Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Prognosmodeller för personer med stabil kranskärlssjukdom

29 maj 2012 uppdaterad av: Harry Hemingway, University College, London

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

Okänd

Detaljerad beskrivning

Mål

  1. 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.
  2. Att identifiera viktiga prognostiska faktorer för progression till MI eller dödlig CHD och jämföra deras styrka bland kliniskt viktiga undergrupper.
  3. Att uppskatta riskfördelningen till specifika tidshorisonter totalt sett och inom kliniskt viktiga undergrupper.
  4. 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:

  1. patienter som diagnostiserats med stabil angina
  2. 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:

  1. demografiska, inklusive ålder vid diagnos, etnicitet och index för multipel deprivation (IMD)
  2. livsstil, inklusive rökning och alkoholkonsumtion
  3. blodtrycksrelaterad, inklusive SBP, DBP, förskrivning av blodtryckssänkande medel, diagnostiserad hypertoni, pulsfrekvens och pulstryck
  4. lipider-relaterade, inklusive totalkolesterol, HDL, triglycerider och förskrivning av statiner
  5. diabetesrelaterad, inklusive diagnos av typ I eller II diabetes, diabetesmedicin, fasteplasmaglukos, Hb1Ac och BMI
  6. biomarkörer, inklusive kreatinin och hemoglobin
  7. Sekundärt förebyggande läkemedel (aspirin, klopidogrel, betablockerare, ACE-hämmare och betablockerare)
  8. Tidigare interventioner (PCI och CABG)
  9. CVD svårighetsgrad, inklusive angiografiska fynd (normal/onormal funktion av vänster kammare), CV-tillstånd (stroke, perifer artärsjukdom), tidigare hjärtinfarkt och konsultationsfrekvens (inom det senaste året)
  10. Icke-CV-komorbiditeter, huvudkapitel som ingår i Charlson-indexet
  11. 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:

  1. 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.
  2. CoxPH-modeller kommer att utrustas (med korsvalidering) för slutpunkten av intresse som behandlar icke-CHD-dödsfall som censurerade observationer.
  3. CoxPH-modeller kommer att utrustas (med korsvalidering) för icke-CHD-behandling av MI och dödlig CHD som censurerade observationer.
  4. 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.
  5. Standardfel kommer att erhållas genom att upprepa steg 2 till 4 på ett lämpligt antal (200) bootstrap-prover.
  6. Proceduren kommer att upprepas från steg 1 under ytterligare 4 omgångar av imputering för att erhålla variansen mellan imputering.
  7. 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

Observationell

Inskrivning (Förväntat)

300000

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

      • London, Storbritannien, WC1E 7HE
        • Clinical Epidemiology Group, UCL

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

18 år och äldre (Vuxen, Äldre vuxen)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

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:

  1. patienter som diagnostiserats med stabil angina
  2. 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

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Stabil angina

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Utredare

  • Huvudutredare: Harry Hemingway, FRCP, University College, London

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart

1 januari 2010

Primärt slutförande (Förväntat)

1 december 2013

Avslutad studie (Förväntat)

1 december 2014

Studieregistreringsdatum

Först inskickad

22 maj 2012

Först inskickad som uppfyllde QC-kriterierna

29 maj 2012

Första postat (Uppskatta)

1 juni 2012

Uppdateringar av studier

Senaste uppdatering publicerad (Uppskatta)

1 juni 2012

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

29 maj 2012

Senast verifierad

1 maj 2012

Mer information

Termer relaterade till denna studie

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 .

Prenumerera