Pre- och post-neuromuskuloskeletal skada riskbedömning för återgång till tjänstgöring (PREPARE)

Icke-stridsrelaterade muskuloskeletala skador (MSKI) är den främsta orsaken till sjuklighet och funktionsnedsättning i USA:s militär, och urholkar stridsberedskapen mer än någon annan enskild sjukdom eller hälsotillstånd. MSKI-problemet är utmanande att ta itu med, delvis eftersom det är svårt att heltäckande bedöma alla faktorer som ökar MSKI-risken och de faktorer som påverkar resultat efter MSKI, värdebaserad vård måste ha den nödvändiga infrastrukturen för att fånga och bearbeta handlingsbar information , och implementera sedan relevanta förändringar (d.v.s. lärande sjukvårdssystem). Det finns dock inga omfattande rekommendationer från Military Health System (MHS) angående insamling och användning av objektiva och subjektiva patientcentrerade data för att informera MSKIs riskbedömning och begränsningsstrategier. PREPARE kommer att utveckla effektiva riskbedömningar före och efter MSKI som inkluderar objektiva och subjektiva mått. Det övergripande studiemålet är att utveckla omfattande kliniska bedömningar som identifierar tjänstemedlemsspecifika faktorer som bidrar till MSKI-risker och oönskade post-MSKI-resultat.

Dessa mål kommer att uppnås genom följande specifika mål (SA):

Specifikt mål #1: Fastställ tillförlitligheten för de studierelaterade mätningarna inom en (pilot)kohort av friska, aktiva tjänstemedlemmar.

Hypotes SA#1: Det kommer att finnas bra till utmärkt tillförlitlighet inom bedömare, mellan bedömare och mellan dagar för studierelaterade mätningar.

Specifikt mål #2: Fastställ de fysiska och psykosociala egenskaperna hos tjänstemedlemmar före MSKI som skiljer mellan individer som fortsätter att upprätthålla en MSKI och de som inte gör det inom 1 år efter studieregistreringen.

Hypotes SA#2: En vanlig uppsättning fysiska (t.ex. rörelsebedömningar, gång, rörelseomfång) och psykosociala (t.ex. National Institutes of Health Patient-Reported Outcomes Measurement Information System [PROMIS], TSK-11) bedömningar kan identifiera de pre-MSKI-faktorer som bidrar till större MSKI-risker.

Specifikt mål #3: Bestäm post-MSKI fysiska och psykosociala egenskaper hos tjänstemedlemmar med icke-kirurgiskt hanterade MSKIs som skiljer mellan individer som fortsätter att få oönskade resultat och de som har förväntat resultat.

Hypotes SA#3: En vanlig uppsättning fysiska (t.ex. rörelsebedömningar, gång, rörelseomfång) och psykosociala (t.ex. NIH PROMIS, TSK-11) bedömningar kan identifiera de post-MSKI-faktorer som bidrar till oönskade patientresultat (t.ex. ökad MSKI-risk, symtom/tillståndskronisering, försenad återgång till tjänst/aktivitet [RTD/A]).

Specifikt mål #4: Skapa optimerade (sparsam) kliniska bedömningar före och efter MSKI för identifiering av fysiska och psykosociala faktorer som tillhandahåller den information som behövs för att förbättra riskreducerings- och rehabiliteringsstrategier före och efter MSKI.

Hypotes SA#4: En vanlig uppsättning halvautomatiska bedömningar på fältet kan struktureras för att korrekt informera kliniskt beslutsfattande och informera tjänstemedlemmar och vårdgivare om troliga patientresultat (t.ex. MSKI-risk, tid till RTD/A).

Specifikt mål #5: Validera de optimerade versionerna av våra pre- och post-MSKI-bedömningar genom att visa deras förmåga att förutsäga MSKI-risker och resultat i nya Service Member-kohorter.

Hypotes SA#5: De optimerade pre- och post-MSKI-bedömningarna kommer att exakt identifiera servicemedlemmar med den högsta risken för att upprätthålla MSKIs och oönskade resultat efter MSKI över tjänstemedlemspopulationer.

Detta är en observationsstudie på flera platser för att identifiera de fysiska och psykosociala faktorerna före och efter MSKI som bidrar till ökad MSKI-risk (Specific Aim #2) och oönskade post-MSKI-resultat (Specific Aim #3) och för att identifiera minimiuppsättningen av kliniska bedömningar som behövs för att ge vårdgivare de data som krävs för att optimera MSKI-vården (Specific Aim #4) och för att validera de optimerade pre- och post-MSKI-bedömningarna genom att visa deras förmåga att förutsäga MSKI-risker och resultat i nya Service Member-kohorter. För specifikt mål #1 kommer 10 friska aktiva tjänstemedlemmar att fungera som en pilotkohort för deltagande i studien. Dessa personer kommer att slutföra alla studierelaterade aktiviteter så att studieteamet kan fastställa bästa möjliga tidsuppskattning för slutförandet av studierelaterade aktiviteter. Dessa individer kommer att upprepa samma studierelaterade aktiviteter 7-10 dagar efter det första besöket; detta kommer att göra det möjligt för studiegruppen att fastställa tillförlitligheten för de studierelaterade måtten inom bedömare, interbedömare och mellan dagar. För specifikt mål #2 kommer tjänstemedlemmar (n=560) som går ombord på en ny militär enhet att bli inskrivna. Deltagarna kommer att genomgå en omfattande klinisk bedömning före MSKI vid tidpunkten för studieregistreringen, inklusive bedömningar av klinisk rörelse och rörelseomfång, och patientrapporterade resultatmått (PRO). MSKI-data kommer att samlas in månadsvis i upp till 1 år efter den första bedömningen. För specifikt mål #3 kommer tjänstemedlemmar (n=780) som får konservativ behandling för en muskel- och skelettskada i ländryggen eller nedre extremiteten att prospektivt registreras. Tjänstemedlemmar kommer att få behandling för MSKIs efter bedömning av tjänstemedlemmarnas vårdgivare. Deltagarna kommer att genomgå upprepad (≤3 dagar efter start av sjukgymnastik ["initial"); 4 veckor efter inledande bedömning, eller vid RTD/A-klarering, om före 4 veckor; och 12 veckor efter initial bedömning, eller vid RTD/ En clearance, om före 12 veckor) klinisk rörelse- och rörelseomfångsbedömning. PRO- och MSKI-data kommer att samlas in månadsvis i upp till 1 år efter den första bedömningen. För specifikt mål #5, servicemedlemmar som är under behandling till en enhet i Fort Bragg, NC (n=560) och aktiva tjänstemedlemmar som får sjukgymnastik för en MSKI inom ett Womack Army Medical Center (WAMC; Ft. Bragg, NC) fysioterapiklinik (n=780) kommer att registreras. Deltagarna kommer att slutföra våra optimerade pre- och post-MSKI-bedömningar identifierade i Specifikt mål #4. Alla procedurer och tidpunkter kommer att vara identiska med de som tidigare beskrivits för specifika mål #2 och #3.

För specifika mål #2 och #3 kommer deltagarna att slutföra: 1) Rörelsebedömningar med hjälp av halvautomatiska kinematiska (markörlöst rörelsefångningssystem) och kinetiska (instrumenterad gångväg) mätningar för hopplandning, triple hop, single leg squat, double leg squat , och gång; 2) Omfång av rörelsemätningar inklusive höftförlängning, höftabduktion, knäflexion, knäförlängning och dorsalflexion; 3) PRO-mått inklusive NIH PROMIS och Tampa Scale of Kinesiophobia (TSK-11) och 4) MSKI-spårning.

För att ta itu med specifika mål #2 och #4 kommer studiegruppen att använda ett statistiskt tillvägagångssätt för att välja ut och utvärdera kandidatbedömningar för förutsägelse av MSKI. Optimala bedömningar kommer att fastställas baserat på lägsta frekvenser av felklassificering av MSKI-förutsägelser. Denna analys kommer att använda en maskininlärningsalgoritm (hierarkisk klusteranalys) för att definiera grupper av starkt korrelerade svarsvariabler bland den omfattande uppsättningen av kliniska bedömningar. Studiegruppen kommer att beskriva och jämföra variabler som erhållits från individuella bedömningar av närvaron kontra frånvaron av MSKI under upp till ett års uppföljning, med hjälp av t-tester eller ett icke-parametriskt alternativ. Hierarkisk klusteranalys (Wards metod) kommer att användas för att sedan identifiera kluster av korrelerade variabler som minimerar variansen inom kluster i datasetet. Träddiagram och klustermedel kommer att användas för att tolka kluster i relation till individuella variabler och funktionella domäner som beskrivs i litteraturen, inklusive prestations- och allmänna hälsomått och självbedömning av funktion. Känslighetsanalyser kommer att utvärdera robustheten hos tilldelade grupperingar för valet av klustringsmetod, med hjälp av alternativa algoritmer för att beräkna likheten mellan kluster (t.ex. kompletta länkning eller gruppgenomsnittsmetoder).

Klusteranalysresultat kommer att användas för att härleda reducerade, kandidatbedömningar från potentiella kombinationer av de individuella variabler som hittats kännetecknas av de identifierade klustren. Kandidatbedömningsvariablerna kommer att utvärderas som prediktorer i binära klassificeringsmodeller av MSKI genom upp till ett års uppföljning. Felklassificeringsfrekvenser kommer att rapporteras som procentandelen deltagare där resultatet felaktigt förutspåddes efter tröskelvärde med hjälp av kliniskt relevanta känsligheter och specificiteter. Korsvalidering kommer att användas för att minimera bias i uppskattade sannolikheter. Studieteamet kommer att välja bedömningar som kombineras för att ha de lägsta felklassificeringsfrekvenserna och kortaste slutförandetiderna för att skapa den optimala MSKI-riskbedömningen (Specific Aim #4). Genomförandetider kommer att uppskattas baserat på observerade tider för att administrera varje enskild artikel. Analyser kommer att upprepas och begränsar utfallen till de vanligaste individuella MSKI-typerna (mot ingen MSKI), för att utvärdera för kvalitativa skillnader i optimala bedömningar per skadetyp.

För att ta itu med specifika mål #3 och #4 kommer studiegruppen att använda ett statistiskt tillvägagångssätt för att välja ut och utvärdera kandidatbedömningar för att förutsäga MSKI-resultat (Specific Mål #3). Optimala bedömningar kommer att fastställas baserat på lägsta frekvenser av felklassificering av resultat och kortaste bedömningstider. Denna analys kommer att använda en maskininlärningsalgoritm (hierarkisk klusteranalys) för att definiera grupper av starkt korrelerade svarsvariabler bland den omfattande uppsättningen av kliniska bedömningar. Studiegruppen kommer att använda hierarkisk klusteranalys (Wards metod) för att identifiera kluster av observationer som minimerar variansen inom kluster vid baslinjebesöket. Träddiagram och klustermedel kommer att användas för att tolka kluster i relation till individuella variabler och funktionella domäner som beskrivs i litteraturen. Känslighetsanalyser kommer att utvärdera robustheten hos tilldelade grupperingar för valet av klustringsmetod, med hjälp av alternativa algoritmer för att beräkna likheten mellan kluster (t.ex. kompletta länkning eller gruppgenomsnittsmetoder). Analyser kommer att upprepas inom undergrupper av MSKI-typ för att utvärdera för skillnader i identifierade kluster över skadetyper.

Klusteranalysresultat kommer att användas för att härleda reducerade, kandidatbedömningar från potentiella kombinationer av de individuella variablerna som kännetecknas av de identifierade klustren. Kandidatbedömningsvariablerna kommer att utvärderas som prediktorer i binära klassificeringsmodeller (t.ex. logistisk eller Lasso-regression) för oönskade patientresultat. Felklassificeringsfrekvenser kommer att rapporteras som procentandelen patienter där resultatet felaktigt förutspåddes efter tröskelvärde med kliniskt relevanta känsligheter och specificiteter. Korsvalidering kommer att användas för att minimera bias i uppskattade sannolikheter. Studiegruppen kommer att välja bedömningar som kombineras för att ha de lägsta felklassificeringsfrekvenserna och kortaste slutförandetiderna för att skapa den optimala bedömningen efter MSKI (Specific Aim #4). Genomförandetider kommer att uppskattas baserat på observerade tider för att administrera varje enskild artikel. Analyser kommer att upprepas för ryggsmärta jämfört med mindre frekventa MSKI-typer, och för det 12-veckors uppföljningsbesöket, för att utvärdera för skillnader i optimala bedömningar av MSKI-typ och tid efter MSKI. Eftersom primära analyser kommer att baseras på baslinjebedömningar och resultat som fastställts av internetbaserade frågeformulär för att minimera förslitning, planeras ingen tillskrivning av saknade data.

För att ta itu med specifikt mål #5 kommer studieteamet att utvärdera förmågan hos våra optimala bedömningar (Specific Aim #4) att förutsäga MSKI:er och oönskade resultat i valideringskohorter under sex månaders uppföljning. Felklassificeringsfrekvenser för ojusterade och fulla modeller kommer att beskrivas med hjälp av mottagarens funktionskarakteristikkurvor (ROC) och 95 % konfidensintervall. Analyser kommer att upprepas separat för ryggsmärtor och MSKI i nedre extremiteter med hjälp av de optimala bedömningarna som identifierats för dessa skadetyper.