Enkla observationsstudier för kritisk vård (SOCCS)

Registerprocedurer:

Berättigade patienter kommer att inkluderas inom 3 timmar efter ankomsten till intensivvårdsavdelningen. Efter inkludering kommer alla studieparametrar att erhållas genom fysisk och fysiologisk undersökning. Detta kommer att upprepas efter cirka 12 timmar och cirka 24 timmar därefter.

Övervakning:

Övervakning kommer att utföras av oberoende forskare vid avdelningen för intensivvård vid University Medical Center Groningen (UMCG). Revisioner är planerade att ske en gång per år.

Rekrytering:

Inkludering av patienter och mätningar av variabler kommer att utföras av studiekoordinatorn eller en medforskare under ledning och ansvar av huvudutredaren. På grund av dess observationella karaktär kommer inte informerat samtycke att erhållas för denna studie.

Källdataverifiering:

Vid inkludering härleds alla konventionella hemodynamiska variabler genom fysisk undersökning och registrering av data från den grundläggande hemodynamiska övervakningen (Philips ImageVue-monitor med spårning av hjärtfrekvens, elektrokardiogram (EKG), SpO2, artärtryck från artärlinjetrycksmätning och/eller från icke-invasivt blodtrycksövervakning). Alla variabler är fördefinierade (se datadictionary) för att standardisera alla mätningar av forskarstudenter.

Allmänna patientegenskaper och laboratoriemätningar registrerades från elektroniska patientdiagram och Acute Physiology and Chronic Health Evaluation (APACHE) II och IV, förenklad Acute Physiology Score II (SAPS) poäng är extraherade från vår lokala National Intensive Care Evaluation (NICE) databas. Uppföljning av dödlighet av alla orsaker vid 90 dagar och 3 år görs med hjälp av kommunens personregister. Långtidsuppföljning samlas in genom olika resurser, såsom sjukhusjournaler, familjeläkare och/eller direktkontakt.

Datainsamling:

Inom 3 timmar efter inläggningen på intensivvårdsavdelningen kommer alla variabler att erhållas genom en klinisk undersökning av engångsvariabler och sjuksköterskor och läkare kommer att tillfrågas om deras prognostik. Andra variabler (dvs. laboratorie- och bildvärden) kommer att erhållas från de elektroniska patienttabellerna. Grunderna och specifika detaljer för att mäta varje variabel beskrivs utförligt nedan.

Systemiska cirkulationsvariabler:

Hjärtfrekvens (HR): den kommer att registreras från den elektrokardiografiska monitorn vid sängen. Vid en oregelbunden rytm (dvs. förmaksflimmer) kommer utredarna att använda medelpulsen under en minut. Förutom hjärtfrekvens kommer förekomsten av förmaksflimmer att registreras.

Systoliskt blodtryck (SBP), diastoliskt blodtryck (DBP) och medelartärtryck (MAP): dessa kommer att erhållas genom intravaskulär mätning med hjälp av en artärlinje, vilket är en del av den vanliga vården. Om ingen artärlinje sätts in, kommer den icke-invasiva mätningen att samlas in.

Centralt ventryck (CVP): detta kommer att registreras om en central venös linje finns i den inre halsvenen eller subklavianvenen.

Mikro- och perifera cirkulationsvariabler:

Kapillärpåfyllningstid (CRT): denna kommer att mätas efter 10 sekunders utövande av ett fast tryck, helst på pekfingrets distala falanx och på den centrala delen av knät. Ingen cutoff-poäng kommer att användas, utan en kontinuerlig mätning på grund av skillnaden i värden som anses normala av olika undersökningar för CRT.

Hudtemperatur (Tskin): detta kommer att mätas subjektivt och objektivt. Den subjektiva åtgärden kommer att utföras genom att palpera patientens extremiteter. En skillnad mellan antingen "varmt" eller "kallt" kommer att göras med hjälp av den dorsala ytan på granskarens händer. Patienter kommer att anses ha "kalla" hudextremiteter om alla undersökta extremiteter anses vara svala, eller om endast de nedre extremiteterna är svala trots varma övre extremiteter.

För att objektivera hudtemperaturen har användningen av en central-till-perifer och perifer-till-omgivningstemperaturskillnad (respektive dTc-p och dTp-a) eller underarm-till-finger hudtemperaturgradient (Tskin-diff) föreslagits i litteraturen. Utredarna kommer att använda sig av de centrala till perifera mätningarna:

Central-till-perifer temperaturskillnad (dTc-p): för att mäta denna skillnad kommer utredarna att jämföra blåstemperaturen, mätt med en blåstermistorkateter, med fottemperaturen, mätt med en hudsond (DeRoyal Skin Temperature Sensor produkt nr 81- 010400EU) på antingen vänster eller höger fot (dorsum). Utredarna kommer att använda blåstemperatur som ett surrogat för central temperatur och tåtemperatur som ett perifert mått. I litteraturen används vanligtvis en temperaturskillnad på antingen 5°C eller 7°C som en övre gräns. Utredarna kommer därför att betrakta värden högre än 7°C som onormala.

Den fläckiga poängen: denna poäng beskrevs av Ait-Oufella et al 2011. Fläckar är fläckvis missfärgning av huden som orsakas av mikrocirkulationsstörning. Det involverar vanligtvis området runt knät. Mottling-poängen varierar från 0 till 5, beroende på omfattningen av det fläckiga området. En poäng på 0 eller 1 anses vara mild, 2 eller 3 måttlig och 4 eller 5 svår.

Urinproduktion (ml/kg/h): detta mäts också som en del av vanlig vård. Utredarna kommer att använda den totala urinproduktionen före undersökning (d.v.s. från intagning till undersökning). Hos patienter med redan existerande njursvikt kommer urinproduktionen inte att användas.

Andra variabler:

Andningsfrekvens: detta kommer att registreras av den elektrokardiografiska monitorn vid sängen. Om en patient har mekanisk ventilation, se nedan.

Mekanisk ventilation: data om förekomst och typ av mekanisk ventilation kommer att samlas in, liksom grundläggande information om andningsförhållanden (t.ex. PEEP och FiO2).

Användning av inotrop och vasopressor: eventuellt behov av inotrop eller vasopressin, typ, dos och hastighet kommer att registreras. Som inotropa/vasopressorer anses noradrenalin, vasopressin, dobutamin, dopamin och milrinon. Som lugnande medel anses midazolam, propofol och S-ketamin.

Uppskattningar av pumpens funktion och perifer cirkulation: en uppskattning kommer att göras, antingen av en medlem i det behandlande teamet eller av forskaren.

Serumlaktat, hemoglobin, troponin-T och kreatinin: dessa bestäms som en del av regelbunden vård. För studieändamål kommer utredarna att använda det värde som ligger närmast vår undersökning.

Andra biokemiska värden som bestämts som en del av vanlig vård, såsom pH, leukocyter, hematokrit, etc. kommer också att registreras.

Efter att den kliniska undersökningen har utförts kommer information om följande allmänna egenskaper att extraheras från NICE-databasen. Detta inkluderar demografiska data (såsom BMI, ålder och kön), medicinsk historia, diagnoser och sjukdomens svårighetsgrad som utvärderas av de olika generationerna av APACHE-poängen, SAPS, Sequential Organ Failure Assessment (SOFA) och alla andra publicerade prediktionsmodeller. För detta ändamål kommer en omfattande litteratursökning att skapas och publiceras och därefter utföras för att säkerställa inkludering av alla publicerade modeller med deras variabler. Vidare kommer utredarna att samla in laboratorievärden (detaljer beskrivs ovan), urinproduktion (detaljer beskrivs ovan) och rutinmässiga intagnings-EKG och bildtagning. Efter 30 dagar kommer utredarna att bedöma patientjournalerna igen för att samla information om total intensivvårdsvistelse i dagar.

Datahantering:

Data kommer att registreras med OpenClinica och överföras för analys. Efter överföring från OpenClinica kommer all data att hanteras i en databas skapad med Stata version 15 (StataCorp, College Station, TX). Alla försökspersoner kommer att få ett studieämnes-ID, sammanställt av studiens namn och deras inklusionsnummer. Detta studieämne-ID kommer att användas i både OpenClinica och Stata. Endast en forskare med "studiedirektör"-kontoegenskaper i OpenClinica kommer att kunna koppla studieämnes-ID till patientnummer.

Bedömning av provstorlek:

Varje år läggs 3000 patienter in på en av fyra intensivvårdsavdelningar. Cirka 1500 av dessa inläggningar är oplanerade akutinläggningar. Utredarna uppskattar att hälften av dessa oplanerade intagningar uppfyller inklusionskriterierna. Detta lämnar 750 patienter berättigade till inkludering. Utredarna antar dock att de inte kommer att kunna inkludera alla berättigade patienter av logistiska och praktiska skäl. Därför siktar utredarna på att inkludera 400 patienter per år.

Plan för saknad data:

Först kommer mönstret bakom våra saknade data att utforskas: saknas helt slumpmässigt, saknas slumpmässigt eller saknas inte slumpmässigt. Baserat på tidigare erfarenheter av SICS-I förväntas det att data kommer att saknas slumpmässigt. Därför kommer primära analyser att utföras med imputering för saknade data med hjälp av flera imputationer. Hållbarheten i slutsatserna kommer att kontrolleras genom sekundära känslighetsanalyser endast inklusive tillgängliga data.

Statistisk analysplan:

Utredarna kommer att använda de allmänna egenskaperna för att skapa en baslinjetabell. Statistiska analyser kommer att utföras med Stata version 15 (StataCorp, College Station, TX). Data kommer att presenteras som medelvärden med standardavvikelse om normalfördelade eller som medianer med intervall vid skeva data.

Univariata analyser kommer att genomföras och alla variabler med p<0,1 kommer att inkluderas i de multivariata modellerna. Multivariata analyser kommer att genomföras med hjälp av en stegvis modell. Hjärtminutvolymen kommer att modelleras med linjär regression och dödligheten kommer att modelleras med hjälp av logistisk regression. Alla analyser kommer att justeras för ålder och kön; andra allmänna egenskaper kommer inte att läggas till modellen som standard. Alla analyser kommer att testas dubbelsidigt och p-värden på mindre än 0,05 kommer att anses vara statistiskt signifikanta.

Om urvalsstorleken tillåter kommer utredarna att genomföra en analys i olika delpopulationer. Exempel på subpopulationer som kan komma i fråga för vidare analys är de med sepsis och/eller svår cirkulatorisk chock.

Framtida planer inkluderar användningen av Machine Learning-metoder för ytterligare dataanalys. SOCCS har utformats så att datainsamlingen samtidigt är så enhetlig och så omfattande som möjligt. Som tidigare beskrivits kommer nästan alla patienter som tas in på intensiven att inkluderas, tack vare att det finns ett utbildat studentteam på jour 24 timmar om dygnet. Detta garanterar att nya patienter kan inkluderas när som helst och ger möjlighet att skapa en stor uppsättning enhetliga data. Många variabler registreras noggrant vid sängkanten för alla patienter som är akut inlagda på ICU, inom 3 timmar efter inläggningen. Både mer traditionella och innovativa dataanalysprojekt drar nytta av en optimal datainsamlingsprocess. All data som samlas in för SOCCS-studien kommer att sammanställas i en omfattande och komplett databas, från vilken Machine Learning-baserade prediktiva modelleringsstudier enkelt kan definieras och ställas in. I ett senare skede kommer dessa data att användas för att bygga prediktiva eller risk-stratifieringsmodeller, som syftar till att probabilistiskt spåra utvecklingen av kritiskt sjuka patienter eller att lyfta fram potentiellt intressanta parametrar för efterföljande studier.

Machine Learning (ML) är en gren av artificiell intelligens som gör det möjligt för datavetare att designa övervakade eller oövervakade algoritmer för att "lära sig" av generellt stora dataprover med hjälp av slutledning. ML började som en välkänd metod inom genanalys och har sedan dess spridit sig till flera andra medicinområden. Dess potential att stärka kliniskt inriktad forskning har visats, främst genom att identifiera och prioritera specifika delar av vården, vars studie kan ge störst nytta för patienterna. Vidare har användningen av ML-baserade ramverk inom intensivvården rapporterats av flera författare, med användning av olika typer av data. Dessa data kan erhållas på olika sätt, där det vanligaste är genom mätningar vid sängkanten, såsom utförda för SOCCS- och SICS-studierna, eller genom att samla in ett större antal parametrar från tidigare fysiologiska data från en grupp liknande försökspersoner.