The Predictive Performance of Glasgow Coma Scale i relation till tid

Bakgrund

Trauma är ett kritiskt globalt folkhälsoproblem och antalet dödsfall till följd av trauma fortsätter att öka globalt. Under 2016 var mer än 4,6 miljoner dödsfall resultatet av trauma, vilket gjorde det till den åttonde vanligaste dödsorsaken. I Global Burden and Disease-studien (GBD) står traumatiska skador för nästan en tiondel av alla dödsfall, mer än malaria, tuberkulos, hiv/aids och moderns tillstånd tillsammans.

TBI definieras som hjärnskada orsakad av trauma, trauma definieras som skada som tillfogats kroppen som ett direkt eller indirekt resultat av en yttre kraft, med eller utan störning av strukturell kontinuitet. Traumatisk hjärnskada (TBI) är en ledande orsak till sjuklighet och dödlighet globalt. Det är den största bidragsgivaren till traumadödsfall i världen, med tre gånger högre dödlighet än trauma utan åtföljd TBI. Det uppskattas att TBI drabbar mer än 10 miljoner människor årligen.

För att vägleda läkare i diagnostik och återupplivningsregimer är prognostiska modeller som förutsäger svårighetsgrad och utfall av TBI av stor betydelse. Glasgow Coma Scale (GCS) är en av de mest använda prognosmodellerna. Det är en neurologisk skala utvecklad för att bedöma svaret på stimuli hos patienter med kraniocerebrala skador genom att använda tre parametrar; ögonöppning, verbal respons och motorisk respons. Det har använts för att bedöma medvetandenivån i både klinisk praktik och neurotraumaforskning. GCS-poängen, summan av de tre parametrarna som används i GCS, används för att bedöma svårighetsgraden, allt från mild, måttlig till svår.

Flera studier har undersökt det prognostiska värdet av GCS och det prognostiska värdet av GCS enskilda komponenter, men lite är känt om hur förhållandet mellan tid mellan skada och första GCS påverkar det prediktiva värdet av GCS. Studier har visat att GCS uppmätt vid inläggning till traumavård är mer prediktivt än GCS uppmätt på traumaplatsen, och att median GCS vid intagning är högre än median GCS vid traumaplats, men om och hur tiden påverkar GCS-poängen har inte studerats .

Syfte

Syftet med denna studie är att bedöma hur tidpunkten för att mäta GCS påverkar dess prediktiva värde efter traumatisk hjärnskada (TBI) hos vuxna patienter. Det första målet är att bedöma om den prediktiva prestandan för GCS förbättras om den justeras för tiden från skada till när den registrerades. Det andra målet är att bedöma om den prediktiva prestandan för GCS varierar beroende på när den registrerades.

Studera design

Detta är en retrospektiv analys av kohortstudien Towards Improved Trauma Care Outcomes in India (TITCO).

Miljö

Den avidentifierade TITCO-kohorten kommer att användas. Denna kohort inkluderar 16 000 patienter inskrivna mellan juli 2013 och december 2015 från fyra universitetssjukhus i Indien. Projektledare, som innehar en hälsovetenskaplig magisterexamen, samlade in data prospektivt om intagning på varje plats genom direkt observation av akuten och fylla i ett standardiserat formulär. Projekthandläggarna arbetade i roterande åtta timmars skift (morgon, kväll, natt). Data hämtades också retrospektivt från patientjournaler för patienter inlagda utanför de observerade skift.

Källa och metod för deltagarval

Projektansvarig på en plats inkluderade patienter från deltagande sjukhus, antingen genom prospektiv observation eller genom retrospektiv datahämtning från patientjournaler.

Förklaringsvariabler De två förklarande variablerna av intresse kommer att vara GCS och tiden mellan skada och GCS-registrering i timmar, hädanefter kallad tid till GCS. GCS extraherades från patientjournaler liksom datum och tid för första GCS-registrering. Om datum och tid för första GCS-inspelning saknas, kommer ankomsttid till det deltagande centret att användas istället. Datum och tid för skadan togs ut från patientjournaler eller rapporterades direkt av deltagarna. Data och tid för första GCS-registrering eller ankomst till deltagande centrum extraherades från patientjournaler.

Kovariater Variablerna ålder, kön, skademekanism, om patienten flyttades från en annan vårdinrättning och anatomisk skadas svårighetsgrad kvantifierad med hjälp av skadans svårighetsgrad (ISS) kommer att rapporteras för att karakterisera studieprovet. Ålder, kön, mekanism för skada och överföringsstatus antingen extraherades från patientjournaler eller rapporterades av deltagarna. ISS beräknades av en enda ackrediterad kodare baserat på skadetextbeskrivningar.

Partiskhet

För att ta hänsyn till mänskliga fel vid registrering av GCS, var Aals datainsamlare observatörer innehavare av hälsovetenskapliga mastergrader och utbildades och övervakades kontinuerligt under datainsamlingsperioden.

Kvantitativa variabler

GCS kommer att behandlas både som en linjär term och som en ordinalvariabel med 12 nivåer. De icke-testbara nivåerna av de verbala och ögonkomponenterna kommer att behandlas som 1. Tiden mellan skada och registrerad GCS kommer att behandlas både som en kontinuerlig variabel och en kategorisk variabel. När den behandlas som en kontinuerlig tid mellan skada och GCS kommer att tillåtas ha en icke-linjär association med dödligheten genom att modellera den med begränsade kubiska splines med tre knop placerade med lika åtskilda percentiler. När den behandlas som kategorisk kommer den att delas upp i block om två timmar.

Statistiska metoder

Alla analyser kommer att utföras i den statistiska språk- och programmeringsmiljön R. Urvalet kommer först att temporärt delas upp i tränings- och valideringsprover som beskrivs i avsnittet om studiestorlek nedan. Varje urval kommer sedan att karakteriseras med hjälp av medianer och inter-kvartilintervall (IQR) för att presentera kvantitativa variabler och räkningar och procentsatser för att presentera kvalitativa variabler.

I träningsprovet kommer fyra enkla prediktionsmodeller att passa med logistisk regression med dödlighet som utfall. Den första modellen kommer endast att inkludera GCS som en linjär term, den andra GCS som en linjär term och tid till GCS modellerad med begränsade kubiska splines, den tredje endast GCS som en ordningsvariabel och den fjärde modellen GCS som en ordningsvariabel och tid till GCS modellerad med begränsade kubiska splines. För att undvika övermontering kommer en krympningsfaktor att uppskattas med hjälp av en bootstrapping-procedur som sedan kommer att tillämpas på modellkoefficienterna.

De fyra modellerna kommer sedan att tillämpas i valideringsprovet och deras prediktiva prestanda uppskattas och jämförs. Prediktiv prestanda för varje modell kommer att utvärderas med användning av arean under mottagarens funktionskurva (AUROCC), positiva och negativa prediktiva värden. Skillnader i prediktiv prestanda mellan modeller och tillhörande 95 % konfidensintervall kommer att uppskattas med hjälp av bootstrapping.

Vart och ett av tränings- och valideringsproverna kommer sedan att delas in i delprov baserat på tid till GCS, så att det första delprovet inkluderar patienter med tid till GCS < 2 timmar och det andra delprovet inkluderar patienter med tid till GCS mellan två och fyra timmar och så på i block om två timmar. I vart och ett av träningsunderproven kommer en enkel logistisk modell att passa inklusive GCS som en linjär term som den enda oberoende variabeln. Koefficienten för GCS i varje modell kommer att krympas.

Modellen som utvecklades i det första träningsdelprovet kommer sedan att tillämpas på det första valideringsdelprovet och så vidare. Modellprestandan i varje valideringsdelprov kommer att utvärderas med hjälp av AUROCC och root mean square error. Trenden i dessa mått över valideringsdelprov kommer sedan att kvantifieras med hjälp av en enkel generaliserad linjär modell med prestationsmåttdata som utfallsvariabel och en olinjär transformation av blockindexnummer med begränsade kubiska splines med tre knop som enda oberoende variabel.

Strategi för att hantera saknad data

Om den erforderliga urvalsstorleken uppnås om endast patienter med fullständiga data om utfall, förklaringsvariabel och kovariater ingår, kommer en fullständig fallanalys att utföras. Om inte kommer saknad data att hanteras med multipel imputering med hjälp av kedjade ekvationer. Antalet imputerade datamängder kommer att vara lika med procentandelen ofullständiga observationer. Analysen kommer att utföras separat i varje imputerad datamängd och huvudresultaten presenteras som medianer med IQR över imputationer. För konfidensintervall kommer de mest extrema värdena för poolade övre och nedre gränser att rapporteras.

Studiestorlek

Den mest dataintensiva analysen kommer sannolikt att anpassa modellen med GCS som en ordinalvariabel och tid till GCS som begränsade kubiska splines och därför uppskattas studiestorleken tillgodose denna analys. Simuleringsstudier indikerar att logistiska regressionsmodeller behöver minst tio händelser, eller observationer med utfallet, per inkluderad parameter för att generera tillförlitliga koefficientuppskattningar. Modellering av GCS som en ordinalvariabel kommer att innebära att uppskatta koefficienter för elva parametrar och att inkludera tid till GCS lägger till ytterligare två parametrar. Det totala antalet parametrar är då 13, vilket indikerar ett behov av minst 130 händelser. Om man antar en resultatprevalens på 20 % baserat på tidigare forskning måste träningsurvalet inkludera minst 650 observationer. Om detta antal är mindre än hälften av det fullständiga urvalet kommer tränings- och valideringsproven att genereras genom att dela upp det fullständiga urvalet i två lika stora delar. Om det fullständiga urvalet innehåller mindre än 1300 observationer kommer de första 650 observationerna att inkluderas i träningsprovet och de återstående observationerna kommer att inkluderas i valideringsurvalet. Oavsett vilket kommer proverna att skapas på ett sådant sätt att det relativa bidraget från varje center är ungefär detsamma i båda proverna.