением и исследовательского отдела, будет отвечать за очистку и очистку данных, а также за создание и внутреннюю проверку прогностической модели.

Этап 2: Внедрение в электронную медицинскую карту: После создания модели и шкалы риска она будет внедрена в качестве системы сигнализации в Osabide Global в участвующих центрах. С этой целью ПХГ HGU будет создано руководство к действию, которое после проверки будет затем экспортировано в два других центра. Система будет работать на основе элементов RIC, связанных с жизненно важными показателями, и будет направлять специалистов на протяжении всего процесса, так что врачу будут показаны аналитические данные, которые, как было показано, необходимы для расчета риска или, в случае необходимости, что пациенту не было предложено провести конкретное лабораторное исследование, дать рекомендации по экстракции. Как только система получит все данные, на экране появится предупреждение с результатами по шкале риска и категории риска легкая-умеренная-тяжелая и отчет с рекомендациями к действию. Рекомендации по шкале ViEWS от врача информирование ответственной медсестры о начале непрерывного наблюдения и посещения менее чем за 15 минут ответственным лечащим врачом, который также проинформирует врача отделения интенсивной терапии о переводе пациента в отделение, где за ним будут наблюдать и принимать меры, приведены в приложении 1. Система сигнализации будет представлена ​​в HGU клиническими сотрудниками, GSU ​​и аналитиком данных. Аналитик данных вместе с со-исследователями будет ответственным за создание системы сигнализации, за участие во встречах, на которых она будет представлена ​​в центрах, а затем будет проводить постоянное исследование использования и соблюдения правил. шкалы рисков, будет собирать сомнения и проблемы, которые могут возникнуть при внедрении системы, а также будет нести ответственность за внедрение шкалы рисков.

Этап 3: Внешняя проверка прогнозной модели. Сравнение клинических результатов: Прогностическая модель будет проверена после того, как произойдет 100 событий в каждом центре (будем надеяться, что после госпитализации около 8000 пациентов). В течение этого времени будут собираться данные во время и после реализации, чтобы сравнить клинические ухудшения, наблюдавшиеся до и после реализации. Аналитик данных будет извлекать информацию, сортировать и очищать ее, чтобы иметь возможность впоследствии провести соответствующий статистический анализ.

СТАТИСТИЧЕСКИЙ АНАЛИЗ

Процедура обработки данных в рамках настоящего проекта будет определяться следующими этапами, разделенными на два раздела:

А) Разработка и валидация прогностических моделей клинического ухудшения, перевода в отделение интенсивной терапии, остановки сердечно-легочной деятельности или смерти во время госпитализации.

Описательный анализ когорты создания модели/внутренней проверки, состоящей из пациентов из трех участвующих центров ретроспективной когорты. Будет собрана информация о потерях в переменных, зафиксированных в исследовании. Также будет собрана информация об исключенных пациентах. Будет оценена возможность применения методов вменения к отсутствующим данным в записанных переменных.

2.- При создании прогнозных моделей будут соблюдаться следующие моменты: a. Собранная выборка должна быть разделена на две подвыборки: Группа вывода 1: Общая выборка будет разделена на 60% для получения прогностических моделей для основной переменной результата - клинического ухудшения; Группа 2 проверки правил прогнозирования: модели будут проверены в этой выборке (40% выборки). Анализы также будут проводиться с разбивкой по полу. б. В группе 1 будут выявлены факторы риска клинического ухудшения, а также перевода в отделение интенсивной терапии, остановки сердечно-легочной деятельности или смерти во время госпитализации. Будет проведен двумерный анализ, чтобы изучить, какие из возможных переменных-предсказателей связаны с каждым параметром результата. Те переменные со значением p <0,20 будут идентифицированы как потенциальные предикторы, которые будут введены в многоуровневую многомерную модель логистической регрессии. Те переменные, которые являются статистически значимыми, будут выбраны для окончательной шкалы. Категории переменных в этой модели будут получать баллы в зависимости от параметра β, полученного в этой многомерной модели. Таким образом, для него будет получен общий балл и ROC-кривая. На основе этой шкалы будут созданы категории риска X.

3.- Степень соответствия и сравнение разработанных прогнозных моделей. Будут найдены параметры для оценки дискриминационной и калибровочной способности прогнозных моделей, разработанных в разделе 2. С одной стороны, в случае дихотомических зависимых переменных будет рассчитана площадь под ROC-кривой (AUC, дискриминационная способность), учитывая значение >0,80 будет надежной прогностической моделью. В дополнение к AUC калибровка модели будет оцениваться с помощью теста Хосмера-Лемешоу (хорошая калибровка для значения p ≥0,05).

4.- Внутренняя проверка прогнозных моделей. Проверка прогнозной модели будет осуществляться в группе проверки 2. Прогнозирующая модель и шкала будут проверены в этой группе путем использования прогнозируемых значений, полученных в деривационной выборке (группа 1). . Чувствительность, специфичность и площадь под кривой будут получены путем сравнения их с результатами, полученными в производной выборке. Калибровочная способность моделей будет оцениваться с помощью теста Хосмера-Лемешоу, а способность к различению - с помощью кривых ROC. В качестве дополнительной внутренней проверки будет выполняться проверка методами начальной загрузки.

5.-Внешняя проверка прогностических моделей. Внешняя проверка моделей, разработанных в ретроспективной когорте, будет применяться к проспективной когорте. Линейный предиктор (ЛП) сначала будет найден в остальных когортах путем рассмотрения коэффициентов регрессии, полученных в исходных моделях. Будут разработаны модели логистической регрессии. Для внешней проверки этих моделей будут рассмотрены три основные процедуры: подбор модели, дискриминация и калибровка. Во-первых, чтобы проверить соответствие модели, мы разработаем модель логистической регрессии для оставшихся когорт, рассматривая LP как ковариату для оценки коэффициента бета-регрессии. Если коэффициент бета-регрессии наклона равен 1, он будет считаться подходящим. Во-вторых, для оценки дискриминации модели будет рассчитан AUC с помощью методов начальной загрузки и перекрестной проверки. Значение AUC >0,80 будет считаться надежной прогностической моделью. В-третьих, калибровка будет оцениваться путем расчета общей калибровки, наклона калибровки (оба полученных на основе калибровочных графиков) и теста Хосмера-Лемешоу.

B) Оценка EWS на предмет клинических нарушений. 6.- Сравнение результатов: Для сравнения результатов после внедрения системы сигнализации будет проведено сравнение процентных долей пациентов, страдающих клиническим ухудшением до и после ее внедрения, HGU, а также между процентами, появляющимися в HGU, где будет внедрена система сигнализации, и HUD и HUA, где они продолжат свою обычную практику в течение этого периода оценки. Чтобы оценить возможность систематической ошибки, возникающей при формировании когорт, будет рассчитан показатель склонности, объясняющий вероятность быть отнесенным к одной (пациенты HGU) или другой когорте (HUD+HUA) в зависимости от наблюдаемых и объясненных независимых переменных. в разделе «Переменные воздействия». Этот показатель склонности будет введен в качестве независимой переменной при воспроизведении окончательных моделей вместе с воздействием, и коэффициенты, полученные в обоих случаях, будут сравниваться.