Liverpool-Heart and BRain Project Stroke Cohort (L-HARP)

Studiesyfte och design.

Personer med tidigare stroke löper en hög risk att drabbas av oönskade kardiovaskulära utfall inklusive hjärtsvikt, förmaksflimmer (AF), återkommande stroke och vaskulär kognitiv försämring och demens. Det finns dock ett behov av att klargöra de underliggande riskfaktorerna för dessa resultat som är specifika för populationer efter stroke. Omfattande forskning har utförts för att identifiera individer med hög risk för hjärt-kärlsjukdom genom utveckling av riskprediktionsmodeller. Detta har lett till att riskmodeller för hjärt-kärlsjukdom införlivats i riktlinjer för klinisk praxis med syfte att förbättra patientnära vård och beslutsfattande. Riskfaktorer som ofta ingår i sådana modeller inkluderar ålder, manligt kön, högt blodtryck, kolesterol, rökning och diabetes mellitus. Även om vissa riskprediktionsmodeller har undersökt kardiovaskulära utfall som AF hos personer efter stroke, behövs ytterligare forskning för att förfina dessa modeller och ge rekommendationer för implementering i klinisk praxis. Att identifiera exakta riskprediktionsmodeller för kardiovaskulär sjukdom och kardiovaskulära komplikationer hos personer efter stroke behövs för att rikta screening för tillstånd (som AF) och utveckla riktade interventionsstrategier som är specifika för denna population.

Kvalitetssäkringsplan

Pseudo-anonymiserad data med hjälp av det unika, icke-identifierbara deltagar-ID:t kommer att samlas in i ett elektroniskt fallrapportformulär med hjälp av Research Electronic Data Capture (REDCap; https://www.project-redcap.org). Uppgifterna som skrivs in i REDCap för de första 20 patienterna som rekryteras på varje plats kommer att fjärrkontrolleras för fullständighet. Uppgifterna som skrivs in på REDCap kommer att kontrolleras mot elektroniska journaler och pappersenkäter på utvalda platser.

Datakontroller

Datafälten i REDCap har ställts in med fördefinierade regler för intervall eller konsistens och felmeddelanden kommer att visas när dessa regler bryts.

Bedömning av provstorlek

Eftersom ett av huvudsyften med studien är att undersöka riskprediktionsmodeller efter stroke för AF, kommer detta att användas för att bestämma urvalsstorleken. Prevalensen av AF efter stroke har uppskattats till cirka 24 %. Baserat på de 24 % och med en konservativ uppskattning av 15 fall som krävs per variabel i modellen, skulle 195 fall vara lämpliga för en 13-variabel modell, vilket är det maximala antalet variabler som ingår i tidigare AF-prediktionsmodeller. Därför skulle 815 deltagare ge cirka 195 patienter som utvecklar AF som krävs för modellen. Studien syftar till att rekrytera dessa deltagare och 20 % extra för att ta hänsyn till potentiell förlust vid uppföljning, vilket resulterar i minst 978 deltagare.

Statistisk analysplan

All data som samlas in kommer att vara kvantitativ. Data kommer att analyseras av medlemmar i forskargruppen vid Liverpool Center for Cardiovascular Science. Cox proportional hazard-modeller justerade för potentiella störande faktorer kommer att användas för att undersöka samband mellan riskfaktorer och kardiovaskulära utfall och dödlighet. Riskmodeller som identifierats i tidigare studier för AF och kardiovaskulära utfall inklusive kardiovaskulär sjukdom, fysisk funktion, kognitiv funktionsnedsättning och demens, livskvalitet och all-case och kardiovaskulär mortalitet kommer att undersökas i L-HARP stroke-kohorten. Mottagarens funktionskurvor kommer att konstrueras, och Harrell C-index (dvs. area under kurvan) kommer att uppskattas som ett mått på modellens prestanda och jämföras med hjälp av DeLong-testet.

Förutom traditionella epidemiologiska tillvägagångssätt för modellering av riskprediktion, kommer maskininlärningsmetoder också att undersökas. Maskininlärning har visat sig ge resultat som är jämförbara med traditionella riskförutsägelser för hjärt- och kärlsjukdomar, men med fördelar som att undersöka all tillgänglig data på ett opartiskt tillvägagångssätt som kan leda till upptäckten av nya relationer mellan data. Eftersom urvalet inte är särskilt stort kommer traditionella maskininlärningstekniker inklusive k-Nearest Neighbours, random skog och beslutsträd att användas snarare än djupinlärningstekniker som vanligtvis tillämpas på mycket stora datamängder. En delmängd av data kommer att användas för träning av modellen och resten av data kommer att användas för utvärdering av modellen. Modellen som härrör från maskininlärning kommer att jämföras med riskprediktionsmodeller som beskrivits i tidigare studier. Modellernas noggrannhet, specificitet, sensitivitet, positivt prediktivt värde och negativt prediktivt värde kommer att jämföras.