Prediktorer för utfall efter perioperativ stroke

BAKGRUND

Peroperativ stroke är en förödande komplikation av kirurgi som för närvarande är dåligt karakteriserad med begränsade kliniska verktyg tillgängliga för att upptäcka och förhindra dess förekomst. Perioperativ stroke är en cerebrovaskulär händelse som inträffar efter operation och drabbar mellan 0,1-1,9 % av patienter som genomgår icke-hjärtkirurgi, icke-neurologisk kirurgi. Perioperativ stroke är relativt understuderad jämfört med postoperativa komplikationer av liknande incidens och svårighetsgrad, såsom hjärtkomplikationer. Under de senaste decennierna har betydande ansträngningar gjorts för att minska risken för perioperativ hjärtinfarkt och har lett till en minskning av incidensen över tid på grund av framsteg inom riskstratifiering och perioperativ hantering. Även om förekomsten av perioperativ stroke är liknande eller högre än den för perioperativ hjärtinfarkt, har risken för denna komplikation ökat över tiden och perioperativ stroke förblir relativt försummad. Den nuvarande litteraturen har identifierat att patienter som upplever en stroke efter operation har en högre dödlighet, vistelsetid och utskrivning till en anläggning, men med tanke på den sällsynta karaktären av denna komplikation är relativt lite känt om vilka faktorer som förutsäger dessa utfall bland dem som uppleva en perioperativ stroke.

MÅL

SÄRSKILDA MÅL

1. Härleda och externt validera riskprediktionsmodeller för mortalitet (primärt utfall), ogynnsam utskrivning, ICU-användning, trakeostomi/PEG/kraniektomi och vistelsetid efter perioperativ stroke.
2. Beskriv tidsmässiga trender i dödlighet efter perioperativ stroke mellan 2005 och 2020.
3. Utforska förmedlare av dödsrisk efter perioperativ stroke.

METODER

Denna studie är en retrospektiv analys av den prospektivt insamlade databasen American College of Surgeons National Surgical Quality Improvement Program mellan 2004 och 2020.

Härledningskohorten kommer att extraheras från NSQIP-databasen. Det senaste året av datamängden (2020) innehåller data om över en miljon fall från 708 platser. Valideringskohorten kommer att extraheras från Population Data BC, en samling länkade provinsiella databaser som tillhandahåller avidentifierade data på individnivå om alla invånare i BC (befolkning 5,1 miljoner). Ett datumintervall från 1 januari 2002 till 31 december 2020 valdes för att återspegla samtida strokebehandlingsmetoder (t.ex. EVT) och den konsekventa användningen av ICD-10-CA-kodning sedan 2002.

Studera befolkning

NSQIP-derledningskohort: Patienter med perioperativ stroke i NSQIP-databasen mellan 2004 och 2017 kommer att inkluderas. Vi kommer att utesluta neurokirurgiska (inklusive karotisendarterektomi) och interventionella radiologiprocedurer. Hjärt- och icke-hjärtkirurgipopulationerna kommer att analyseras separat med tanke på deras unika strokeriskprofil.

PopDataBC-valideringskohort: Patienter med AIS kommer att identifieras med diagnoskoder I63.0-163.9 från International Classification of Diseases (ICD), Tenth Revision, Kanada (ICD-10-CA), som exakt och tillförlitligt identifierar AIS i stora administrativa datauppsättningar, med positivt prediktivt värde och känslighet på mer än 97 %. Patienter som upplevde en ICD-10-CA antagningsdiagnos (topp 3 positioner) av AIS inom 30 dagar efter inläggning för operation, eller som en utskrivningsdiagnos från index kirurgisk sjukhusvistelse. Perioperativa patienter kommer att extraheras ytterligare från den övergripande AIS-kohorten om de fick kirurgisk faktureringskod inom 30 dagar före intagning för stroke.

Utfallsvariabler: Primärt utfall är 30 dagars mortalitet; sekundära utfall är användning av intensivvårdsavdelning, längd på sjukhusvistelse, markörer för allvarlig strokeutfall (trakeostomi, PEG, hemikraniektomi för cerebralt ödem) och negativ utskrivning (icke-hemmet eller dödsfall).

Kandidat-prediktorvariabler: Utfall efter perioperativ stroke är potentiellt relaterat till patient-, kirurgiska och anestetiska faktorer, såväl som strokens egenskaper. Kandidatvariabler för prediktor kommer att inkludera patientegenskaper (ålder, kön, komorbiditeter inklusive stroke i anamnesen), kirurgiska egenskaper (specialitet, komplexitet, typ, akutstatus), anestesiteknik (allmän vs regional/neuraxiell) och strokeegenskaper (timing i förhållande till operationen) , återinläggning för stroke vs stroke på slutenvård). Kontinuerliga variabler kommer att övervägas för transformation med användning av bråkpolynom för att tillåta en kontinuerlig icke-linjär association.

STATISTISK ANALYS

Mål 1: Härledning och validering av riskprediktionsmodeller. Multivariabla modeller för att förutsäga 30-dagars dödlighet efter perioperativ stroke kommer att skapas separat för hjärt- och icke-hjärtkirurgi, med tanke på deras unika mekanismer för stroke. För att undvika överanpassning kommer vi att genomföra en datareduktionsstrategi och exkludera variabler med mer än 10 % saknade data eller mindre än 20 observationer. Där >1 % men <10 % data saknas, kommer vi att överväga multipel eller genomsnittlig imputering; variabler med <1 % saknad data kommer att hanteras genom fullständig fallanalys.

Fördefinierade prediktorvariabler kommer att användas för att konstruera en logistisk regressionsmodell där koefficienter kommer att krympas med hjälp av elastisk nettopenalisering. Denna metod för variabelt urval och bestraffning valdes eftersom vi förutser möjligheten av ett stort antal potentiella prediktorer i förhållande till antalet utfall och att flera viktiga prediktorer kommer att vara kolinjära. Genom att använda elastisk nettoreglering kan vi använda en balans mellan minsta absoluta krympning och väljaroperatörsstraff (LASSO) och RIDGE-regression. RIDGE-regression kommer att tillåta oss att behålla viktiga kolinjära prediktorer, men krympa deras koefficienter (som kan blåses upp på grund av kollinearitet). LASSO-metoder kommer att tillåta koefficienterna för vissa icke-bidragande prediktorer till noll, och därför elimineras de från modellen. Inkluderade variabler kommer att bedömas för interaktioner och ytterligare termer som övervägs för att förbättra modellens prestanda vid behov. Specifikt kommer vi a priori att undersöka följande interaktioner: ålder*kön, kirurgisk komplexitet (WRVU)*ålder, WRVU*specialitet och specialitet*narkosteknik. Modelldiskriminering kommer att utvärderas med användning av arean under mottagarens funktionskarakteristikkurva (c-statistik). Modellkalibrering kommer att bedömas med ett löss-utjämnat diagram av observerade kontra förutsagda risker över riskspektrumet. En liknande analys kommer att användas för att skapa en prediktionsmodell för vistelsens längd (som kommer att vara en log-transformerad linjär modell). Eftersom döden är ett konkurrerande resultat för utskrivningsdisposition, kommer negativ utskrivning att modelleras som ett ordinalt utfall (hemma, utskrivning utanför hemmet eller dödsfall).

Intern validering: Efter härledning kommer 5 000 bootstrap-prover att användas för intern validering och för att generera en uppskattad optimism. Känslighetsanalyser kommer att testa modellens prestanda under olika tidsepoker för att bedöma effekten av operationsåret (t.ex. 2 till 3-åriga epoker, beroende på antalet tillgängliga observationer under varje år). Efter härledning av den slutliga modellen för att förutsäga dödlighet kommer vi att härleda ett förenklat prediktivt index genom att konvertera regressionskoefficienterna till punkter som återspeglar deras relativa vikter. Den prediktiva noggrannheten för det resulterande verktyget kommer att bedömas på liknande sätt som ovan.

Extern validering: Den slutliga logistiska modellen kommer att valideras externt i den distinkta datamängden som erhålls från PopDataBC efter att NSQIP-dataelement har kartlagts till PopDataBC-databasen. Regressionskoefficienter kommer att tillämpas på PopDataBC från den NSQIP-härledda modellen för att beräkna förväntade utfallssannolikheter och jämföra förutspådda utfall med observerade utfall. Diskriminering och kalibrering kommer att mätas, med en area under mottagarens funktionskurva >0,70 som anses vara acceptabel modelldiskriminering och Hosmer-Lemeshow-test med p>0,05 som indikerar acceptabel passform.

Mål 2: Temporala trender i dödlighet. Vi kommer att utföra en utforskande ojusterad vanlig minsta kvadraters regressionsmodell med årlig dödlighet efter perioperativ stroke som beroende variabel och år som prediktor för att uppskatta den årliga förändringen i dödlighet över tiden. En multivariabel linjär regressionsmodell kommer att specificeras, justering för viktiga prediktorer.

Mål 3: Förmedlare av dödsrisk. För att undersöka möjlig effektmodifiering av mortalitetsrisk före stroke genom händelser efter stroke, kommer vi att specificera en serie logistiska regressionsmodeller med döden som den beroende variabeln och sannolikheten för död från vår primära modell som en linjär prediktor. Vi kommer sedan att lägga till förspecificerade prediktorer (ovan), var och en som en extra variabel, för att undersöka om sannolikheten för död ökar eller minskar baserat på tillägg av den postulerade effektmodifierande variabeln.

Köns-/könsbaserad analys: Vi kommer att utforska sambandet mellan kön och resultat efter perioperativ stroke genom att utföra subgruppsanalyser på kvinnor och män, och karakterisera och jämföra baslinjeegenskaperna och resultaten för dessa två populationer. Vi kommer vidare att inkludera kön a priori som en prediktor i den justerade modellen, och undersöka interaktioner med andra variabler. Vi kan inte undersöka icke-binärt kön eftersom NSQIP endast tillhandahåller "man", "kvinna" eller "okänt".

Provstorlek och kraft: Vi använde Riley et al.s metoder för att uppskatta den erforderliga urvalsstorleken för att härleda en stabil logistisk regressionsmodell som minimerar överutrustning. Med hjälp av 30 modellparametrar och en uppskattad utfallsprevalens på 25 % dödlighet hos personer med stroke,3 uppskattade vi de nödvändiga minimala urvalsstorlekarna baserat på potentiell modelldiskriminering (c-statistik) och förklarad varians (Cox-Snell R2). Om vår modell uppnår en c-statistik på 0,7 (R2 0,09), kräver vi 2 754 deltagare. Starkare diskriminering (c-statistik 0,8, R2 0,2) skulle minska den nödvändiga urvalsstorleken till 1 145. NSQIP-databasen 2004-2017 innehåller 6,6 miljoner patienter, och baserat på vår preliminära analys av 2015 års datauppsättning kommer 99,5 % att vara icke-hjärtkirurgi med en 0,19 % incidens av stroke, och 0,5 % kommer att vara hjärtkirurgi med en incidens på 1,76 % av stroke. Vi uppskattar därför totalt minst 12 434 respektive 5 808 icke-hjärt- respektive hjärt-perioperativa stroke.

Ett p-värde <0,05 kommer att anses vara signifikant för alla analyser och all dataanalys kommer att utföras med STATA 17 (StataCorp, Texas, USA).