- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT01609465
Prognosmodeller för personer med stabil kranskärlssjukdom
Det finns för närvarande ingen publicerad algoritm för sekundärpreventionsprognos av CHD som är representativ för den engelska GP-registrerade befolkningen och som inkluderar både symtomatiska och asymtomatiska patienter (som identifierats genom primärvården). I detta dokument kommer utredarna att utnyttja rutinmässigt insamlad information i klinisk praxis för att modellera CHD-prognos baserad på en stor samtida öppen kohort av stabila CAD-patienter. Även om utredarmodellen endast baseras på data från allmänläkare i England, anser utredarna att denna population är tillräckligt heterogen när det gäller etnisk mix, socioekonomisk bakgrund, predisponerande egenskaper och livsstilar för att generera en prognostisk modell med god generaliseringsförmåga till den breda befolkningen. .
Bland forskningsfrågorna som utredarna ska försöka besvara är om etablerade riskfaktorer för primärvårdsprevention (rökning, högt blodtryck, dyslipidemi, diabetes) också är tillförlitliga för riskstratifiering av patienter som redan har utvecklat CAD. På samma sätt kommer utredarna att undersöka om starka prediktorer för ogynnsamma utfall hos ACS-patienter på kort sikt, såsom intagnings-SBP och hjärtfrekvens, också är associerade med deras långsiktiga prognos.
Studieöversikt
Status
Betingelser
Detaljerad beskrivning
Mål
- Att använda rutinmässigt insamlade data från primärvård och klinisk revision (MINAP) för patienter i England för att utveckla och validera prognostiska modeller för personer med stabil CAD.
- Att identifiera viktiga prognostiska faktorer för progression till MI eller dödlig CHD och jämföra deras styrka bland kliniskt viktiga undergrupper.
- Att uppskatta riskfördelningen till specifika tidshorisonter totalt sett och inom kliniskt viktiga undergrupper.
- Att använda uppskattningar härledda från modellen för att informera efterföljande beslutsmodeller avseende t.ex. urval av patienter för CABG eller andra linjens trombocythämmande medel (t.ex. klopidogrel).
Resultatet av primärt intresse är dödlig CHD och icke-dödlig hjärtinfarkt. Som ett sekundärt resultat kommer vi att modellera all dödlighet. Incidensen för dessa effektmått kommer att uppskattas under en period på upp till 5 år beroende på kvaliteten och tillgängligheten av uppföljning i kohorten. Vi kan försiktigt utvidga till andra endpoints, inklusive CVD och endpoints som återspeglar symptomatisk status (t.ex. användning av nitrat).
Vi planerar att följa de rapporteringsriktlinjer som anges i det kommande arbetet som leds av Atman och Moons.
Data och metoder
Datakällor
Information kommer att extraheras från CALIBER-studien (hjärt- och kärlsjukdomsforskning med hjälp av länkade skräddarsydda studier och elektroniska register). CALIBER är en samling av folkhälsodatalager som länkar det nationella hjärtinfarktregistret till den rika longitudinella primärvårdsjournalen, sekundärvårdens datakällor och till högt fenotypade kohorter i UCL-genetikkonsortiet. För närvarande är CALIBER-datauppsättningen sammansatt av länkning av flera datauppsättningar:
- Databas för allmänmedicinforskning (GPRD)7
- Myokardischemi National Audit Project (MINAP)8
- Sjukhusavsnittsstatistik (HES)9
- Dödlighetsdata från Office for National Statistics (ONS)
Inställning och studiepopulation
Godkänd allmän praxis definierades som praxis som uppfyller standarder för acceptabla nivåer av dataregistrering (dvs. granskningar visade att "minst 95 % av relevanta patientmöten registreras och data uppfyller kvalitetsstandarder för epidemiologisk forskning"7), och har samtyckt till koppling till HES och MINAP (ungefär 200 metoder).
För att definiera incidentfall kommer vi att utesluta patienter som inte har observerats under året före deras CAD-diagnosdatum. För vanliga fall tar vi bort detta tillstånd.
Vår startpunktspopulation definieras som patienter i åldern 18 år eller äldre med diagnosen CAD, under vilka vi inkluderar:
- patienter som diagnostiserats med stabil angina
- patienter med ACS (STEMI, NSTEMI & instabil angina) som överlevde > 4 veckor. Patienter med en CAD-diagnos som fick revaskularisering under uppföljningen kommer in i kohorten efter ingreppet (vid överlevnad efter ingreppet >4 veckor).
Vi kommer försiktigt att definiera bredare såväl som mer specifika startpunktspopulationer för att fullt ut utnyttja informationskvantiteten och rikedomen i CALIBER-data. Därför kommer vi att utöka vår analys till att omfatta vanliga CAD-fall och till incidentkohorter med en av de fyra CAD-subtyperna (stabil angina, instabil angina, STEMI och NSTEMI).
Studiens startdatum kommer att definieras som 1 januari 2000, för att endast inkludera de patienter för vilka orsaksspecifika dödlighetsdata potentiellt finns tillgängliga (först länkad 1 januari 2001). Studieperioden kommer att avslutas den 20 oktober 2009, det sista datumet för koppling till ONS-mortalitetsdata.
För varje patient kommer vi att fastställa rätt censurdatum, vilket kommer att vara det tidigaste av följande datum: datum för utveckling av resultatet av intresse, slutet av studieperioden (20 oktober 2009), datum för icke-koronar död, datum för avresa övningen, eller senaste övningsdatainsamlingsdatum.
Etik
Studien använder anonymiserad datauppsättning från GPRD, MINAP och HES. Studieprotokollet utvärderades och godkändes av Independent Scientific Advisory Committee (ISAC) av Medicines and Healthcare products Regulatory Agency (MHRA) (ISAC-protokoll nr 07-008 och 10-106). Studien registrerades på clinicaltrials.gov (registreringsnr TBC).
Förklaringsfaktorer som beaktas Inledningsvis kommer vi att överväga ett brett spektrum av riskfaktorer och biomarkörer som har varit inblandade i kranskärlssyndrom och som är allmänt tillgängliga vid/vid tidpunkten för en klinisk granskning, inklusive Framingham ("standard") riskfaktorer (ålder, rökstatus, blodtryck, kolesterol och diabetes). Eftersom riskfaktorer vanligtvis inte mäts samtidigt utan under några dagar runt diagnostiden kommer vi att definiera regler för att välja "baslinje"-mätningar och hantera konflikter i överlappande värden mellan GPRD och MINAP (där dessa uppstår).
Vårt urval kommer att dras från:
- demografiska, inklusive ålder vid diagnos, etnicitet och index för multipel deprivation (IMD)
- livsstil, inklusive rökning och alkoholkonsumtion
- blodtrycksrelaterad, inklusive SBP, DBP, förskrivning av blodtryckssänkande medel, diagnostiserad hypertoni, pulsfrekvens och pulstryck
- lipider-relaterade, inklusive totalkolesterol, HDL, triglycerider och förskrivning av statiner
- diabetesrelaterad, inklusive diagnos av typ I eller II diabetes, diabetesmedicin, fasteplasmaglukos, Hb1Ac och BMI
- biomarkörer, inklusive kreatinin och hemoglobin
- Sekundärt förebyggande läkemedel (aspirin, klopidogrel, betablockerare, ACE-hämmare och betablockerare)
- Tidigare interventioner (PCI och CABG)
- CVD svårighetsgrad, inklusive angiografiska fynd (normal/onormal funktion av vänster kammare), CV-tillstånd (stroke, perifer artärsjukdom), tidigare hjärtinfarkt och konsultationsfrekvens (inom det senaste året)
- Icke-CV-komorbiditeter, huvudkapitel som ingår i Charlson-indexet
- För ACS-patienter kommer vi också att överväga information som är specifikt registrerad i MINAP i relation till sjukhusepisoden (akut pulsfrekvens, akut SBP och DBP och beta-troponin).
Behandling av saknade värden
Om möjligt kommer upprepade mätningar att användas för att ersätta saknade data i baslinjeposten. Tillvägagångssättet kommer att baseras på en uppsättning regler för överföring av mätningar mellan olika konsultationer och avstämning av mätningar från olika källor som vi kommer att ta fram för CALIBER-projektet.
De återstående saknade värdena kommer att ersättas med förutsagda värden under ramverket för multipel imputering, som implementerat i R-paketet "möss" (version 2). Denna version av "möss" kan hantera både missing at random (MAR) och missing not at random (MNAR) mönster.
För att identifiera lämpliga modeller för att imputera varje variabel kommer vi att ta följande tillvägagångssätt:
- beräkna korrelationsmatrisen för att välja starka prediktorer för de saknade data i varje variabel
- bedöma saknade datamönster, proportioner och samvariatfördelningar
- identifiera styrkan i samband med resultat av intresse (passar en Cox-modell med alla variabler)
- identifiera en lämplig imputationsmodell och förenkla den där det är möjligt (men inkludera alltid standardriskfaktorer och andra prediktorer som vi förväntar oss att inkludera i den prognostiska modellen baserat på deras kliniska betydelse)
- bestämma i vilken ordning variablerna skulle tillräknas (t.ex. i ordningsföljd av minskande saknad, korrelation och/eller prediktiv kraft).
Alla våra imputeringsmodeller kommer att inkludera resultatet av intresse (CHD-död eller icke-dödlig MI) som tidigare beskrivits 10.
Imputering kommer att ingå i variabelurval och modelluppskattning som beskrivs senare.
Variabelt urval
Vi kommer att välja vår slutliga modell baserat på en kombination av tillvägagångssätt inklusive statistisk prestanda och klinisk genomförbarhet. Vårt mål är att komma fram till en generaliserbar, effektivt skattbar modell som samtidigt är tillräckligt känslig för att fånga mycket av heterogeniteten i målpopulationen.
Vi kommer att bedöma statistisk prestanda i CoxPH-modeller med resultaten av intresse. Kön kommer att inkluderas som en justerad eller stratifierande variabel beroende på om antagandet om proportionella faror (PH) är uppfyllt eller inte.
Det är möjligt att patienter från olika metoder skiljer sig åt i sin underliggande risk (t.ex. på grund av regionala variationer i case-mix). Därför kommer vi att testa PH-antagandet med avseende på könsspecifika baslinjefaror för GP-praxis i data. Om PH-antagandet kränks kommer vi att uppskatta Cox-modeller inom varje praktik och kombinera koefficienter genom metaanalys av slumpmässiga effekter. Om PH-antagandet är uppfyllt kommer vi att anta samma utgångsrisk mellan olika metoder och indikera de grupperade patienterna (i samma GP-praktik) i modellen för att uppskatta robusta varianser.
Vi kommer att välja tidsskala för Cox-modellerna baserat på en preliminär analys som utforskar två alternativ, ålder-at-risk eller tid till händelse/censur. Vårt val kommer till stor del att baseras på åldersspridningen av diagnos och fall i kohorten och vilken tidsskala som är mer sannolikt att ha färre PH-kränkningar.
I steg 1 kommer vi att utforska univariata associationer mellan varje kandidatprediktor och den primära endpointen när det gäller styrka och form av association och utvärdera rimliga interaktioner med ålder, tid och kön. Där formen avsevärt skiljer sig från linjäritet kommer vi att överväga mer flexibel modellering, som att använda splines med begränsade kubiska splines. Proportionella faror kommer att bedömas genom att undersöka Schoenfield-rester. Variabler med låg statistisk signifikans kommer inte att övervägas vidare om det inte finns starka kliniska skäl.
I steg 2 kommer vi att följa ett datadrivet tillvägagångssätt för att identifiera viktiga variabler bland de som behålls från steg 1 i ett multivariat sammanhang. För detta kommer vi att använda stegvis regression, som implementerad i fastbw-funktionen i 'rms' R-paketet (ref), vilket tvingar in standardriskfaktorerna i alla kandidatmodeller. Vi kommer att tillämpa algoritmen separat för varje panel av kandidatprediktorer, t.ex. blodtrycksvariabler, CVD svårighetsgrad etc för att säkerställa att minst en prediktor från varje grupp är representerad i den slutliga modellen. Som en allmän regel kommer p>0,1 och avsaknad av stark association i den univariata miljön att betraktas som bevis för uteslutning.
Stegen ovan kommer att kombineras med multipel imputering, som tidigare rekommenderats11, med ett effektivt och opartiskt tillvägagångssätt bland de alternativ som föreslås för det aktuella problemet. Det slutliga urvalet kommer att baseras på att bedöma flera kandidatmodeller med liknande statistisk prestanda med hjälp av andra kriterier, såsom andelen icke-imputerade data, mätningens tillförlitlighet, klinisk genomförbarhet och läkares råd.
När variabler som ska inkluderas i modellen har valts kommer vi att uppdatera imputeringsmodeller (vid behov) för att inkludera dessa variabler. Att inte göra det kan leda till att associationer blir null12.
Uppskattning
Uppskattning av koefficienter och risker måste inkludera tre typer av osäkerhet:
- Osäkerhet på grund av imputering av saknade data (hanteras genom att införliva variationer mellan imputering)
- Osäkerhet i skattningen av modellparametrar (hanteras genom korsvalidering)
- Känslighet för dataprov (hanteras genom att bootstrappa data)
För att utföra 10-faldig korsvalidering kommer data att delas upp slumpmässigt i 10 undergrupper. Riskerna för individer i undergrupp q kommer att uppskattas genom att anpassa Cox-modellen till alla undergrupper utom undergrupp q. Att upprepa detta för varje undergrupp q=1,..,10 ger förutspådda risker för alla individer. Som en känslighetsanalys kommer vi att upprepa korsvalideringsproceduren uppdelad efter GP-praxis istället för slumpmässigt över alla metoder.
Uppskattningen kommer att fortsätta enligt följande:
- Alla prediktorer som valts ut för att ingå i den slutliga modellen och som saknar data kommer att imputeras baserat på de imputeringsmodeller som valts i tidigare steg.
- CoxPH-modeller kommer att utrustas (med korsvalidering) för slutpunkten av intresse som behandlar icke-CHD-dödsfall som censurerade observationer.
- CoxPH-modeller kommer att utrustas (med korsvalidering) för icke-CHD-behandling av MI och dödlig CHD som censurerade observationer.
- Riskerna kommer att uppskattas för varje enskild justering för icke-CHD-mortalitet baserat på de orsaksspecifika Cox-modellerna och formeln som beskrivs av Kalbfleisch & Prentice13.
- Standardfel kommer att erhållas genom att upprepa steg 2 till 4 på ett lämpligt antal (200) bootstrap-prover.
- Proceduren kommer att upprepas från steg 1 under ytterligare 4 omgångar av imputering för att erhålla variansen mellan imputering.
Uppskattningar kommer att kombineras med hjälp av Rubins regler. Utvärdering De flesta standardmetoder för modellutvärdering antar absoluta risker (ej justerat för konkurrerande risker). Eftersom vi har att göra med kumulativa incidenser (dvs. risker justerade för icke-CVD-dödlighet) kommer vi att ändra utvärderingsmetoderna i enlighet med detta.
- Kalibrering kommer att kontrolleras genom att gruppera förutsägelser i deciler och beräkna medelrisken inom varje decil mot den konkurrerande riskjusterade Kaplan-Meier (dvs. kumulativ incidens) för den riskgruppen.
- Diskriminering kommer att kontrolleras övergripande och på ett åldersspecifikt sätt med hjälp av en formulering av C-index som tillåter justering för konkurrerande risker14.
Slutligen kommer vi att jämföra prestanda (om möjligt) med andra publicerade riskalgoritmer, såsom GRACE15 och REACH3 som refererar till liknande startpopulationer och resultat. För att göra detta kommer vi att anpassa modeller med hjälp av uppsättningen av kovariater som ingår i de publicerade algoritmerna och jämföra dem med vår föreslagna nya modell. Eftersom det ännu inte finns några kliniskt meningsfulla risktrösklar för sekundärt CHD-prevention kommer vi att använda mått som inte kräver riskstratifiering. Möjliga exempel är den kontinuerliga NRI16 och Brier-poängen.
Statistisk programvara och version
R version 13.1 med lämpliga tilläggspaket.
Studietyp
Inskrivning (Förväntat)
Kontakter och platser
Studieorter
-
-
-
London, Storbritannien, WC1E 7HE
- Clinical Epidemiology Group, UCL
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
För att definiera incidentfall kommer vi att utesluta patienter som inte har observerats under året före deras CAD-diagnosdatum. För vanliga fall tar vi bort detta tillstånd.
Vår startpunktspopulation definieras som patienter i åldern 18 år eller äldre med diagnosen CAD, under vilka vi inkluderar:
- patienter som diagnostiserats med stabil angina
- patienter med ACS (STEMI, NSTEMI & instabil angina) som överlevde > 4 veckor. Patienter med en CAD-diagnos som fick revaskularisering under uppföljningen kommer in i kohorten efter ingreppet (vid överlevnad efter ingreppet >4 veckor).
Beskrivning
Inklusionskriterier:
- Godkänd allmän praxis definierades som praxis som uppfyller standarder för acceptabla nivåer av dataregistrering (dvs. granskningar visade att "minst 95 % av relevanta patientmöten registreras och data uppfyller kvalitetsstandarder för epidemiologisk forskning"7), och har samtyckt till koppling till HES och MINAP (ungefär 200 metoder).
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
|---|
|
Stabil angina
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Utredare
- Huvudutredare: Harry Hemingway, FRCP, University College, London
Publikationer och användbara länkar
Allmänna publikationer
- Fox KM; EURopean trial On reduction of cardiac events with Perindopril in stable coronary Artery disease Investigators. Efficacy of perindopril in reduction of cardiovascular events among patients with stable coronary artery disease: randomised, double-blind, placebo-controlled, multicentre trial (the EUROPA study). Lancet. 2003 Sep 6;362(9386):782-8. doi: 10.1016/s0140-6736(03)14286-9.
- White IR, Royston P, Wood AM. Multiple imputation using chained equations: Issues and guidance for practice. Stat Med. 2011 Feb 20;30(4):377-99. doi: 10.1002/sim.4067. Epub 2010 Nov 30.
- Bhatt DL, Eagle KA, Ohman EM, Hirsch AT, Goto S, Mahoney EM, Wilson PW, Alberts MJ, D'Agostino R, Liau CS, Mas JL, Rother J, Smith SC Jr, Salette G, Contant CF, Massaro JM, Steg PG; REACH Registry Investigators. Comparative determinants of 4-year cardiovascular event rates in stable outpatients at risk of or with atherothrombosis. JAMA. 2010 Sep 22;304(12):1350-7. doi: 10.1001/jama.2010.1322. Epub 2010 Aug 30.
- Squizzato A, Keller T, Romualdi E, Middeldorp S. Clopidogrel plus aspirin versus aspirin alone for preventing cardiovascular disease. Cochrane Database Syst Rev. 2011 Jan 19;(1):CD005158. doi: 10.1002/14651858.CD005158.pub3.
- Clayton TC, Lubsen J, Pocock SJ, Voko Z, Kirwan BA, Fox KA, Poole-Wilson PA. Risk score for predicting death, myocardial infarction, and stroke in patients with stable angina, based on a large randomised trial cohort of patients. BMJ. 2005 Oct 15;331(7521):869. doi: 10.1136/bmj.38603.656076.63. Epub 2005 Oct 6.
- Roques F, Nashef SA, Michel P, Gauducheau E, de Vincentiis C, Baudet E, Cortina J, David M, Faichney A, Gabrielle F, Gams E, Harjula A, Jones MT, Pintor PP, Salamon R, Thulin L. Risk factors and outcome in European cardiac surgery: analysis of the EuroSCORE multinational database of 19030 patients. Eur J Cardiothorac Surg. 1999 Jun;15(6):816-22; discussion 822-3. doi: 10.1016/s1010-7940(99)00106-2.
- Sutcliffe SJ, Fox KF, Wood DA, Sutcliffe A, Stock K, Wright M, Akhras F, Langford E. Incidence of coronary heart disease in a health authority in London: review of a community register. BMJ. 2003 Jan 4;326(7379):20. doi: 10.1136/bmj.326.7379.20. No abstract available.
- Walley T, Mantgani A. The UK General Practice Research Database. Lancet. 1997 Oct 11;350(9084):1097-9. doi: 10.1016/S0140-6736(97)04248-7. No abstract available.
- Birkhead J, Walker L. National audit of myocardial infarction (MINAP): a project in evolution. Hosp Med. 2004 Aug;65(8):452-3. doi: 10.12968/hosp.2004.65.8.15487. No abstract available.
- White IR, Royston P. Imputing missing covariate values for the Cox model. Stat Med. 2009 Jul 10;28(15):1982-98. doi: 10.1002/sim.3618.
- Wood AM, White IR, Royston P. How should variable selection be performed with multiply imputed data? Stat Med. 2008 Jul 30;27(17):3227-46. doi: 10.1002/sim.3177.
- Prentice RL, Kalbfleisch JD, Peterson AV Jr, Flournoy N, Farewell VT, Breslow NE. The analysis of failure times in the presence of competing risks. Biometrics. 1978 Dec;34(4):541-54.
- Wolbers M, Koller MT, Witteman JC, Steyerberg EW. Prognostic models with competing risks: methods and application to coronary risk prediction. Epidemiology. 2009 Jul;20(4):555-61. doi: 10.1097/EDE.0b013e3181a39056.
- Fox KA, Goodman SG, Anderson FA Jr, Granger CB, Moscucci M, Flather MD, Spencer F, Budaj A, Dabbous OH, Gore JM; GRACE Investigators. From guidelines to clinical practice: the impact of hospital and geographical characteristics on temporal trends in the management of acute coronary syndromes. The Global Registry of Acute Coronary Events (GRACE). Eur Heart J. 2003 Aug;24(15):1414-24. doi: 10.1016/s0195-668x(03)00315-4.
- Pencina MJ, D'Agostino RB Sr, Steyerberg EW. Extensions of net reclassification improvement calculations to measure usefulness of new biomarkers. Stat Med. 2011 Jan 15;30(1):11-21. doi: 10.1002/sim.4085. Epub 2010 Nov 5.
Studieavstämningsdatum
Studera stora datum
Studiestart
Primärt slutförande (Förväntat)
Avslutad studie (Förväntat)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Uppskatta)
Uppdateringar av studier
Senaste uppdatering publicerad (Uppskatta)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- CALIBER 10-13
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .