Betyg för tidig varningssystem för klinisk försämring (CDEWS)

Fas 1. Härledning av den prediktiva modellen Data från patienter som tagits in på de deltagande centra under 2017 kommer att extraheras från OBI:s elektroniska journal och laboratoriedatahanteringssystemet. Dataanalytikern som anlitats i detta projekt, tillsammans med kliniska medarbetare, från hälsoledningsenheten och forskningsenheten, kommer att ansvara för rengöring och rengöring av data och för generering och intern validering av den prediktiva modellen.

Fas 2: Implementering i elektronisk journal: När modellen och riskskalan är genererad kommer den att implementeras som ett larmsystem i Osabide Global i de deltagande centra. För detta ändamål kommer en handlingsguide att skapas av HGU:s UGS, som, när den väl har validerats, sedan kommer att exporteras till de andra två centren. Systemet kommer att fungera på basis av de RIC-element som är förknippade med vitala tecken, och kommer att vägleda professionella genom processen, så att läkaren kommer att visas de analytiska data som har visat sig vara nödvändiga för att beräkna risken, eller i händelse av att patienten inte blivit tillfrågad om det specifika laboratorietestet, rekommendationer för extraktion. När systemet har all data kommer en varning att dyka upp på skärmen med resultaten av riskskalan och riskkategorin mild-måttlig-svår och en rapport med rekommendationer för åtgärder. Rekommendationer baserade på ViEWS-skalan, från läkaren informera den ansvariga sjuksköterskan vid starten av kontinuerlig övervakning och besök på mindre än 15 minuter av ansvarig behandlande läkare som också kommer att informera ICU-läkaren om att patienten ska flyttas till en enhet där han/hon kommer att övervakas och agera, finns i bilaga 1. Larmsystemet kommer att presenteras i HGU av de kliniska samarbetspartnerna, GSU ​​och dataanalytiker. Dataanalytikern kommer, tillsammans med medforskarna, att vara den person som ansvarar för att generera larmsystemet, för att delta i de möten där det presenteras i centra och kommer därefter att genomföra en ständig utforskning av användningen och efterlevnaden. av riskskalan, kommer att samla in tvivel och problem som kan uppstå vid implementeringen av systemet, och kommer också att ansvara för implementeringen av riskskalan.

Fas 3: Extern validering av den prediktiva modellen. Jämförelse av kliniska resultat: Den prediktiva modellen kommer att valideras när 100 händelser per center har inträffat (förhoppningsvis när cirka 8000 patienter har tagits in). Under denna tid kommer data att samlas in under och efter implementering för att jämföra kliniska försämringar som observerats före och efter implementering. Dataanalytikern kommer att ta ut informationen, sortera och rensa den för att senare kunna utföra motsvarande statistiska analyser.

STATISTISK ANALS

Databehandlingsförfarandet för det aktuella projektet kommer att fastställas enligt följande steg, uppdelat i två sektioner:

A) Utveckling och validering av prediktiva modeller för klinisk försämring, överföring till intensivvårdsavdelning, hjärtstillestånd eller dödsfall under sjukhusvistelse.

Beskrivande analys av modellhärledning/intern valideringskohort bestående av patienter från de tre deltagande centra i den retrospektiva kohorten. Information om förluster i de variabler som registrerats i studien kommer att samlas in. Information om exkluderade patienter kommer också att samlas in. Möjligheten att tillämpa imputeringstekniker på de saknade uppgifterna i de registrerade variablerna kommer att bedömas.

2.- Följande punkter kommer att följas för att skapa de prediktiva modellerna: a. Det insamlade provet ska delas upp i två delprov: Härledningsgrupp 1: Det totala urvalet kommer att delas upp i 60 % för härledning av de prediktiva modellerna för den huvudsakliga utfallsvariabeln - klinisk försämring; Grupp 2 för validering av de prediktiva reglerna: modellerna kommer att valideras i detta urval (40 % av urvalet). Analyser kommer också att utföras uppdelade efter kön. b. I grupp 1 kommer riskfaktorer för klinisk försämring att identifieras, samt för överflyttning till intensivvårdsavdelning, hjärtstillestånd eller dödsfall under sjukhusvistelse. En bivariat analys kommer att utföras för att studera vilka av de möjliga prediktorvariablerna som är relaterade till varje utfallsparameter. Dessa variabler med ett p-värde <0,20 kommer att identifieras som potentiella prediktorer för att läggas in i en multi-level multivariat logistisk regressionsmodell. De variabler som är statistiskt signifikanta kommer att väljas för den slutliga skalan. Kategorierna av variabler i denna modell kommer att tilldelas en poäng i förhållande till parametern β som erhålls i den multivariatmodellen. På så sätt kommer en totalpoäng och en ROC-kurva att erhållas för det. Från denna skala kommer X riskkategorier att skapas.

3.- God passform och jämförelse av de utvecklade prediktiva modellerna. Parametrar kommer att hittas för att utvärdera diskriminerings- och kalibreringskapaciteten hos de prediktiva modeller som utvecklats i avsnitt 2. Å ena sidan, när det gäller dikotoma beroende variabler, kommer arean under ROC-kurvan (AUC, diskriminerande kapacitet) att beräknas, med tanke på ett värde >0,80 för att vara en robust prediktiv modell. Förutom AUC kommer kalibreringen av modellen att uppskattas genom Hosmer-Lemeshow-testet (bra kalibrering för ett p-värde ≥0,05).

4.- Intern validering av de prediktiva modellerna Valideringen av den prediktiva modellen kommer att utföras i valideringsgrupp 2. Den prediktiva modellen och skalan kommer att valideras i denna grupp genom att fundera över de predikterade värdena som erhållits i härledningsprovet (grupp 1) . Sensitivitet, specificitet och area under kurvan kommer att erhållas genom att jämföra dem med resultaten som erhålls i härledningsprovet. Modellernas kalibreringsförmåga kommer att bedömas genom Hosmer-Lemeshow-testet och särskiljningsförmågan av ROC-kurvor. Som en form av ytterligare intern validering kommer en validering med bootstrapping-metoder att utföras.

5.-Extern validering av prediktiva modeller Extern validering av modellerna som utvecklats i den retrospektiva kohorten kommer att tillämpas på den blivande kohorten. Den linjära prediktorn (LP) kommer först att hittas i de återstående kohorterna genom att beakta de regressionskoefficienter som erhållits i de ursprungliga modellerna. Logistiska regressionsmodeller kommer att utvecklas. Tre huvudprocedurer kommer att övervägas för den externa valideringen av dessa modeller: modellanpassning, diskriminering och kalibrering. Först, för att verifiera modellens passform, kommer vi att utveckla en logistisk regressionsmodell på de återstående kohorterna, och betrakta LP som en kovariat för att uppskatta dess beta-regressionskoefficient. Om beta-regressionskoefficienten för lutningen är 1, kommer det att anses vara en bra passform. För det andra, för att bedöma diskrimineringen av modellen, kommer AUC att beräknas, genom bootstrapping och korsvalideringsmetoder. Ett AUC-värde >0,80 kommer att betraktas som en robust prediktiv modell. För det tredje kommer kalibreringen att utvärderas genom att beräkna den totala kalibreringen, kalibreringslutningen (båda härledda från kalibreringsdiagrammen) och Hosmer-Lemeshow-testet.

B) Utvärdering av EWS för klinisk funktionsnedsättning 6.- Jämförelse av resultat: För jämförelse av resultat efter implementeringen av larmsystemet kommer en jämförelse att göras av andelen patienter som lider av klinisk försämring före och efter implementeringen av HGU och även mellan de procentsatser som visas i HGU, där larmsystemet kommer att implementeras och HUD och HUA där de kommer att fortsätta med sin vanliga praxis under denna utvärderingsperiod. För att utvärdera möjligheten att bias uppstår när kohorterna bildas, kommer ett benägenhetspoäng att beräknas för att förklara sannolikheten att tilldelas den ena (HGU-patienter) eller den andra kohorten (HUD+HUA) beroende på de oberoende variabler som observerats och förklaras i avsnittet "Exponeringsvariabler". Detta benägenhetspoäng kommer att matas in som en oberoende variabel i en replikering av de slutliga modellerna tillsammans med exponeringen och de erhållna koefficienterna i båda fallen kommer att jämföras.